正向和反向挤压铸造过程流程模型使用基于神经网络的方法

文摘

目前的研究工作集中于开发一个智能系统建立投入产出关系利用人工神经网络的正向和反向映射。向前映射的目的是预测密度和二次枝晶臂间距(技术)从已知的挤压铸造工艺参数如时间延迟,压力持续时间、挤压压力、浇注温度、模具温度。也尝试满足工业需求的逆向模型来预测推荐的挤压铸造参数所需的密度和技术性能。提出了两种不同的基于神经网络的方法来执行该任务,即反向传播神经网络(摘要)和遗传算法神经网络(GA-NN)。的批处理模式的训练采用监督学习网络,需要巨大的训练数据。巨大的训练数据的要求是随机生成的人为使用回归方程派生通过真实实验前相同的作者。摘要的表演和GA-NN模型比较与回归十测试用例。结果表明,模型能更好地预测和模型可以有效地用于车间最有影响力的参数选择所需的输出。

1。介绍

铸件的力学性能主要取决于密度和二次枝晶臂间距。密度和二次枝晶结构明显受到了挤压铸造过程的操作条件变量。在多数的铸造厂,实业家试图建立投入产出关系通过使用过程仿真软件procast和magmasoft。过程的重要影响参数对挤压铸造过程中的温差进行了研究使用人工神经网络和procast仿真软件(1]。后来,作者扩展他们的研究努力研究凝固时间(直接影响二次树突的形成)与各种挤压铸造条件下利用人工神经网络的组合和procast仿真软件(2]。然而,仿真软件考虑往往效率低下,大量过程变量需要检查需要和大量的重复分析最有影响力的过程变量的选择。这将大大增加了执行时间和计算复杂度3]。此外,仿真软件也需要人类专家的知识解释结果。这些限制使研究者/研究人员关注发展的另一个方法,建立投入产出关系。

从过去的二十年里,大部分的工作已经报道了机械和微观结构的改善铸件的属性。然而,大多数的工作进行了使用传统的工程实验和理论方法建立投入产出关系和选择最佳工艺参数。影响铸件挤压铸造过程变量的密度进行了研究实验通过各种调查人员使用传统的工程(不同的一个工艺参数和保持其余日中值)的方法(4,5]。格雷西亚等分析方法的虚拟和稳态热流模型通过求解控制方程来研究利用凝固时间密度的影响和其他力学性能的铝(Al)和锌(锌)为基础的合金6]。差距的影响距离冷却速率和二次枝晶臂间距采用数值和实验方法研究了(7]。浇注温度和挤出压力的影响,造成铝合金铸造的结构和抗拉强度研究[8]。挤压压力影响二次枝晶组织,研究了基于Al合金(9,10]。挤压压力的影响,死,熔体温度,研究了二次枝晶臂间距LM13合金(11]。以下主要观察是由上面的文学。作者研究了挤压铸造过程变量的影响使用古典工程实验方法,在大量实验所需的有效分析。作者建议的实用的指导方针可能不会帮助车间工人最具影响力的工艺参数的选择,除非是用数学表达形式的输入-输出关系。经典的工程实验方法提供了最佳的工艺参数水平(局部最优解)和完全不同的最优工艺参数设置(全球最佳解决方案)。

有限的研究工作进行解决经典工程实验的方法来研究各种工艺参数的影响,建模,分析,建立投入产出关系。统计田口方法已经成功地实现学习过程变量的影响在挤压铸造AC2A合金的力学性能12- - - - - -14]。要指出的是,作者开发了数学表达式代表属性作为挤压铸造过程变量的函数。此外,最重要的影响时间延迟参数被排除在他们的分析。紧缩的压力,压力持续时间、模具温度被认为是研究使用统计田口方法对力学性能的影响(15]。此外,作者开发了多变量线性响应方程,忽略了浇注温度和时间延迟参数的影响。最近,作者采用统计田口工具研究影响参数如挤压压力,填充速度,死,浇注温度对强度和延性AlSi9Cu3合金(16]。要指出的是,作者没有考虑增压前浇注温度和时间延迟。此外,表示输入-输出关系的数学表达式的挤压铸造系统被排除在他们的分析。以下主要观察了从作者试图统计田口工具优化挤压铸造工艺参数。作者测量两个或两个以上的反应同样的铸造条件下,分别分析和开发响应方程。是至关重要的,因为不同的反应测量相同的铸造条件下,输出之间的依赖关系的概率是更多。因此,有必要开发一个积分multi-input-output系统可以同时估计输出相同的输入。开发响应方程的预测精度并不用来检查测试用例。检查预测精度是非常重要的。

