CN117852361A - 一种激光辐照金属材料的损伤时间预测方法及系统 - Google Patents
一种激光辐照金属材料的损伤时间预测方法及系统 Download PDFInfo
- Publication number
- CN117852361A CN117852361A CN202410068133.6A CN202410068133A CN117852361A CN 117852361 A CN117852361 A CN 117852361A CN 202410068133 A CN202410068133 A CN 202410068133A CN 117852361 A CN117852361 A CN 117852361A
- Authority
- CN
- China
- Prior art keywords
- model
- laser
- metal material
- laser irradiation
- damage time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 148
- 239000007769 metal material Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims description 89
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000002076 thermal analysis method Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 230000008018 melting Effects 0.000 claims description 5
- 238000002844 melting Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 210000000349 chromosome Anatomy 0.000 description 8
- 230000005855 radiation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 229910001008 7075 aluminium alloy Inorganic materials 0.000 description 4
- 229910045601 alloy Inorganic materials 0.000 description 4
- 239000000956 alloy Substances 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000002679 ablation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 108700026220 vif Genes Proteins 0.000 description 1
- 108700026215 vpr Genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明属于工程光学技术领域，公开了一种激光辐照金属材料的损伤时间预测方法及系统，基于机器学习建立激光辐照金属材料损伤时间预测模型，通过进行激光辐照试验验证了激光辐照金属材料有限元仿真模型的有效性，采用有限元仿真模型计算得到的不同工况下材料损伤时间作为数据集进行人工智能模型训练。得益于目前人工智能算法的飞速进步，得到的模型预测精度较高，避免了部分情况下激光辐照试验难以进行或仿真方法错误的问题，提升了预测的准确度；本发明通过将激光功率密度和光斑半径导入预测模型，即可通过内部数理模型计算得到金属材料的损伤时间，技术人员无需技术操作即可得到损伤时间，大大降低了目前激光辐照金属材料损伤时间获取的门槛。
Description
技术领域
本发明属于工程光学技术领域，尤其涉及一种激光辐照金属材料的损伤时间预测方法及系统。
背景技术
激光对材料的损伤机理，其本质是激光与材料之间的相互作用，涉及光学、热学和力学等多效应交叉耦合，是一个非常复杂的物理化学过程，其中主要的破坏效应为热烧蚀破坏效应、力学破坏效应和辐射破坏效应。在1～100kW/cm2激光功率密度范围内，激光对金属材料的破坏主要表现为热烧蚀效应，即激光对靶材表面加热导致的材料温升、熔融甚至汽化现象。激光参数(例如波长，功率密度，光斑尺寸等)和材料的表面状况(例如温度，表面气流，氧化环境等)都会改变靶材对激光能量的吸收情况，从而影响整个热烧蚀过程。
在激光辐照材料的过程中，材料的损伤时间是极为重要的参数，一般可用于评估激光的毁伤能力和材料的抗激光毁伤能力。而不同参数下的材料损伤时间主要通过进行重复、大量的试验和仿真来获取，这种方法不仅耗时较长、易造成资源浪费，并且某些特定参数下的试验条件苛刻、难以进行，存在诸多局限性。
通过上述分析，现有技术存在的问题及缺陷为：
不同参数下的材料损伤时间主要通过进行重复、大量的试验和仿真来获取，这种方法不仅耗时较长、易造成资源浪费，并且某些特定参数下的试验条件苛刻、难以进行，存在诸多局限性。
发明内容
针对现有技术存在的问题，本发明提供了一种激光辐照金属材料的损伤时间预测方法。
本发明是这样实现的，一种激光辐照金属材料的损伤时间预测方法包括：
S1、建立连续激光辐照金属材料的有限元分析模型并设置边界条件，对有限元网格进行网格划分，并进行网格无关性检验；
S2、通过进行激光辐照试验对模型进行验证，将试验得到的温升曲线与模拟得到的温升曲线进行对比，由此验证模型的有效性；
