System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及qio-bp神经网络,具体为一种qio-bp神经网络实现多类型铝合金屈服强度预测方法。
技术介绍
1、铝合金除具有铝的一般特性外,由于添加合金化元素的种类和数量的不同又具有一些合金的具体特性。有良好的铸造性能和塑性加工性能,良好的导电、导热性能,良好的耐蚀性和可焊性,可作结构材料使用,在航天、航空、交通运输、建筑、机电、轻化和日用品中有着广泛的应用。屈服强度是材料力学中的一个重要概念,它指的是材料在受到外力作用下,开始发生塑性变形的最小应力值。在工程中,屈服强度是一个非常重要的参数,它直接影响着材料的使用寿命和安全性能。
2、目前,针对屈服强度的预测方法研究有很多。现有技术将材料的流变行为和屈服强度贡献相结合建立屈服强度预测模型能够较好的预测出屈服强度。现有技术通过对两个现有模型的融合计算铝合金的屈服强度,结果表明器预测屈服强度与实际屈服强度基本吻合。现有技术研究了金属含量对屈服强度的影响,预测了不同含量si合金板的屈服强度。引入晶界和固溶强化对铝合金屈服强度的影响建立预测模型预测了不同时效条件下6063铝合金的屈服强度。通过对低强度和高强度冷轧钢板进行实验测试,建立了屈服强度的预测方程。
3、随着人工智能的快速发展,越来越多学者提出使用机器学习的方法建立屈服强度预测模型。使用bp神经网络探索了温度、ti粉颗粒尺寸和生坯密度对热爆炸物压缩屈服强度的影响,该预测模型与实验值非常吻合。采用灰色理论gm(0,3)+rbf神经网络模型预测连杆衬套屈服强度,模型预测能力较强,建模快速简单。采用梯度提升
4、二次插值被广泛用于逼近f(qio-bp神经网络实现多类型铝合金屈服强度预测方法)的最小值。在优化领域,它经常被整合到各种各样的优化技术中,以提高它们的搜索性能。但在实际应用中,在处理最小化问题时,对三点的选择并没有具体的要求。然而,当点选择不当时,可能会构造一个向上开口的抛物线,导致最大化而不是最小化。如果有一个特定的要求,选择三个点来建立一个向下的抛物线开口,这种限制在时间消耗和有效性方面带来了挑战。同时在优化算法中使用二次插值方法解决最小化问题时,一半的计算时间用于寻找插值函数的最大值,而不是预期的最小值,这大大增加了计算量,降低了搜索性能。因此,在优化算法中直接应用二次插值法存在一定的局限性。
技术实现思路
1、本专利技术的目的在于提供一种qio-bp神经网络实现多类型铝合金屈服强度预测方法,利用qio-bp神经网络实现多类型铝合金屈服强度预测,将铝合金的各金属含量、退火温度作为网络的11个输入。本文使用的数据集包含了89种合金,然后将模型与pso、ga优化的神经网络模型的预测结果进行对比分析以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:一种qio-bp神经网络实现多类型铝合金屈服强度预测方法,包括以下步骤:
3、第一步:构建一个3层的bp神经网络模型,隐含层激活函数为tansig函数;
4、第二步:输出层激活函数为purelin函数,并通过经验公式确定隐含层节点个数;
5、第三步:通过qio算法的快速收敛和快速寻优能力获取bp神经网络的初始权值和输出阈值,优化解决bp神经网络陷入局部最小值问题;
6、第四步:通过aso算法优化bp神经网络的初始值和阈值,并选取训练集和测试集的平均绝对误差作为aso的适应度值;
7、第五步:建立并储存qio-bp神经网络模型,并对该模型进行验证。
8、优选的,所述tansig函数为:
9、
10、优选的,所述purelin函数为:
11、m=2n+1
12、式中n为输入节点个数。
13、优选的,所述qio执行局部搜索时,当前个体的位置被更新为:
14、
15、
16、
17、式中n2服从标准正态分布,rd是来自[1,d]的随机整数,lbrd和ubrd分别是第(rd)维的下边界和上边界,w2为局部权值,是一种自适应系数。
18、与现有技术相比,本专利技术的有益效果是:该qio-bp神经网络实现多类型铝合金屈服强度预测方法,通过qio算法作为一种新型优化算法,可以实现快速的收敛与寻优,这很好的弥补了bp神经网络容易陷入局部最小和收敛较慢的问题。本专利技术使用qio-bp神经网络构建铝合金板屈服强度预测模型验证了算法的优越性,并进一步将qio-bp、aso-bp、ga-bp、pso-bp神经网络构建的预测模型进行了比较分析。
19、1.本专利技术建立的qio-bp神经网络多类型铝合金屈服强度预测模型的平均绝对百分比误差为6.98%,相关系数0.98716。拟合结果优于aso-bp、ga-bp、pso-bp神经网络构建的预测模型
20、2.本专利技术模型拟合结果在150mpa-600mpa区间的屈服强度可以得到更好的预测,同时模型在100-150mpa、600-700mpa区间屈服强度的预测效果也比其他神经网络模型更接近目标曲线
21、3.本专利技术以多类型铝合金进行屈服强度预测,证明了神经网络模型可以对多种铝合金和多种退火温度下对屈服强度的影响进行预测,可以为传统屈服强度预测方法存在的标定问题提供参考方案。
22、4.本专利技术对本模型100-150mpa、600-700mpa区间屈服强度的预测效果进行改进,如对本模型进行误差补偿或引入超声参数训练模型等方法进行研究。
本文档来自技高网...【技术保护点】
1.一种QIO-BP神经网络实现多类型铝合金屈服强度预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种QIO-BP神经网络实现多类型铝合金屈服强度预测方法,其特征在于:所述tansig函数为:
3.根据权利要求1所述的一种QIO-BP神经网络实现多类型铝合金屈服强度预测方法,其特征在于:所述purelin函数为:
4.根据权利要求1所述的一种QIO-BP神经网络实现多类型铝合金屈服强度预测方法,其特征在于:所述QIO执行局部搜索时,当前个体的位置被更新为:
【技术特征摘要】
1.一种qio-bp神经网络实现多类型铝合金屈服强度预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种qio-bp神经网络实现多类型铝合金屈服强度预测方法,其特征在于:所述tansig函数为:
3.根据权利要求1所述...
【专利技术属性】
技术研发人员:杨小平,武修瑞,任月路,郑许,何克准,
申请(专利权)人:桂林理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。