最实用的需求在铸造厂是了解的过程参数设置可以产生所需的输出,反向预测。反向预测可能很难通过传统的统计工具,因为变换矩阵变得奇异和可能不可逆的总是17]。反向预测的问题和发展的一个集成系统,同时估计,两个或两个以上的反应可以成为可能通过使用软计算工具如神经网络(NN)、遗传算法、模糊逻辑及其不同组合(18]。人工神经网络成功应用开展了映射(预测的输出组输入)各种压铸生产过程(3,19),cement-bonded型砂系统[20.和金属型铸造21)和端铣过程(22]。有趣的是,人工神经网络已成功应用正向和反向建模工具绿色砂模系统(17),cement-bonded模具系统(23)、硅酸钠和有限公司₂气体淬火模具系统(24),压铸系统(25]。作者的最好的知识,没有多少工作报告进行正向和反向映射在挤压铸造过程中使用基于神经网络的方法。的局限性的经典工程,铸造模拟和统计田口技术通过使用人工神经网络和解决目前的工作目标是以下两个目标:(1)向前向前映射:映射处理预测的反应/输出已知的输入条件。在目前的工作,密度和二次枝晶臂间距作为输出,而挤压铸造过程变量如时间延迟,挤压压力,压力持续时间、浇注温度、模具温度被认为是作为输入;(2)反向映射:反向映射处理输入参数的预测所需的输出。在这里,密度和二次枝晶臂间距被认为是作为输入和挤压铸造过程变量被认为是作为系统的输出。是指出,进行正向和反向映射,与反向传播人工神经网络训练和遗传算法已被使用。

2。使用人工神经网络模型

识别的方法、分析和建立物理系统的输入-输出关系称为造型。目前的工作重点是两个正向建模和反向挤压铸造过程的模型如图1。挤压铸造过程变量如延时,时间的压力,挤压压力、浇注温度、模具温度作为输入,而密度和技术被视为输出的映射。逆向造型,过程变量表示为铸件密度和技术性能的函数。工艺参数和各自水平用于本研究提出在表1。

2.1。数据收集

人工神经网络的监督学习能力需要巨大的训练数据。在实际实践中,巨大的数据收集通过真实实验研究/调查人员发现不切实际。然而,巨大的训练数据的要求已经实现了由人工生成(覆盖整个范围的选择工艺参数)随机使用响应方程推导出虽然真实实验进行之前由同一作者(26,27]。

2.2。训练数据

庞大的数据要求训练人工神经网络是人工生成,使用响应方程通过选择流程变量躺在各自的范围内。应该注意的是,生成的训练数据覆盖整个范围不同的挤压铸造条件。铸件密度和技术性能表示为挤压铸造过程变量的函数,也就是说,时间延迟,时间的压力,挤压压力,倒和模具温度在不同的响应方程。所示的响应方程铸件密度和技术性能(1)和(2),分别。应该注意的是,1000套的培训(输入输出)数据被人为地使用反应生成方程:

2.3。测试数据

神经网络的成功取决于预测精度的测试用例。因此,网络预测精度测试了随机生成的测试用例(在培训过程中使用)。实验已经进行了10个随机生成测试用例和铸件密度测量值的二次枝晶臂间距(技术)记录。两个复制用于密度测量。然而,每个铸造技术样本的平均值确定在三个不同的地点通过至少15个不同主树突。是指出,主要的测量进行了包含5个以上的二次枝晶臂的树突。二次枝晶臂间距测量执行使用(3)。应该注意的是,十个不同的测试用例是用来检查网络的预测精度下向前以及反向映射(表所示5),““表示指数的测量树突,是测量的数量,的树突长度吗届任期,枝晶臂的数量吗

