论文部分内容阅读
本文基于BP神经网络,分别建立了铝合金流动性和收缩性预测模型,并基于模型进一步开发了铝合金流动性预测软件和铝合金收缩性预测软件,并利用预测软件分别预测了二元及多元铝合金的流动性和宏观收缩率。在模型建立与优化过程中,将平均MSE、平均R和平均AARE作为BP神经网络模型的性能评价指标,利用全排列组合的方法分别研究了训练算法和传输函数对铝合金流动性预测模型和铝合金收缩性预测模型的影响。结果表明:对于铝合金流动性预测模型和铝合金收缩性预测模型:(1)当仅考虑训练算法的影响时,即传输函数、隐含层神经元数目等参数相同时,采用训练算法“trainbr”或“trainlm”的BP神经网络模型的性能要优于采用训练算法“traingd”、“traincgf”或“trainoss”的BP神经网络模型;(2)当仅考虑传输函数的影响时,即训练算法、隐含层神经元数目等参数相同时,采用传输函数组合“TF1=’tansig’;TF2=’purelin’”或“TF1=’logsig’;TF2=’purelin’”的BP神经网络模型的性能要优于采用传输函数组合“TF1=’tansig’;TF2=’logsig’”或“TF1=’logsig’;TF2=’logsig’”的BP神经网络模型。基于BP神经网络和铝合金流动性训练数据集,建立了一个网络结构为8-9-1的铝合金流动性预测模型,该模型将Al、Si、Fe、Cu、Mn、Mg、Zn等7种元素的含量和浇注温度作为输入,将铝合金的流动性作为输出,输入层到隐含层传输函数采用“tansig”,隐含层到输出层传输函数采用“purelin”,训练算法采用“trainbr”。利用铝合金流动性测试数据集对铝合金流动性预测模型的预测效果进行了验证,结果表明:该模型可以较好地预测测试数据集的流动性,其最大预测误差为11.81%,平均预测误差为6.56%。基于铝合金流动性预测模型开发了铝合金流动性预测软件,可以较好地预测二元及多元铝合金的流动性。基于BP神经网络和铝合金收缩性训练数据集,建立了一个网络结构为7-46-1的铝合金收缩性预测模型,该模型建立了Al、Si、Fe、Cu、Mn、Mg、Zn等7种元素的含量与铝合金的宏观收缩率之间的联系,输入层到隐含层传输函数为“logsig”,隐含层到输出层传输函数为“purelin”,训练算法为“trainlm”。由铝合金收缩性测试数据集的预测结果可知:该模型可以较好的预测测试数据集的宏观收缩率,其最大预测误差为7.82%,平均预测误差为3.67%。基于铝合金收缩性预测模型开发了铝合金收缩性预测软件,可以较好地预测二元及多元铝合金的宏观收缩率。