基于神经网络算法的铝基复合材料搅拌铸造工艺优化

以Si C添加量、搅拌转速、搅拌时间、模具预热温度和浇注温度为5个输入层神经单元参数,以抗拉强度为输出层神经单元参数,采用不同训练函数,构建3层结构的铝基复合材料搅拌铸造工艺优化神经网络模型。结果表明:与traingd训练函数相比,采用trainlm训练函数的神经网络模型平均相对训练误差从4.4%减小到2.6%、收敛时的迭代运算次数从7924次减少到5186次。以trainlm函数作为训练函数的神经网络模型平均相对预测误差为2.7%,可用于实际的铝基复合材料搅拌铸造工艺优化。