用神经网络─遗传算法优化MgO-B_2O_3─SiO_2渣系组成

金属学报

1995, Vol. 31

Issue (18): 284-288

论文

本期目录 | 过刊浏览

用神经网络─遗传算法优化MgO-B_2O_3─SiO_2渣系组成

张培新;张奇志;吴黎明;隋智通

东北大学

OPTIMIZATION OF MgO-B_2O_3-SiO_2 SLAGGING USING ARTIFICIAL NEURAL NETWORK AND GENETIC ALGORITHM

ZHA NG Peixin; ZHA NG Qizhi; W U Liming; SUI Zhitong(Northeasiern Unirersity.Shenyang 110006)

引用本文:

张培新;张奇志;吴黎明;隋智通. 用神经网络─遗传算法优化MgO-B_2O_3─SiO_2渣系组成[J]. 金属学报, 1995, 31(18): 284-288.
, , , . OPTIMIZATION OF MgO-B_2O_3-SiO_2 SLAGGING USING ARTIFICIAL NEURAL NETWORK AND GENETIC ALGORITHM[J]. Acta Metall Sin, 1995, 31(18): 284-288.

全文: PDF(289 KB)

摘要:

应用人工神经网络对ＭｇＯ－Ｂ_２Ｏ_３－ＳｉＯ_２渣系组成与硼提取率关系进行拟合和预测，首次采用遗传算法对组成优化，并得到最佳硼提取率所对应的组成。

关键词 ：神经网络, 遗传算法, 组成, 优化, ＭｇＯ－Ｂ_２Ｏ_３－ＳｉＯ_２渣系

Abstract：

The relation among the MgO-B2O3-SiO2 slag compositions and the efficiencies of extraction of B has been fitted and predicated by artificial neural network. The optimum composition corresponding to the highest efficiency of extraction of B was obtained using genetic algorithm. It is believed that the artificial neural network and genetic algorithm may provide a new and effective way for fitting and optimizing the process of extraction of B.

Key words： : artificial neural network genetic algorithm optimization of composition boron MgO-B_2O_3 SiO_2 slag

基金资助:

国家自然科学基金

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张培新
	张奇志
	吴黎明
	隋智通
44.8K

链接本文:

https://www.ams.org.cn/CN/ 或 https://www.ams.org.cn/CN/Y1995/V31/I18/284

1ZhangPeixin,SuiZhitong．MetallMaterTrans,．1995;26B:3452HopfieldJJ．ProcNatAcadSciUSA,1982;79:25543PsaltisD,SiderisA,Yamanmuya．IEEEControlSystMag,1988;8:174GishH,In:ProcIEEEIntConfonAccosties,SpeechandSignalProcessing,1990:13615BarronAR,VanStratenFW,BarronRL,In:ProcIEEEIntConfonCyberneticsandSociely,1977:7246FunahashiK．NeuralNetworks．1989:2:183

[1]	毕中南, 秦海龙, 刘沛, 史松宜, 谢锦丽, 张继. 高温合金锻件残余应力量化表征及控制技术研究进展[J]. 金属学报, 2023, 59(9): 1144-1158.
[2]	冀秀梅, 侯美伶, 王龙, 刘玠, 高克伟. 基于机器学习的中厚板变形抗力模型建模与应用[J]. 金属学报, 2023, 59(3): 435-446.
[3]	高建宝, 李志诚, 刘佳, 张金良, 宋波, 张利军. 计算辅助高性能增材制造铝合金开发的研究现状与展望[J]. 金属学报, 2023, 59(1): 87-105.
[4]	张金勇, 赵聪聪, 吴宜谨, 陈长玖, 陈正, 沈宝龙. (Fe_0.33Co_0.33Ni_0.33)₈₄_-_x Cr₈Mn₈B _x 高熵非晶合金薄带的结构特征及其晶化行为[J]. 金属学报, 2022, 58(2): 215-224.
[5]	赵婉辰, 郑晨, 肖斌, 刘行, 刘璐, 余童昕, 刘艳洁, 董自强, 刘轶, 周策, 吴洪盛, 路宝坤. 基于Bayesian采样主动机器学习模型的6061铝合金成分精细优化[J]. 金属学报, 2021, 57(6): 797-810.
[6]	孙晓峰, 宋巍, 梁静静, 李金国, 周亦胄. 激光增材制造高温合金材料与工艺研究进展[J]. 金属学报, 2021, 57(11): 1471-1483.
[7]	盛鹰, 贾彬, 王汝恒, 陈国平. 一种原子尺度应变定义方法及其在识别微观缺陷演化中的应用[J]. 金属学报, 2020, 56(8): 1144-1154.
[8]	王富强, 刘伟, 王兆文. 铝电解槽中局部阴极电流增大对电解质-铝液两相流场的影响[J]. 金属学报, 2020, 56(7): 1047-1056.
[9]	杨杰, 王雷. 核电站DMWJ中材料拘束的影响与优化[J]. 金属学报, 2020, 56(6): 840-848.
[10]	唐海燕, 李小松, 张硕, 张家泉. 基于恒过热控制的感应加热中间包内钢水的流动与传热[J]. 金属学报, 2020, 56(12): 1629-1642.
[11]	范同祥, 刘悦, 杨昆明, 宋健, 张荻. 碳/金属复合材料界面结构优化及界面作用机制的研究进展[J]. 金属学报, 2019, 55(1): 16-32.
[12]	余滨杉,王社良,杨涛,樊禹江. 基于遗传算法优化的SMABP神经网络本构模型[J]. 金属学报, 2017, 53(2): 248-256.
[13]	曾宇翔,郭喜平,乔彦强,聂仲毅. Zr含量对Nb-Ti-Si基超高温合金组织及抗氧化性能的影响[J]. 金属学报, 2015, 51(9): 1049-1058.
[14]	梁静静，朱明，袁忠华,王君武,金涛,孙晓峰,胡壮麒. Re对NiCoCrAlY涂层合金相组成的影响[J]. 金属学报, 2013, 49(3): 330-340.
[15]	侯介山,周兰章,郭建亭,袁超. NiAl合金超塑性的人工神经网络预测[J]. 金属学报, 2013, 49(11): 1333-1338.

Viewed

Full text

Abstract

Cited

Shared

Discussed