S3、结合实际工况，选定激光辐照金属材料损伤时间预测模型的输入参数；
S4、根据所选定的输入参数，得到不同工况下材料发生损伤的时间；
S5、建立多种激光辐照金属材料损伤时间预测模型，并采用相同的仿真数据集进行模型训练；
S6、根据激光辐照金属材料瞬态热分析有限元模型结果，对比不同损伤时间预测模型的精度，选取误差最小的损伤时间预测模型作为最优激光辐照金属材料损伤时间预测模型。
进一步，所述步骤S1中的连续激光辐照金属材料的有限元分析模型包括金属材料的结构尺寸、材料参数、激光参数与热源模型；结构尺寸主要包括长度、宽度和厚度，材料参数主要包括密度、比热容和导热系数，激光参数主要为激光功率密度和光斑半径，热源模型采用的为高斯分布平面热源模型。
进一步，所述步骤S1中的网格无关性检验具体包括：
根据模型初步进行网格划分，在其他条件不变的情况下重新划分网格，逐步增大网格数量并进行数值模拟；
比较相邻网格数量下的模型计算结果，当两次数值模拟误差在5％以内，则可认为网格数量合适。
进一步，所述步骤S2具体包括：
搭建激光辐照试验平台，将某种典型工况下的各类参数作为试验参数，同时将热电偶传感器的探针固定于材料背面中心位置，控制辐照时间为5s，辐照结束后通过热电偶提取得到材料背面中心温度随时间的变化曲线；
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，输入模型的各类参数与试验保持一致，计算得到材料的温度场分布和随时间的变化情况，提取材料背面中心位置温度随时间的变化曲线；
将试验得到的温升曲线与模拟得到的温升曲线进行对比，若试验结果与模拟结果偏差不大，则认为模型可较好地反映激光辐照过程；若试验结果与模拟结果偏差较大，则继续修正模型参数，直至模型结果与试验结果对应良好。
进一步，所述步骤S3具体为：将激光参数作为激光辐照金属材料损伤时间预测模型的输入参数。
进一步，所述激光参数包括激光功率密度和光斑半径。
进一步，所述步骤S4具体包括：
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，选取激光功率密度和光斑半径为输入因子，针对每个输入因子取十个水平进行排列组合，得到100组工况；
在不同工况下，提取模型中材料背面中心位置的温度随时间变化曲线，得到材料背面中心位置达到熔融温度的时间，即材料的损伤时间。
进一步，所述步骤S5中的多种激光辐照金属材料损伤时间预测模型包括BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型；所述的GA-BP神经网络模型采用遗传算法GA对BP神经网络进行优化；将不同工况下的仿真数据输入至对应的BP神经网络、GA-BP神经网络和多元非线性回归模型进行训练。
进一步，所述对于基于BP神经网络模型的损伤时间预测模型，建立三层神经网络预测模型，根据经验公式确定预测模型的隐含层神经元数量。
本发明的另一目的在于提供一种激光辐照金属材料损伤时间预测系统，包括：
有限元分析模块，用于建立连续激光辐照金属材料的模型，进行网格划分和无关性检验；
试验验证模块，用于通过激光辐照试验对模型进行验证，并比较试验和模拟得到的温升曲线；
参数选择模块，用于结合实际工况选定损伤时间预测模型的输入参数；
损伤时间计算模块，根据输入参数计算不同工况下材料发生损伤的时间；
模型训练模块，用于建立多种损伤时间预测模型，并用相同的仿真数据进行训练；
模型选择模块，用于根据瞬态热分析结果对比不同模型的精度，并选择误差最小的模型作为最终预测模型。
本发明的另一目的在于提供一种激光辐照金属材料温升曲线对比系统，包括：
激光辐照试验平台，用于搭建试验环境，控制辐照时间和参数，记录材料背面中心温度随时间的变化曲线；
有限元分析模块，用于根据激光辐照金属材料的有限元分析模型进行数值模拟，并提取材料背面中心位置温度随时间的变化曲线；
曲线对比模块，用于将试验得到的温升曲线与模拟得到的温升曲线进行对比，判断模型的有效性；
参数调整模块，用于在试验结果与模拟结果偏差较大时修正模型参数，直至模型结果与试验结果一致。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明提供的一种激光辐照金属的损伤时间预测方法，通过建立激光辐照金属材料的有限元分析模型并验证其有效性，在选定输入参数为激光功率密度和光斑半径的情况下得到了不同工况下损伤时间数据集，基于该数据集建立了多种激光辐照金属材料的损伤时间预测模型，最终通过精度对比得到最优损伤时间预测模型。该方法弥补了传统的激光辐照试验方法和有限元仿真方法耗时长、步骤繁琐的缺点，有效地克服了传统方法的局限性，为激光辐照金属材料的损伤时间预测提供了新的思路方法。
第二、本发明所提供的激光辐照金属材料损伤时间预测方法通过输入激光功率密度和光斑半径，即可通过模型计算得到材料的损伤时间，实现对材料损伤时间的预测，可用于评估激光的毁伤能力和材料的抗激光毁伤能力。基于机器学习模型和多元非线性回归模型，得到了高精度损伤时间预测模型，实现了激光辐照金属材料低成本、高精度、高效率的损伤时间预测。
第三、本发明的技术方案转化后的预期收益和商业价值为：本发明提供的一种激光辐照金属材料的损伤时间预测方法减少了传统实验方法和有限元方法带来的人力、物力、财力的浪费，实现低成本、高效率、高精度的损伤时间预测。同时，可以帮助评估材料的抗激光毁伤性能，通过了解材料的抗激光毁伤特性，企业可以优化材料选型，提供更为良好的产品和服务；另一方面，还可以帮助评估激光的毁伤能力，企业可以通过优化激光参数以提高激光能量的利用率，从而提高生产效率和资源利用率。
