杨榛
,
顾幸生
,
梁晓怿
,
张睿
,
凌立成
新型炭材料
doi:10.3969/j.issn.1007-8827.2007.04.011
在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较.结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.012 7和0.060 0,且BP人工神经网络易陷入局部最小.因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据.可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径.
关键词:
炭材料
,
高温黏结剂
,
剪切强度
,
RBF人工神经网络
杨榛
,
顾幸生
,
梁晓怿
,
凌立成
材料导报
综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议.
关键词:
复合材料优化设计
,
模式识别
,
神经网络
