金属学报  2003, Vol. 39 Issue (12): 1251-1254

论文 本期目录 | 过刊浏览 |

人工神经网络预测变形高温合金的持久强度

王春水; 彭志方; 于洋洋

武汉大学动力与机械学院; 武汉 430072

王春水; 彭志方; 于洋洋 . 人工神经网络预测变形高温合金的持久强度[J]. 金属学报, 2003, 39(12): 1251-1254 .

摘要 参考文献 相关文章 Metrics 全文: PDF(166 KB)   摘要: 基于对变形镍基高温合金在不同温度和时间条件下合金成分及其持久强度数据归一化处理后的反向传播神经网络模拟, 得到了可以比较准确表达持久强度与合金成分、温度和时间之间间复杂非线性关系的权值矩阵由此可以对猜想基合金在不同湿度和时间条件下的持久强度进行预测. 结果表明, 用神经网络预测的持久强度与实验结果吻合良好, 从而证实了该网络模型的准确性和适用性. 关键词 ： 镍基变形高温合金,  人工神经网络,  持久强度     Key words： 收稿日期: 2003-01-06      ZTFLH:  TG146.1   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 王春水 彭志方 于洋洋 44.8K 链接本文: https://www.ams.org.cn/CN/Y2003/V39/I12/1251 [1] Harada H,Yamazaki M.Tetsu Hagane,1979;7:337 [2] Harada H, Ohno K, Yamagata T, Yokokawa T, Yamazaki M. In: Reichmann S, Duhl D N, Maurer G, Antolovic S, Lunds C eds, Superalloys 1． 988, PA, Warrendale: TMS AIME, 1988:733 [3] Yoo Y S, Jo C Y, Jones C N. Mater Sci Eng, 2002; A336:22 [4] Gui Z L, Chen L J. Mater Eng, 1992; 2:22(桂忠偻,陈立江.材料工程,1992;2:22) [5] Zhu R Z, Lu Y X. Heat-Resistant Steels and Superalloys.Beijing: Chemistry Industry Press, 1996:1(朱日彰,卢亚轩.北京:耐热钢和高温合金.化学工业出版社,1996:1) [6] Baldwin J. USP RE28 681, 1976 [7] Kondo T, Nakajima H, Shindo M, Tsuji H, Tanaka R,Isobe S, Ohta S, Watanabe R. USP 5 141 704, 1992 [8] Watanabe R, Chiba Y. USP 4 006 015, 1977 [9] Chen G L. Superalloys. Beijing: Metallurgy Industry Press, 1988:5(陈国良.高温合金学.北京:冶金工业出版社,1988:5) [10] Chong S. Theories and Applications of Neural Network for MATLAB Toolbox, Hefei: Chinese University of Science and Technology Press, 1998:8(丛爽.面向MATLAB工具箱的神经网络理论与应用,合肥:中国科学技术大学出版社,1998:8) [11] Hu T S. Prediction and Optimization of Artificial Neural Network. Dalian: Dalian University of Maritime Affairs Press, 1997:7(胡铁松.神经网络预测与优化.大连:大连海事大学出版社.1997:7) [12] Wen X, Zhou L. Application and Design of Artificial Neural Network for MATLAB. Beijing: Science Press,2000: 9(闻新,周露.MATLAB神经网络应用设计.北京:科学出版社.2000:9) [13] Yoshitake S, Narayan V, Harada H, Mackay D J C. ISIJ International, 1998; 38:495 [1] 梁凯, 姚志浩, 谢锡善, 姚凯俊, 董建新. 新型耐热合金SP2215组织与性能的关联性[J]. 金属学报, 2023, 59(6): 797-811. [2] 谭海兵, 黄烁, 王静, 李姝, 朱昌洪, 钟燕, 钟世林, 何爱杰. 白斑缺陷对GH4586合金组织和力学性能的影响[J]. 金属学报, 2020, 56(10): 1411-1422. [3] 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. [4] 姚志浩 董建新 张麦仓. GH738高温合金热变形过程显微组织控制与预测 I．组织演化模型的构建[J]. 金属学报, 2011, 47(12): 1581-1590. [5] 姚志浩 王秋雨 张麦仓 董建新. GH738高温合金热变形过程显微组织控制与预测 II．组织演化模型验证与应用[J]. 金属学报, 2011, 47(12): 1591-1599. [6] 邓天勇 吴迪 许云波 赵彦峰 刘相华 王国栋. 普碳钢中厚板热轧温度制定的一种新的数学方法[J]. 金属学报, 2009, 45(1): 67-72. [7] 由伟; 白秉哲; 方鸿生 ; 谢锡善 . 用人工神经网络模型预测钢的奥氏体形成温度[J]. 金属学报, 2004, 40(11): 1133-1137 . [8] 李新城; 陈光; 朱伟兴; 王匀; 张开华; 汪建敏 . 齿轮选材及热处理工艺智能专家系统[J]. 金属学报, 2004, 40(10): 1051-1054 . [9] 骆宇时; 彭志方 . 镍基高温合金中γ’和γ相点阵常数的简捷人工神经网络预测法[J]. 金属学报, 2003, 39(9): 897-902 . [10] 李锋军; 沈厚发; 柳百成 . 消失模铸造充型过程的模拟方法[J]. 金属学报, 2003, 39(7): 686-690 . [11] 由伟; 方鸿生; 白秉哲 . 用反向传播人工神经网络预测低碳低合金钢的马氏体转变开始温度[J]. 金属学报, 2003, 39(6): 630-634 . [12] 李萍; 薛克敏; 吕炎; 谭建荣 . 热变形参数对Ti-15-3合金显微组织的影响及预测[J]. 金属学报, 2002, 38(2): 145-148 . [13] 薛小怀; 钱百年; 于少飞; 国旭明; 杨柯; 訾炳涛 . 熔敷金属力学性能人工神经网络预测法的应用[J]. 金属学报, 2001, 37(9): 947-951 . [14] 张兆春;吴铸;李重河;钦佩;陈念贻. 模式识别─人工神经网络在改善汽车发动机缸体铸件力学性能方面的应用[J]. 金属学报, 1998, 34(10): 1068-1072. [15] 刘刚;陈瑞亮;李重河;陈念贻. 熔盐-液体金属相互溶解度的规律性[J]. 金属学报, 1997, 33(9): 939-942. Viewed Full text Abstract Cited   Shared      Discussed