金属学报  2008, Vol. 44 Issue (7): 799-802

论文 本期目录 | 过刊浏览 |

遗传神经网络改进正规溶液模型及其在二元渣系中的应用

吴令;姜周华;龚伟;梁连科

东北大学钢铁冶金研究所

The improvement of regular solution model based on GA-NN and its application in binary slag system

WU Ling

东北大学钢铁冶金研究所

吴令; 姜周华; 龚伟; 梁连科 . 遗传神经网络改进正规溶液模型及其在二元渣系中的应用[J]. 金属学报, 2008, 44(7): 799-802 .
, , , . The improvement of regular solution model based on GA-NN and its application in binary slag system[J]. Acta Metall Sin, 2008, 44(7): 799-802 .

摘要 参考文献 相关文章 Metrics 全文: PDF(1253 KB)   摘要: 利用遗传神经网络对正规溶液模型组元交互作用能进行了改进, 使之更接近实际溶液活度模型, 并将其应用于 MnO--SiO2及CaO--Al2O3二元渣系的组元活度计算. 由于实际溶液的性质不同于正规溶液, 在模型对交互作用能 Ω Mn-Si和ΩSi-Mn的计算时发现, Ωij不仅是温度和组成的函数, 而且在相同的温度和组 成时, Ωij≠Ωji. 通过将该模型的计算结果与大量文献数据进行对比研究, 发现该模型具有很强的非线性拟合能力, 能准确地预报实际溶液组元活度值. 关键词 ： 炉渣,  正规溶液,  活度,  神经网络,  遗传算法     Abstract：A method for improving the regular solution model by GA-NN is introduced in this article and the activity of component in MnO-SiO2 and CaO-Al2O3 binary system is estimated by this model. Due to the different properties between real solution and regular solution, it is proved that the interaction energy Ωij is the function of temperature and composition, and Ωij ≠Ωji at the same temperature and composition. With the comparison of results received by calculation and previous studies, a high nonlinear capability is found of the model, so it can be used to accurately predict the activity of solution component. Key words： Slag    Regular solution model    activity    NN    GA 收稿日期: 2007-11-08      ZTFLH:  TF534.1   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 吴令 姜周华 龚伟 梁连科 44.8K 链接本文: https://www.ams.org.cn/CN/      或      https://www.ams.org.cn/CN/Y2008/V44/I7/799 [1]Hidebrand J H.J Am Chem Soc,1929;51:2487 [2]Hardy H K.Acta Metall,1953;1:202 [3]Lupis C H,Elliot J F.Acta Metall,1967;15:265 [4]Rao B K D P,Gaskell D R.Metall Trans,1981;12B,311 [5]Schenck H,Frohberg M.Arch Eisenhüttenwes,1961;32: 509 [6]Ban-Ya S,Hino M.Tetsu Hagané,1988;74:1701 (万谷志郎，日野光兀．铁钢，1988；74：1701) [7]Abraham K P,Davies M W,Richardson F D.J Iron Steel Inst,1960;196:82 [8]Rey M.Physical Chemistry of Process Metallurgy.Lon- don:HAZELL,Watson & Viney LTD.,1948:247 [9]Richardson F D.In:Elliott J Fed.,Physical Chemistry of Steelmaking.New York:Technology Press.MIT,1958: 68 [10]Carter P T,Macfarlane T G.J Iron Steel Inst,1957;185: 54 [11]Rein R H,Chipman J.Trans AIME,1965;233:415 [12]Fujisawa T,Yamauchi M,Sakao H.CAMP ISIJ,1988;1: 1115 (藤泽敏治，山内睦文，坂尾弘．CAMP ISIJ,1988；1：1115) [1] 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. [2] 居天华, 舒念, 何维, 丁学勇. 合金溶液中溶质间活度相互作用系数预测模型[J]. 金属学报, 2023, 59(11): 1533-1540. [3] 马荣耀, 赵林, 王长罡, 穆鑫, 魏欣, 董俊华, 柯伟. 静水压力对金属腐蚀热力学及动力学的影响[J]. 金属学报, 2019, 55(2): 281-290. [4] 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. [5] 陈晓燕,金喆,白雪峰,周亦胄,金涛,孙晓峰. C对一种镍基高温合金与陶瓷型壳界面反应及润湿性的影响*[J]. 金属学报, 2015, 51(7): 853-858. [6] 荣冬松,姜勇,巩建鸣. 奥氏体不锈钢低温超饱和渗碳实验及热动力学模拟研究*[J]. 金属学报, 2015, 51(12): 1516-1522. [7] 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. [8] 余晖 KIM Youngmin 于化顺 YOU Bongsun 闵光辉. Mg-Zn-Zr-Ce合金高温变形行为与热加工性能研究[J]. 金属学报, 2012, 48(9): 1123-1131. [9] 佟振峰 戴勇 杨文 杨启法. 辐照与He协同作用对低活度铁素体/马氏体钢F82H微观结构的影响[J]. 金属学报, 2011, 47(7): 965-970. [10] 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. [11] 蒋光锐; 刘源; 李言祥; 苏彦庆; 郭景杰 . 多元合金熔体组元活度系数计算方法的改进[J]. 金属学报, 2007, 43(5): 503-508 . [12] 乐启炽; 崔建忠 . 三元系彩色热镀锌镀液热力学性质[J]. 金属学报, 2006, 42(11): 1182-1186 . [13] 连利仙; 刘颖; 叶金文; 高升吉; 涂铭旌 . 基于人工神经网络的Nd-Fe-Co-Zr-B系永磁合金磁性能的预测模型[J]. 金属学报, 2005, 41(5): 529-533 . [14] 齐乐华; 史忠科; 周计明; 李贺军 . 液--固挤压复合材料工艺参数的优化设计[J]. 金属学报, 2005, 41(10): 1025-1030 . [15] 李军伟; 彭志方 . 用人工神经网络法预测镍基单晶高温合金的蠕变断裂寿命[J]. 金属学报, 2004, 40(3): 257-262 . Viewed Full text Abstract Cited   Shared      Discussed