本发明的技术方案填补了国内外业内技术空白：目前激光辐照金属材料的损伤时间获取方法为实验方法和有限元方法，本发明基于机器学习建立了损伤时间预测模型，同时建立了多元非线性回归模型，通过精度对比得到了最优损伤时间预测模型，实现了激光辐照金属材料的损伤时间高精度预测，避免了部分情况下激光辐照试验难以进行或仿真方法错误的问题。
本发明的技术方案克服了技术偏见：本发明通过将激光功率密度和光斑半径导入预测模型，即可通过内部数理模型计算得到金属材料的损伤时间，技术人员无需技术操作即可得到材料损伤时间。传统的实验方法对实验条件以及测量技术具有较高要求，有限元方法又有着较高的软件使用门槛，而本发明提供的预测方法无任何技术层面的要求，大大降低了目前激光辐照金属材料损伤时间获取的门槛。
第四、本发明的激光辐照金属材料的损伤时间预测方法涉及材料科学、激光物理以及数值模拟等多个领域。下面是该技术进步的一些显著特点和优势：
1)高精度模拟：通过建立有限元分析模型，并进行网格无关性检验，确保模型的计算结果具有高度精确性。这个步骤是至关重要的，因为有限元模型的准确性直接影响预测结果的可靠性。
2)实验验证：通过激光辐照试验对模型进行验证，将实验数据与模拟数据进行对比，这个过程可以确保模型不仅在理论上是合理的，而且在实际应用中也是有效的。
3)参数优化：选择合适的输入参数对于模型的预测精度至关重要。这些参数必须能够准确地反映真实工况下金属材料在激光辐照下的行为。
4)损伤时间预测：根据输入参数预测不同工况下材料发生损伤的时间，这对于材料的使用和保护具有重要意义。
5)模型多样性与训练：建立多种损伤时间预测模型，并使用相同的仿真数据进行训练，这种方法可以提高模型的通用性和鲁棒性。
6)模型精度对比与选择：通过对比不同模型的预测精度，选择误差最小的模型作为最终预测工具，这一步骤确保了预测结果的高精度和可靠性。
本发明的技术进步体现在预测的准确性、模型的适用性和实用性上，能够对激光辐照下金属材料的损伤程度和时间进行科学的预测，对于材料的设计、应用和维护都有着重要的意义。此外，这种方法可以减少实验的成本和时间，加速材料的性能评估和研发过程。
附图说明
图1是本发明实施例提供的激光辐照金属材料的损伤时间预测方法流程图。
图2是本发明的方法流程框架图。
图3是本发明所建立的连续激光辐照金属材料有限元数值模拟流程图。
图4为有限元网格划分示意图。
图5是试验与模拟温升结果对比图。
图6是光斑半径为2cm时不同激光功率(100W/cm2～1000W/cm2)下材料的损伤时间变化曲线图。
图7是激光辐照金属材料损伤时间预测神经网络模型示意图。
图8是GA-BP神经网络模型原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供一种激光辐照金属材料的损伤时间预测方法包括以下步骤：
S1、建立连续激光辐照金属材料的有限元分析模型并设置边界条件，对有限元网格进行网格划分，并进行网格无关性检验；
S2、通过进行激光辐照试验对模型进行验证，将试验得到的温升曲线与模拟得到的温升曲线进行对比，由此验证模型的有效性；
S3、结合实际工况，选定激光辐照金属材料损伤时间预测模型的输入参数；
S4、根据所选定的输入参数，得到不同工况下材料发生损伤的时间；
S5、建立多种激光辐照金属材料损伤时间预测模型，并采用相同的仿真数据进行模型训练；
S6、根据激光辐照金属材料瞬态热分析有限元模型结果，对比不同损伤时间预测模型的精度，选取误差最小的损伤时间预测模型作为金属材料受激光辐照损伤时间预测模型。
本发明的激光辐照金属材料的损伤时间预测方法是一个结合了有限元分析、实验验证、参数优化和模型选择的综合方法。下面是这个方法的详细工作原理：
步骤一：建立有限元分析模型
利用有限元分析(FEA)软件建立连续激光辐照金属材料的模型。这个模型考虑了金属的热物理性质和激光与材料的相互作用。
设置边界条件，如激光功率、辐照时间、环境温度等。
进行网格划分以模拟金属材料的内部和表面温度分布，并进行网格无关性检验以确保结果的准确性。
步骤二：模型验证
实际进行激光辐照试验，并记录金属材料的温升曲线。
将试验得到的温升曲线与有限元模型模拟的温升曲线进行对比，验证模型的有效性。
步骤三：选定输入参数
根据实际的工况条件，如激光功率、辐照时间、材料类型等，选定影响金属材料损伤时间的关键输入参数。
步骤四：损伤时间预测
使用有限元模型，根据所选定的输入参数计算不同工况下材料发生损伤的时间。
步骤五：建立预测模型
建立多种基于不同理论和假设的激光辐照金属材料损伤时间预测模型。
使用相同的仿真数据集对这些模型进行训练。
步骤六：模型精度比较和选择
利用激光辐照金属材料的瞬态热分析有限元模型结果，比较不同损伤时间预测模型的精度。
选择误差最小的模型作为最终的损伤时间预测模型。
本发明的技术优势：
1)高精度模拟：通过精确的有限元分析，模型能够详细模拟激光辐照过程中金属材料的温度变化，为损伤预测提供准确的基础数据。
2)实验验证：通过实际激光辐照试验与模拟结果的对比验证，确保模型的实际应用准确性。
3)参数优化：结合实际工况选定关键参数，使模型更贴近实际应用条件。
4)模型多样性：构建多种预测模型，增加了选择的多样性，提高了模型的适应性和灵活性。
5)精度比较与选择：通过比较不同模型的预测精度，选取最优模型，确保预测结果的准确性和可靠性。
6)广泛应用性：此方法不仅适用于特定类型的金属材料，还可以扩展到其他类型的材料和不同的激光辐照条件。
本发明提供的激光辐照金属材料的损伤时间预测方法通过集成有限元分析、实验验证、参数选择、多模型建立和精度比较等多个步骤，提供了一种高效、准确的损伤时间预测工具，对于提高激光加工的安全性和效率具有重要意义。
本发明提供的步骤S1中的连续激光辐照金属材料的有限元分析模型包括金属材料的结构尺寸、材料参数、激光参数与热源模型；结构尺寸主要包括长度、宽度和厚度，材料参数主要包括密度、比热容和导热系数，激光参数主要为激光功率密度和光斑半径。