2.4。向前映射

在目前的工作中,三层前馈神经网络结构组成的输入、输出和隐层神经元(图2使用)。5,两个神经元用于输入和输出层,分别。然而,躺在隐层神经元的选择是通过参数确定的研究。线性传递函数被用于输入层,而非线性log-sigmoid传递函数被用于输出层神经元,分别(见(4)- (6))。是指出响应技术性能和密度的影响下研究了统计分析,发现相同的密度和技术输入的行为是对同样的铸造条件。因此,对于响应技术,采用修正log-sigmoid激活函数(5)。然而,同样的乙状结肠所有神经元的传递函数采用躺在隐藏层(7)。术语““显示常数和价值决定执行大量的试验后,““是输入神经元,“”和““传递函数常数分别为输出层,

2.5。摘要利用反向传播神经网络

反向传播算法的监督学习能力是学习与培训。一千集的输入-输出数据已经生成人工利用回归模型,通过神经网络。也就是说,采用批处理方式的培训来优化神经网络的结构。神经网络的输出与目标比较值来确定错误。摘要利用自适应训练是减少均方误差和计算使用(8)。应该注意的是,为了避免数值波动和加快培训过程中,培训投入产出数据规范化的0和1之间的如下: 术语““指示反应的数量,“代表训练数据的数量。””描绘了目标值,“”表示网络的输出。应该注意的是,误差反向传播算法的工作是基于梯度下降法的原理减少均方误差。因此,网络权重需要更新和学习速率()和动力参数()所示(9)。学习速率参数是用来避免过度拟合和误差振动,而加快培训过程与当地最适条件区域,当网络卡将使用术语动量不变 这个词表明迭代数量和可以用链式法则确定的微分方程所示以下方程: 条款和代表输入和输出的分别th神经元躺在输出层。

2.6。基于遗传算法的神经网络

遗传算法(GA)用于从过去几十年在许多制造业的应用程序获得全局最优的解决方案。要指出的是,反向传播算法的概率被困在当地的最佳地区相比GA(因为它巨大的空间中搜索解决方案)。遗传优化神经网络(GA-NN)系统的工作原理完全相同的原理,辅助混合动力系统。突触权重、激活函数常数和偏差值是由GA-string和网络计算预期的输出。GA-NN,隐藏的神经元数量保持相同参数下获得的摘要的研究。计算均方误差和用作GA-string的健身价值。GA适应度值计算使用(11)。锦标赛选择、均匀交叉和位操作突变被选为GA运营商找到最好的可能的解决方案如下:

2.7。反向映射

反向映射进行了预测的推荐输入参数所需的输出。摘要利用和GA-NN被用来执行该任务。是指出,两个反应和五个过程变量被认为是作为系统的输入和输出,分别。

3所示。结果和讨论

向前映射进行了使用摘要和GA-NN预测已知的密度和二次枝晶臂间距的挤压铸造过程的流程变量。开发模型的性能评估的帮助下(表10个随机生成测试用例5)。

3.1。摘要利用反向传播神经网络

是指出,1000套输入输出训练数据用于训练网络使用批处理模式。参数研究进行了优化神经网络参数在训练(见图3)。参数研究是由不同的神经网络参数(如隐藏神经元数量、学习速率、动量不变,激活函数常数,和偏差值)一次,其余的在各自的日中值。要注意,参数研究的结果如表所示2。末尾的最小均方误差的培训被发现等于0.001458(表2)。一旦培训已经完成,神经网络用于预测十个测试用例,不用于神经网络的训练。神经网络预测与实际实验值相比,预测的平均绝对偏差百分比等于2.55%。

3.2。遗传算法神经网络(GA-NN)

