Artificial neural network modeling of mechanical properties of armor steel under complex loading conditions

An artificial neural network （ANN） model is established to predict plastic flow behaviors of the 603 armor steel, based on experiments over wide ranges of strain rates （0. 001 -4 500 s -1 ） and temperatures （288 -873 K）. The descriptive and predictive capabilities of the ANN model are com- pared with several phenomenological and physically based constitutive models. The ANN model has a much better applicability than the other models in characterization of the flow stress. The tempera- ture and the strain rate effects on the flow stress can be described successfully by the ANN model, with an average error of 1.78% for both quasi-static and dynamic loading conditions. Besides its high accuracy in prediction of the strain rate jump tests, the ANN model is more convenient in model es- tablishment and data processing. The ANN model developed in this study may serve as a valid and ef- fective tool to predict plastic behaviors of the 603 steel under complex loading conditions.

高温变换催化剂制备条件的神经网络优化

将影响低汽气比条件下LB型节能高温变换催化剂活性的主要因素作为人工神经网络的特征输入向量,将全部实验数据分为训练集和预测集,运用Matlab神经网络工具箱,按改进的Bayes自动归一化算法建立反向传播神经网络模型,不仅可防止网络陷入局部最小,而且提高了网络训练精度和泛化能力。适当拓宽正交实验各因素的水平范围,经过不同因素、不同水平间的组合模拟,预测出LB型节能高温变换催化剂的最佳制备条件为氧化铈质量分数0.76%、氧化铜质量分数5.8%、氧化铬质量分数8.6%、氧化镧质量分数1.0%、铁液浓度92 g/L、中和过程最终pH值9.5。在最佳条件下试制催化剂在低汽气比下的平均活性达77.6%。

基于反向传播人工神经网络对SiC氧化反应行为的预测研究

以SiC为代表的非氧化物耐火原料作为高温结构材料重要组分,被广泛应用于冶金高温行业。在实际应用过程中,SiC的氧化行为加速了对应耐火材料的高温性能失效,导致其服役寿命大大缩短。因此明晰非氧化物耐火原料在高温环境下的氧化行为尤为重要,利用动力学模型分析氧化行为是目前最常用的手段。但动力学模型的建立往往需要大量的数据处理工作,且很难同时满足描述准确性高和模型参数简单两个条件。随着人工智能与大数据技术在材料领域的应用探索,反向传播人工神经网络(BP-ANN)有望在此方面取得突破。本文以典型非氧化物耐火原料SiC为例,通过建立神经网络,训练、预测SiC的氧化行为,预测结果与实验数据的相对误差均小于3%,用预测数据回归计算的反应活化能和反应速率常数与实验数据计算结果的相对误差低于4%,表明BP-ANN在研究非氧化物耐火原料的氧化行为方面具有巨大应用前景。