本发明提供的步骤S1中的网格无关性检验具体包括：
根据模型初步进行网格划分，在其他条件不变的情况下重新划分网格，逐步增大网格数量并进行数值模拟；
比较相邻网格数量下的模型计算结果，当两次数值模拟误差在5％以内，则可认为网格数量合适。
本发明提供的步骤S2具体包括：
搭建激光辐照试验平台，将某种典型工况下的各类参数作为试验参数，同时将热电偶传感器的探针固定于材料背面中心位置，控制辐照时间为5s，辐照结束后通过热电偶提取得到材料背面中心温度随时间的变化曲线；
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，输入模型的各类参数与试验保持一致，计算得到材料的温度场分布和随时间的变化情况，提取材料背面中心位置温度随时间的变化曲线；
将试验得到的温升曲线与模拟得到的温升曲线进行对比，若试验结果与模拟结果偏差不大，则认为模型可较好地反映激光辐照过程；若试验结果与模拟结果偏差较大，则继续修正模型参数，直至模型结果与试验结果对应良好。
本发明提供的步骤S3具体为：将激光参数作为激光辐照金属材料损伤时间预测模型的输入参数。
本发明提供的激光参数包括激光功率密度和光斑半径。
本发明提供的步骤S4具体包括：
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，选取激光功率密度和光斑半径为输入因子，针对每个输入因子取十个水平进行排列组合，得到100组工况；
在不同工况下，提取模型中材料背面中心位置的温度随时间变化曲线，得到材料背面中心位置达到熔融温度的时间，即材料的损伤时间。
本发明提供的步骤S5中的多种激光辐照金属材料损伤时间预测模型包括BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型；所述的GA-BP神经网络模型采用遗传算法GA对BP神经网络进行优化；将不同工况下的仿真数据输入至对应的BP神经网络、GA-BP神经网络和多元非线性回归模型进行训练。
本发明提供的对于基于BP神经网络模型的损伤时间预测模型，建立三层神经网络预测模型，根据经验公式确定预测模型的隐含层神经元数量。
如图2所示，本实施例提供了一种激光辐照金属材料的损伤时间预测方法，该方法包括以下步骤：
S1、建立连续激光辐照金属材料的有限元分析模型并设置边界条件，对有限元网格进行网格划分，并进行网格无关性检验；
如图3所示构建连续激光辐照金属材料的有限元分析模型的步骤主要有前处理、仿真计算、后处理三个步骤。前处理主要包括的操作流程为：建立材料的几何模型，输入各项材料参数。在此以7075铝合金为例，其热物性参数如表1所示。
表1 7075铝合金的热物性参数
输入选用的激光热源模型，确定各项激光参数，热源模型采用的为高斯分布平面热源模型，表达式为：
式中，Q为激光束辐照材料表面产生的热源效应，P为入射激光功率，r为光斑半径，a为材料表面对激光的吸收率。
确定模型的边界条件，考虑辐射散热和对流散热，输入空气对流系数、热辐射系数、环境温度和材料初始温度。设置环境温度为20℃，材料初始温度为20℃，对流换热系数为10W/(m2·K)，辐射率为0.2，其边界条件可以表示为：
式中，k表示材料的导热系数，δ表示材料厚度，h表示对流换热系数，ε表示热辐射系数，σ为玻尔兹曼常数，Tint为初始温度，Tamb为环境温度。
对模型进行网格划分，通过网格无关性分析确定网格尺寸和数量。最终确定网格尺寸为2mm×2mm×1mm，计算域内网格总数为10000，如图4所示。
在模型仿真计算阶段，主要的操作流程为：选择合适的求解器进行求解，可供选择的求解器有直接求解器、稀疏矩阵求解器和迭代求解器，本模型需要在非线性条件下求解瞬态温度场，故选择迭代求解器，有助于缩短计算时间和提升计算精度；确定合适的求解时间的仿真步长，在此选择的求解时间为10s，仿真步长为0.01s；完成上述设置后，便可进行仿真计算。
在模型后处理阶段，主要的操作流程为：获取材料背面中心位置的温度随时间变化曲线，由此得到材料该位置达到熔融温度的时间，输出为材料损伤时间。
S2、通过进行激光辐照试验对模型进行验证，将试验得到的温升曲线与模拟得到的温升曲线进行对比，由此验证模型的有效性；
搭建激光辐照试验平台，试验样品为7075铝合金，尺寸大小为100mm×100mm×4mm。试验使用的激光功率为1000W，辐照时间为5s。在激光辐照过程中，通过固定于材料背面中心处的K型热电偶测量材料背面中心区域的温度。模拟计算1000W的激光功率作用下铝合金背面中心位置温度，并与实验中热电偶测得的温度数据进行对比。对比结果如图5所示。辐照前期的略微偏差对材料损伤时间的影响不大，而辐照1s后模拟与试验结果吻合十分良好。整体而言，仿真模型可较好地反映材料的温度响应情况，得到的损伤时间较为可信。
S3、结合实际工况，选定激光辐照金属材料损伤时间预测模型的输入参数；
在实际激光辐照过程中，激光参数、材料参数、环境因素等都会影响材料的损伤时间，其中激光参数为最重要的影响参数，并且材料结构、尺寸、环境温度、气流速度等不具备普适性，因此选择激光参数(激光功率密度和光斑半径)作为激光辐照金属材料的损伤时间预测模型的输入参数。
S4、根据所选定的输入参数，得到不同工况下材料发生损伤的时间；
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，选取激光功率密度和光斑半径为输入因子，激光功率密度范围为100W/cm2～1000W/cm2，光斑半径的范围为0.5cm～5cm，针对每个输入因子取十个水平进行排列组合，得到100组工况下材料的损伤时间数据集。图6为光斑半径为2cm时，不同激光功率下材料的损伤时间变化曲线。