前面解释的那样,反向传播算法取代了基于人口的搜索算法搜索最优解的巨大空间。在目前的工作中,使用遗传算法来优化神经网络的参数。GA-NN系统预测的性能很大程度上取决于遗传参数如突变概率,人口规模,一代数。GA-parametric研究进行了确定全球解决方案(图4)。最优遗传算法参数的选择标准是决定基于最小均方误差之间变化时获得各自的参数范围。是指出,均匀交叉用于交叉操作。最优均方误差获得不同参数如表所示3。获得最优参数在培训结束时,均方误差的最小值等于0.001337。一次,使用遗传算法优化神经网络参数,在转发GA-NN映射的性能测试(即利用相同的测试用例。摘要使用的测试用例)。预测的平均绝对偏差百分比的反应发现等于2.234%。

3.3。摘要的比较、GA-NN和统计模型表现

是指出,开发了基于神经网络方法的性能比较与统计回归模型在自己和十个随机生成测试用例。

图5(一个)显示了预测偏差百分比的十个测试用例使用三个不同的模型的响应密度。预测偏差百分比的值被发现躺在−0.17% + 0.85%,−0.3% + 0.86%,和−0.12% + 0.89%的回归,摘要,分别和GA-NN模型。类似地,响应的预测偏差百分比二次枝晶臂间距的范围被发现躺在−10.21% + 6.26%,−10.19% + 7.02%,回归和−7.27% + 6.04%,摘要,分别和GA-NN模型(图5 (b))。是指出,为响应,GA-NN模型优于其他两个模型。表4提供了比较性能的预测基于软计算的方法(摘要,GA-NN MCFLC,简称ANFIS)与统计回归模型的预测的平均绝对偏差百分比响应密度和十个测试用例的技术性能。

是指出GA-NN、摘要和简称ANFIS表演发现几乎类似的可比,但GA-NN优于所有的模型在预测(表的响应4)。GA-NN的更好的性能可能是由于错误的表面的性质,在GA可以达到全球最适条件。

3.4。反向映射

反向映射的目标进行了预测紧缩压力等工艺参数,时间延迟,压力持续时间、浇注和模具温度所需的密度和技术性能。基于神经网络的方法(即。,摘要利用和GA-NN)are utilized to tackle the above-said task and the obtained results are compared among themselves. The same set of test cases is used for checking the model performances (Table5)。

参数研究的结果的摘要和GA-NN模型提出了表2和3。十个不同的测试用例是通过优化网络,预测的平均绝对偏差百分比的摘要和GA-NN模型下的反应是发现等于11.66%和7.49%,分别。

图6(一)显示了偏差情节表明预测偏差百分比响应时间延迟。是指出摘要模型得到的百分比偏差发现躺在0%到27.27%的范围与所有点积极的一面。另一方面,GA-NN预测偏差分布两侧和相应的最大值被发现不同−25% + 18.18%的范围。预测的平均绝对偏差百分比的时间延迟参数等于找到了GA-NN摘要为17.45%和11.46%。

摘要和GA-NN模型的性能预测的偏差百分比响应时间如图的压力6 (b)。要指出的是,表现在两种模型的预测结果类似的模式为响应压力持续时间。GA-NN模型表现略好,与摘要相比,和百分比偏差值被发现躺在摘要和−−40% + 18.75% + 12.5% 30% GA-NN,分别。平均绝对百分比误差为摘要和GA-NN模型获得的十个测试用例发现等于19.25%和10.01%,分别。

图7(一)比较性能的摘要和GA-NN模型在预测紧缩的压力。反应挤出压力的百分比偏差发现类似的模式不同的摘要和GA-NN模型和相应的百分比偏差范围的范围被发现躺在−−20.64% + 10.41% + 25.39% 8.33%,分别。同样重要的是,除了一个测试用例(2)GA-NN模型总是试图预测响应接近实验值(图7(一))。此外,预测的平均绝对偏差百分比的计算发现挤压压强等于对摘要和GA-NN 11.78%和9.32%,分别。

