Fuzzy neural network analysis on gray cast iron with high tensile strength and thermal conductivity

To develop a high performance gray cast iron with high tensile strength and thermal conductivity, multivariable analysis of microstructural effects on properties of gray cast iron was performed. The concerned parameters consisted of graphite content, maximum graphite length, primary dendrite percentage and microhardness of the matrix. Under the superposed influence of various parameters, the relationships between thermal conductivity and structural characteristics become irregular, as well as the effects of graphite length on the strength. An adaptive neuro-fuzzy inference system was built to link the parameters and properties. A sensitivity test was then performed to rank the relative impact of parameters. It was found that the dominant parameter for tensile strength is graphite content, while the most relative parameter for thermal conductivity is maximum graphite length. The most effective method to simultaneously improve the tensile and thermal conductivity of gray cast iron is to reduce the carbon equivalent and increase the length of graphite flakes.

利用人工神经网络分析熔炼工艺参数与铁液成分的关系

建立了发铸铁的工艺参数与铁液成分关系的前馈型多层神经网络模型，预测灰铸铁的铁液成分，并分析工艺参数与灰铸铁铁液成分的关系。

灰铁化学成分及工艺参数与性能的关系 (Ⅱ)利用人工神经网络分析灰铁化学成分及工艺参数与性能的关系

本文建立了灰铁化学成分、工艺参数与性能关系的前馈型多层神经网络模型，并分析了硅、碳、锰量及温度等对灰铁性能的影响。

灰铁化学成分及工艺参数与性能的关系 (Ⅰ)灰铁性能预测的人工神经网络模型

本文建立了灰铁性能预测的前馈型多层神经网络模型,并将其预测结果同多元统计分析结果作了比较,分析了人工神经网络模型的优点。

高碳当量灰铸铁成分的遗传优化

高碳当量灰铸铁具有良好的铸造性能,但提高强度是一个重要研究课题。综合自适应模糊推理的建模功能和神经网络的学习能力,直接从试验数据中提取推理规则,建立了成分与抗拉强度和硬度之间的自适应模糊推理模型。模型由一系列规则组成,能帮助人们认识合金化规律,且具有较高的预测精度和泛化能力。同时,将自适应模糊推理模型与遗传算法耦合,得到了最高强度下的成分。研究形成的建模与优化方法可推广应用到其它材料的建模与成分优化。

BP人工神经网络在一种铸铁生产上的应用

铸铁广泛应用于机械、矿山等行业,是工业生产的基础材料之一,稳定、提高其性能有着重要的意义。铸铁含有多种元素,元素之间交互作用,对其性能表现出复杂的非线形关系。人工神经网络能充分逼近任意复杂的非线形系统。本文把BP人工神经网络用于一种铸铁的生产,它成功地根据材料成分预测了材料的性能,从而有助于优化设计,提高产品质量,降低铸铁的生产成本。

耐磨铸铁回火工艺的人工神经网络算法应用

根据试验结果,以回火温度和保温时间为输入、硬度为输出建立了耐磨合金铸铁的人工神经网络模型。结果表明,经训练后的模型同实测结果吻合度较好,对实际生产有较强的指导意义。保温时间相同时,合金硬度随回火温度升高下降明显;回火温度不变时,合金硬度随保温时间增加略有下降。

基于BP神经网络的硼铸铁等离子熔凝硬化层性能预测

采用等离子技术对硼铸铁进行熔凝处理,利用SEM、XRD及显微硬度计对硬化层的组织和性能进行了测试和分析。在此基础上,采用BP人工神经网络建立等离子工艺参数与硼铸铁熔凝硬化层性能之间的神经网络预测模型。结果表明,熔凝层的组织为细小均匀的共晶莱氏体+少量未溶石墨,神经网络预测的硬化层深度和硬度值与试验值相对误差小于4.3%,说明该BP神经网络模型可以较准确预测硼铸铁等离子熔凝硬化层的性能。利用该模型可为实际生产中选择合适的工艺参数提供参考。