S5、建立多种激光辐照金属材料损伤时间预测模型，并采用相同的仿真数据进行模型训练；
在本实施例中，多种激光辐照金属材料的损伤时间预测模型包括BP神经网络、GA-BP神经网络和多元线性回归模型。
如图7所示，搭建了三层BP神经网络结构，其中输入层单元为步骤S3中确定的输入因子，即激光功率密度和光斑半径，输出层单元为材料的损伤时间，同时根据经验公式确定预测模型的隐含层神经元数量为7，其中经验公式为：
式中，l为隐含层神经元数量，p为输入层神经元数量，q为输出层神经元数量，a为常数，取值范围一般为1～10，在此取a＝5。
训练数据集采用的为步骤S4中经仿真得到的损伤时间数据集，分别取其中80％和20％作为训练数据集和测试数据集。
由于传统BP神经网络为基于梯度下降算法，能够在局部可行域内快速搜索到局部最优解，但是易在样本学习初期陷入局部极值问题。因此利用遗传算法具备的全局搜索能力优化BP神经网络，得到GA-BP神经网络模型，如图8所示。
在GA-BP算法中，遗传算法主要用来增强模型的全局寻优能力，而BP算法则主要起到局部逼近的作用，主要步骤如下：
种群初始化：产生一个包含N个个体的种群，每个个体由神经元之间的连接权值和阈值组成，个体编码采用实数编码，而每个个体染色体编码长度由网络的结构确定；
确定个体适应度函数：适应度函数用于评价个体在自然进化过程的优良程度，此处的个体适应度函数F为BP神经网络损伤时间预测值与损伤时间实际值之间误差绝对值之和，计算公式如下：
式中，yk为损伤时间实际值，Yk为损伤时间预测值。
选择：由于个体适应度为损伤时间预测值与损伤时间实际值之间误差绝对值之和，所以个体适应度越小，该个体越有被选择保留下来，从而繁衍下一代。个体被选中的概率与个体适应度成反比，选择概率pi满足下式：
交叉：将两个染色体上的随机位置处的部分基因信息进行交换，从而形成两个新的染色体，产生新个体的方法称为交叉运算。已经配对好的一对染色体组k和l，在j基因位置处的交叉运算结果满足下式：
式中，akj为染色体k在j位置处的基因，alj为染色体l在j位置处的基因，b为0～1之间的随机数。
变异：变异运算类似于生物进化中环境因素导致的基因突变。它是指染色体在复制过程中部分基因会发生小概率改变，从而产生新的个体。染色体i在第j个基因位置变异的结果满足下式：
式中，amin为基因下界，amax为基因上界，r2为随机数，r为变异概率，g为当前迭代次数，Gmax为最大迭代次数。
当迭代次数到达最大迭代次数或误差小于阈值时，此时更新得到的权值和阈值为全局最优，此时再对GA-BP神经网络模型进行训练，利用测试数据集对损伤时间预测精度进行测试验证。
对于多元非线性回归模型，首先应当考虑不同输入因子与损伤时间的关系，得到不同输入因子与损伤时间存在线性关系时的幂值，得到下列关系：
其中，s为损伤时间，x1为激光功率密度，x2为光斑半径，m1和m2分别对应不同输入因子的斜率，n1和n2分别对应不同输入因子的截距，t1和t2分别对应不同输入因子的幂值。
同时应当考虑不同输入因子之间的相互作用，最后得到相应的数学表达式为：
其中，k0、k1、k2、k3为回归系数。
S6、根据激光辐照金属材料瞬态热分析有限元模型与激光辐照试验结果，对比不同损伤时间预测模型的精度，选取误差最小的损伤时间预测模型作为激光辐照金属材料的损伤时间预测模型。
针对选取的测试数据集，采用构建的BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型对材料损伤时间进行预测，并将预测结果与实际仿真结果进行对比分析。通过比较不同模型预测的最大绝对误差(MAE)和均方根误差(RMSE)，判断三种模型的预测精度，最终选取误差最小的损伤时间预测模型作为激光辐照金属材料的损伤时间预测模型。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
本实施例建立了连续激光辐照7075铝合金有限元分析模型，网格划分及几何模型如图4所示；通过激光辐照试验的方法验证了模型的有效性，模拟结果与试验结果对比如图5所示；结合实际工况，选定激光功率密度和光斑半径为损伤时间预测模型的输入参数，得到了不同输入参数下的损伤时间数据集，图6为光斑半径为2cm时不同激光功率下材料的损伤时间变化曲线；基于仿真数据集，建立了多种激光辐照金属材料损伤时间预测模型，包括BP神经网络、GA-BP神经网络和多元线性回归模型，神经网络结构如图7所示，GA-BP神经网络模型如图8所示；最后通过进行不同损伤时间预测模型之间的精度对比，得到最优损伤时间预测模型，实现激光辐照7075铝合金损伤时间的低成本、高精度预测。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种激光辐照金属材料的损伤时间预测方法，其特征在于，包括以下步骤：
S1、建立连续激光辐照金属材料的有限元分析模型并设置边界条件，对有限元网格进行网格划分，并进行网格无关性检验；
S2、通过进行激光辐照试验对模型进行验证，将试验得到的温升曲线与模拟得到的温升曲线进行对比，由此验证模型的有效性；
S3、结合实际工况，选定激光辐照金属材料损伤时间预测模型的输入参数；
S4、根据所选定的输入参数，得到不同工况下材料发生损伤的时间；
S5、建立多种激光辐照金属材料损伤时间预测模型，并采用相同的仿真数据进行模型训练；
S6、根据激光辐照金属材料瞬态热分析有限元模型结果，对比不同损伤时间预测模型的精度，选取误差最小的损伤时间预测模型作为金属材料受激光辐照损伤时间预测模型。