图7 (b)代表的情节在浇注温度的预测偏差百分比值使用摘要和GA-NN模型。有趣的是摘要和GA-NN遵循同样的路径和预测对开发摘要和GA-NN模型发现不同摘要和−−3.46% + 2.9% + 2.1% 3.3% GA-NN,分别。摘要利用平均绝对百分比误差值和GA-NN模型发现等于GA-NN摘要为2.33%和2.01%,分别。

图8显示了摘要和GA-NN预测的偏差图模温的响应。预测的偏差百分比是发现不同−10.34%,+ 11.86%之间的摘要和GA-NN−8.05%, + 6.87%。GA-NN模型执行更好的摘要相比,更好的解释与预测的平均绝对偏差百分比。预测的平均绝对偏差百分比响应模温发现等于GA-NN模型下摘要为7.51%和4.63%,分别。

反向映射的目标是预测所需的密度和技术性能的工艺参数。行业的反向映射满足严格的要求知道推荐的工艺参数来实现所需的输出通过消除试验和错误的方法,仿真软件,和专家建议解释获得的模拟结果。结果显示预测的平均绝对偏差百分比所需的工艺参数的响应与摘要和GA-NN模型(图9)。同样重要的是,大预测的平均绝对偏差百分比的反应发现使用摘要和GA-NN等于11.66%和7.49%,分别。然而,通过详尽的人口为基础的搜索,GA-NN相比,大大改善了性能结果摘要。更好的性能的GA-NN摘要可能是因为错误的表面的性质。摘要利用基于梯度搜索的方法,解决方案可能会陷入局部最小值。

4所示。比较早期的作品

开发了基于神经网络方法的性能比较相同的测试用例进行了早些时候由同一作者使用基于模糊逻辑的方法(28,29日]。作者曾在早些时候基于模糊逻辑的方法,即手动构造方法(MCFLC)和自动进化基于自适应网络模糊界面系统(简称ANFIS),使用不同的隶属度函数。在目前的工作,是由作者试图比较摘要和GA-NN模型的性能与上述工作进行了早些时候由同一作者(28,29日]。表4显示预测的平均绝对百分比偏差的模型预测反应密度和通过向前映射技术。

它是观察从表4预测的平均绝对偏差百分比响应密度与基于神经网络和模糊逻辑的方法。然而,GA-NN模型优于,响应,技术性能时的预测精度比基于模糊逻辑的方法。

5。结束语

尝试开发正向和反向挤压铸造过程流程模型使用基于神经网络的方法。批处理模式的培训采用了人为随机生成的数据用回归方程推导出通过真实实验进行之前由同一作者。详细的参数进行了优化研究网络参数在摘要和GA-NN方法。在训练过程中获得的均方误差被认为是优化的标准。

在向前映射,摘要和GA-NN模型的性能比较自己和与回归分析十测试用例。有趣的是,基于神经网络模型能有效的预测。然而,GA-NN表现摘要模型的响应,即密度和技术性能。

统计回归分析的问题在发展中反向流程模型有效地解决了基于神经网络的方法(即。,预测过程变量所需的输出)。开发模型的性能,即摘要和GA-NN相比。是指出GA-NN优于摘要模型的响应。这可能是由于错误的本质表面和摘要的问题解决方案陷入局部最优。摘要利用方法使用基于梯度搜索最优的解决方案。多通道误差表面时,摘要的解决方案可能会陷入局部最小值。另一方面,遗传算法是一种基于种群搜索,在搜索开始同时在许多地方。因此,它是可能的GA达到全局最小值。重要的是要注意,预测的平均绝对偏差百分比基于神经网络方法的逆向造型并不足够好。这可能是由于这一事实存在复杂关系的输入过程变量表示响应。 In addition, the number of network input parameters is less than that of the network output in case of reverse mapping.

