聚乳酸改性及在骨修复中的应用

阐述了最近几年聚乳酸的增韧改性和增塑改性的一些研究进展,对不同增韧剂和增塑剂对聚乳酸增韧、增塑的机理进行分析;着重介绍了改性的聚乳酸复合材料在骨修复应用中的研究现状,以及在骨修复领域中针对聚乳酸基复合材料存在的一些缺陷国内外研究者们所采用的方法和技术,最后指出今后几年的主要研究方向。

聚乳酸的合成及改性研究

阐述了聚乳酸的主要合成方法及聚乳酸基复合材料的力学性能改性方法,着重介绍了聚乳酸基复合材料在骨修复领域的应用。

复合固体推进剂力学性能的建模预测研究

首次将反向传输(BP)神经网络模型和经遗传算法(GA)优化后的BP(GA-BP)网络模型应用于研究多种工艺助剂和不同测试温度对复合固体推进剂力学性能的影响。结果表明:所建模型对复合固体推进剂力学性能均具有一定的预测能力,通过对未参与建模的5组数据的预测计算,GA-BP模型的抗拉强度预测的平均相对误差由BP模型的15.66%降低至12.86%,断裂伸长率由BP模型的11.24%降低至3.9%,预测精度得到了提高。

神经网络对固体推进剂力学性能的预测

针对误差反向传播算法(BP)神经网络在寻优过程中容易陷入局部最优的缺陷,将遗传算法(GA)与BP神经网络相结合,构建了一种基于遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中的工艺助剂及键合剂含量、固化参数、不同粒度的高氯酸铵含量、不同粒度的铝粉含量、端羟基聚丁二烯(HTPB)的羟值等对应的不同温度下测试的抗拉强度和断裂伸长率共12组数据,对它们进行预测和实测。结果表明,预测值与实验值整体具有较好的吻合性,抗拉强度及断裂伸长率的最小误差分别为0.71%、4.67%,即所建模型具有指导配方性能预示的意义。

基于神经网络模型对复合固体推进剂性能研究

针对推进剂中细高氯酸铵含量及粒度对推进剂力学性能、燃速的影响,分别建立广义回归神经网络(GRNN)与遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中不同粒度的高氯酸铵含量对应的不同温度下测试的推进剂的抗拉强度、断裂伸长率及燃速共8组数据,而用第9组数据的细高氯酸铵的粒度及含量作为模型输入,对不同温度下测试的推进剂的抗拉强度、断裂伸长率及燃速进行预测。结果表明,2种神经网络模型的预测值与实验值均具有较好的吻合性,其最小相对误差分别为0.19%、0.45%。所建模型对配方中细高氯酸铵的级配调整具有指导意义。