2.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S1中的连续激光辐照金属材料的有限元分析模型包括金属材料的结构尺寸、材料参数、激光参数与热源模型；结构尺寸主要包括长度、宽度和厚度，材料参数主要包括密度、比热容和导热系数，激光参数主要为激光功率密度和光斑半径，热源模型采用的为高斯分布平面热源模型，表达式为：
式中，Q为激光束辐照材料表面产生的热源效应，P为入射激光功率，r为光斑半径，a为材料表面对激光的吸收率。
3.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S1中的网格无关性检验具体包括：
根据模型初步进行网格划分，在其他条件不变的情况下重新划分网格，逐步增大网格数量并进行数值模拟；
比较相邻网格数量下的模型计算结果，当两次数值模拟误差在5％以内，则可认为网格数量合适。
4.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S2具体包括：
搭建激光辐照试验平台，将某种典型工况下的各类参数作为试验参数，同时将热电偶传感器的探针固定于材料背面中心位置，控制辐照时间为5s，辐照结束后通过热电偶提取得到材料背面中心温度随时间的变化曲线；
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，输入模型的各类参数与试验保持一致，计算得到材料的温度场分布和随时间的变化情况，提取材料背面中心位置温度随时间的变化曲线；
将试验得到的温升曲线与模拟得到的温升曲线进行对比，若试验结果与模拟结果偏差不大，则认为模型可较好地反映激光辐照过程；若试验结果与模拟结果偏差较大，则继续修正模型参数，直至模型结果与试验结果对应良好。
5.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S3具体为：将激光参数作为激光辐照金属材料损伤时间预测模型的输入参数；所述激光参数包括激光功率密度和光斑半径。
6.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S4具体包括：
基于步骤S1建立的连续激光辐照金属材料的有限元分析模型，选取激光功率密度和光斑半径为输入因子，针对每个输入因子取十个水平进行排列组合，得到100组工况；
在不同工况下，提取模型中材料背面中心位置的温度随时间变化曲线，得到材料背面中心位置达到熔融温度的时间，即材料的损伤时间。
7.如权利要求1所述激光辐照金属材料的损伤时间预测方法，其特征在于，所述步骤S5中的多种激光辐照金属材料损伤时间预测模型包括BP神经网络模型、GA-BP神经网络模型和多元非线性回归模型；所述的GA-BP神经网络模型采用遗传算法GA对BP神经网络进行优化；将不同工况下的仿真数据输入至对应的BP神经网络、GA-BP神经网络和多元非线性回归模型进行训练；
所述对于基于BP神经网络模型的损伤时间预测模型，建立三层神经网络预测模型，根据经验公式确定预测模型的隐含层神经元数量。
8.一种激光辐照金属材料损伤时间预测系统，其特征在于，包括：
有限元分析模块，用于建立连续激光辐照金属材料的模型，进行网格划分和无关性检验；
试验验证模块，用于通过激光辐照试验对模型进行验证，并比较试验和模拟得到的温升曲线；
参数选择模块，用于结合实际工况选定损伤时间预测模型的输入参数；
损伤时间计算模块，根据输入参数计算不同工况下材料发生损伤的时间；
模型训练模块，用于建立多种损伤时间预测模型，并用相同的仿真数据进行训练；
模型选择模块，用于根据瞬态热分析结果对比不同模型的精度，并选择误差最小的模型作为最终预测模型。
9.一种激光辐照金属材料温升曲线对比系统，其特征在于，包括：
激光辐照试验平台，用于搭建试验环境，控制辐照时间和参数，记录材料背面中心温度随时间的变化曲线；
有限元分析模块，用于根据激光辐照金属材料的有限元分析模型进行数值模拟，并提取材料背面中心位置温度随时间的变化曲线；
曲线对比模块，用于将试验得到的温升曲线与模拟得到的温升曲线进行对比，判断模型的有效性；
参数调整模块，用于在试验结果与模拟结果偏差较大时修正模型参数，直至模型结果与试验结果一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410068133.6A CN117852361A (zh) | 2024-01-17 | 2024-01-17 | 一种激光辐照金属材料的损伤时间预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410068133.6A CN117852361A (zh) | 2024-01-17 | 2024-01-17 | 一种激光辐照金属材料的损伤时间预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117852361A true CN117852361A (zh) | 2024-04-09 |
Family
ID=90548105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410068133.6A Pending CN117852361A (zh) | 2024-01-17 | 2024-01-17 | 一种激光辐照金属材料的损伤时间预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852361A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107462597A (zh) * | 2017-07-26 | 2017-12-12 | 华中科技大学 | 一种金属材料对激光的吸收率的标定方法 |