的整体性能开发基于神经网络的方法比较向前映射和基于模糊逻辑的方法的结果由同一作者早些时候进行。为响应密度结果具有可比性;然而,GA-NN显示稍微更好的性能预测的二次枝晶臂间距。是指出逆向建模的结果被认为是更有用的铸造人实现所需的输出。此外,开发方法可以调整工艺参数实现在线控制铸件质量。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

作者大大承认应用力学和水力学,国家技术学院的卡纳塔克邦,Surathkal,对他们的帮助,开展实验。

引用

1. 曾j . r . j . Wang, D.-W。周”,确定温差工具钢在挤压铸造热工作,“国际期刊的材料形成,5卷,不。4、317 - 324年,2012页。视图:出版商的网站|谷歌学术搜索
2. w·f·r . j . Wang Tan, d . w .周”挤压铸造的影响参数对凝固时间基于神经网络,”国际材料和产品技术杂志》上,46卷,不。2 - 3、124 - 140年,2013页。视图:出版商的网站|谷歌学术搜索
3. a . Krimpenis p·g . Benardos G.-C。Vosniakos, a . Koukouvitaki“基于仿真的最佳压力压铸工艺参数选择使用神经网络和遗传算法,”国际先进制造技术杂志》上,27卷,不。5 - 6,509 - 517年,2006页。视图:出版商的网站|谷歌学术搜索
4. l . j .杨”的影响铸造温度对挤压铸造铝和锌合金的性质,“材料加工技术杂志》上,卷140,不。1 - 3、391 - 396年,2003页。视图:出版商的网站|谷歌学术搜索
5. a . Maleki b Niroumand, a . Shafyei”挤压铸造参数对密度的影响,宏观结构和LM13合金的硬度,“材料科学与工程,卷428,不。1 - 2、135 - 140年,2006页。视图:出版商的网站|谷歌学术搜索
6. l . j .杨”,在挤压铸造凝固时间的影响铝和锌合金,”材料加工技术杂志》上卷,192 - 193,114 - 120年,2007页。视图:出版商的网站|谷歌学术搜索
7. c·w·j·h·李,h . s . Kim赢了,和b·康托尔,“距离的差距对冷却的影响行为和微观结构的间接挤压铸造和重力压铸5083锻铝合金,”材料科学与工程,卷338,不。1 - 2、182 - 190年,2002页。视图:出版商的网站|谷歌学术搜索
8. t . m .曰,“造成的高强度铝挤压铸造合金AA7010。”材料加工技术杂志》上,卷66,不。1 - 3、179 - 185年,1997页。视图:出版商的网站|谷歌学术搜索
9. m . Zhang w·w·张,h·d·赵d·t·张,李和y y”效应的压力Al-Cu-based合金的微观结构和力学性能由挤压铸造”中国有色金属协会的事务,17卷,不。3、496 - 501年,2007页。视图:出版商的网站|谷歌学术搜索
10. 大肠Hajjari和m . Divandari”调查的显微组织和拉伸性能直接挤压铸造和重力压铸2024锻铝合金,”材料和设计卷,29号9日,第1689 - 1685页,2008年。视图:出版商的网站|谷歌学术搜索
11. a . Maleki a Shafyei, b . Niroumand”挤压铸造的影响参数对LM13合金的微观结构,”材料加工技术杂志》上,卷209,不。8,3790 - 3797年,2009页。视图:出版商的网站|谷歌学术搜索
12. p . Senthil和k . s . Amirthagadeswaran优化挤压铸造参数不对称AC2A铝合金铸件通过田口方法,”机械科学与技术杂志》上,26卷,不。4、1141 - 1147年,2012页。视图:出版商的网站|谷歌学术搜索
13. p . Senthil和k . s . Amirthagadeswaran”和挤压铸造工艺优化试验研究对高品质AC2A铝合金铸件,”阿拉伯科学与工程》杂志上,39卷,不。3、2215 - 2225年,2013页。视图:谷歌学术搜索
14. p . Senthil和k . s . Amirthagadeswaran”提高挤压铸造AC2A铝合金耐磨性,”国际工程学报,交易:基础知识,26卷,不。4、365 - 374年,2013页。视图:出版商的网站|谷歌学术搜索
15. p . Vijian和v . p .杂志”优化LM6铝合金挤压铸造参数对表面粗糙度使用田口方法,”材料加工技术杂志》上,卷180,不。1 - 3、161 - 166年,2006页。视图:出版商的网站|谷歌学术搜索
16. S.-B。本,S.-M。兴,L.-M。田:赵,l·李”技术参数对强度和延性的影响AlSi9Cu3合金在挤压铸造,”中国有色金属协会的事务(英语版),23卷,不。4、977 - 982年,2013页。视图:出版商的网站|谷歌学术搜索
17. m . b . Parappagoudar d . k . Pratihar g·l·达塔,“正向和反向映射使用神经网络,在绿色砂型系统”应用软计算杂志,8卷,不。1,第260 - 239页,2008。视图:出版商的网站|谷歌学术搜索
18. s . Benguluri p . r . Vundavilli r·p·巴特和m . b . Parappagoudar”正向和反向映射在金属投下了一步质量铸造和自动化,”AFS Transactions-American铸造社会卷。119年,19-34,2011页。视图:谷歌学术搜索
19. p·k·d·诉Yarlagadda和e·c·w·蒋介石“神经网络系统在压铸工艺参数的预测,”材料加工技术杂志》上卷,89年,第590 - 583页,1999年。视图:出版商的网站|谷歌学术搜索
20. a . Mandal和p·罗伊建模molasses-cement砂系统的抗压强度使用实验设计和反向传播神经网络,”材料加工技术杂志》上,卷180,不。1 - 3、167 - 173年,2006页。视图:出版商的网站|谷歌学术搜索
21. m·a·约瑟夫·e .身为理发师,p .克里希纳”预测的树突参数和宏观硬度变化永久模铸造al - 12% Si合金使用人工神经网络,”流体力学与材料处理,2卷,第220 - 211页,2006年。视图:谷歌学术搜索
22. a . b . Sharkawy”端铣过程中表面粗糙度的预测使用智能系统:比较研究,“应用计算智能和软计算ID 183764条,卷。2011年,18页,2011年。视图:出版商的网站|谷歌学术搜索
23. m . b . Parappagoudar d . k . Pratihar, g·l·达塔”造型的输入-输出关系在水泥保税型砂系统使用神经网络,”国际铸造金属研究杂志》上,20卷,不。5,265 - 274年,2007页。视图:出版商的网站|谷歌学术搜索
24. m . b . Parappagoudar d . k . Pratihar g·l·达塔,“神经网络方法正向和反向映射的水玻璃,二氧化碳气体硬型砂系统,”材料和制造工艺,24卷,不。1,59 - 67年,2008页。视图:出版商的网站|谷歌学术搜索
25. Kittur j·k·m·b·Parappagoudar”正向和反向映射在压铸过程中由神经网络方法,”制造科学与生产》杂志上,12卷,不。1,第80 - 65页,2012。视图:谷歌学术搜索
26. g·c·m·帕特尔,r·马修·克利须那神”挤压铸造工艺参数对密度的影响LM20合金,”诉讼的第四届国际联合会议工程和技术的进步(让13),页776 - 785年,国家首都地区,印度,2013年12月。视图:谷歌学术搜索
27. g·c·m·帕特尔r·马修·克里希纳和m . b . Parappagoudar”调查的挤压铸造工艺参数对二次枝晶臂间距的影响使用统计回归和人工神经网络模型,”Procedia技术,14卷,第156 - 149页,2014年。视图:谷歌学术搜索
28. g·c·m·帕特尔·克里希纳和m . b . Parappagoudar”预测挤压铸造密度使用基于模糊逻辑的方法,”制造科学与生产》杂志上,14卷,不。2、125 - 140年,2014页。视图:谷歌学术搜索
29. g·c·m·帕特尔·克里希纳和m . b . Parappagoudar”预测的二次枝晶臂间距在挤压铸造使用基于模糊逻辑的方法,”实现铸造工程,15卷,不。1,51 - 68,2015页。视图:谷歌学术搜索

版权

版权©2014年的希帕特尔Gowdru Chandrashekarappa等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。