| CN108982392A (zh) * | 2018-09-28 | 2018-12-11 | 中国科学院长春光学精密机械与物理研究所 | 一种激光吸收率测量装置及激光吸收率测量方法 |
| CN111931408A (zh) * | 2020-08-13 | 2020-11-13 | 广东工业大学 | 一种激光层裂过程的有限元模拟方法 |
| US20210082569A1 (en) * | 2019-09-13 | 2021-03-18 | Siemens Healthcare Gmbh | Method and data processing system for providing a prediction of a medical target variable |
| CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和系统 |
| CN113962124A (zh) * | 2021-10-20 | 2022-01-21 | 西安交通大学 | 一种激光诱导超声参数优化方法及系统 |
| CN115203917A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工业大学 | 一种基于空间辐照的pka信息的智能预测方法及系统 |
| CN115647940A (zh) * | 2022-11-10 | 2023-01-31 | 大连理工大学 | 一种激光同步辅助超声侧面磨削硬脆材料的方法 |
| CN115879360A (zh) * | 2022-09-09 | 2023-03-31 | 苏州金燧光电科技有限公司 | 基于神经网络算法推演激光参数组合产生强光辐射的方法 |
-
2024
- 2024-01-17 CN CN202410068133.6A patent/CN117852361A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107462597A (zh) * | 2017-07-26 | 2017-12-12 | 华中科技大学 | 一种金属材料对激光的吸收率的标定方法 |
| CN108982392A (zh) * | 2018-09-28 | 2018-12-11 | 中国科学院长春光学精密机械与物理研究所 | 一种激光吸收率测量装置及激光吸收率测量方法 |
| US20210082569A1 (en) * | 2019-09-13 | 2021-03-18 | Siemens Healthcare Gmbh | Method and data processing system for providing a prediction of a medical target variable |
| CN111931408A (zh) * | 2020-08-13 | 2020-11-13 | 广东工业大学 | 一种激光层裂过程的有限元模拟方法 |
| CN113241132A (zh) * | 2021-05-07 | 2021-08-10 | 北京理工大学 | 一种材料辐照损伤预测机器学习模型的建立方法和系统 |
| CN113962124A (zh) * | 2021-10-20 | 2022-01-21 | 西安交通大学 | 一种激光诱导超声参数优化方法及系统 |
| CN115203917A (zh) * | 2022-06-30 | 2022-10-18 | 哈尔滨工业大学 | 一种基于空间辐照的pka信息的智能预测方法及系统 |
| CN115879360A (zh) * | 2022-09-09 | 2023-03-31 | 苏州金燧光电科技有限公司 | 基于神经网络算法推演激光参数组合产生强光辐射的方法 |
| CN115647940A (zh) * | 2022-11-10 | 2023-01-31 | 大连理工大学 | 一种激光同步辅助超声侧面磨削硬脆材料的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马健等: "基于有限元的脉冲激光辐照材料温度场研究", 激光与红外, 20 January 2015 (2015-01-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elkholy et al. | Optimal parameters estimation and modelling of photovoltaic modules using analytical method | |
| Sohani et al. | Employing genetic programming to find the best correlation to predict temperature of solar photovoltaic panels | |
| Zhang et al. | Computational fluid dynamics-based hull form optimization using approximation method | |
| Lu et al. | Probabilistic analyses of structural dynamic response with modified Kriging-based moving extremum framework | |
| Yu et al. | A dynamic all parameters adaptive BP neural networks model and its application on oil reservoir prediction | |
| Verstraete et al. | Design and optimization of the internal cooling channels of a high pressure turbine blade—Part II: Optimization | |
| Madadi et al. | Optimization of the location of multiple discrete heat sources in a ventilated cavity using artificial neural networks and micro genetic algorithm | |
| Tsai | Thermal parameters optimization of a reflow soldering profile in printed circuit board assembly: A comparative study | |
| CN107562992B (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
| Lun et al. | An I–V model based on time warp invariant echo state network for photovoltaic array with shaded solar cells | |
| Lu et al. | An Effective ABC‐SVM Approach for Surface Roughness Prediction in Manufacturing Processes | |
| Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
| CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
| Pandita et al. | Application of deep transfer learning and uncertainty quantification for process identification in powder bed fusion | |
| Jeon et al. | Finite volume method network for the acceleration of unsteady computational fluid dynamics: Non‐reacting and reacting flows | |
| Shi et al. | Process-structure multi-objective inverse optimisation for additive manufacturing of lattice structures using a physics-enhanced data-driven method | |
| Karapiperis et al. | Prediction and control of fracture paths in disordered architected materials using graph neural networks | |
| Tzuc et al. | Sensitivity analysis with artificial neural networks for operation of photovoltaic systems | |
| Xie et al. | Bayesian inverse uncertainty quantification of a MOOSE-based melt pool model for additive manufacturing using experimental data | |
| Yadav et al. | A novel metaheuristic jellyfish optimization algorithm for parameter extraction of solar module | |
| Wang et al. | Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine | |
| CN117852361A (zh) | 一种激光辐照金属材料的损伤时间预测方法及系统 | |
| Whyte et al. | Surrogate model optimization of a ‘micro core’pwr fuel assembly arrangement using deep learning models | |
| Yadav et al. | A combined neural network and simulated annealing based inverse technique to optimize the heat source control parameters in heat treatment furnaces | |
| Wang | Optimized light guide plate optical brightness parameter: integrating back-propagation neural network (BPN) and revised genetic algorithm (GA) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |