文摘

在21圣轻量级的世纪,越来越迫切要求领域的航空、航天、电子产品,特别是汽车、镁合金材料的许多性能,尤其是低密度性能特征,被广泛重视。为了更好地利用镁金属材料,评价其力学性能是非常重要的。本文基于196套力学性能实验结果和相关数据的AZ31镁合金AZ91 2。基于数据分析和排序,变形温度、变形速率、变形系数,固溶温度、固溶时间作为输入,极限抗拉强度(ut)屈服强度(y)和伸长(值得)作为输出。5-8-1三层BP神经网络预测模型优化的遗传算法用于数据训练。训练结果表明,该预测模型能够准确地预测抗拉强度、屈服强度和延伸率。与普通BP神经网络预测模型相比,基于遗传算法的BP神经网络具有离散性小,适应性高:生产的平均误差和镁合金y是减少到0.88%和3.3%,分别。最明显的是,AZ31伸长的、值得降低,误差减少到8.1%。

1。介绍

从人类文明的出现到今天21圣世纪,人类社会文明变化日新月异,和材料科学也在不断发展。现在迫在眉睫的是整合新材料,这将有助于我的国家不是由别人控制在中美贸易战1]。一个坚实的基础和积极发展新材料产业的写进了12的轮廓th五年计划。领导的绿色产业新材料已经在我国各地区工业园区(2,3]。一系列新材料必将促进我国现代化建设的快速发展。镁合金是最轻的金属结构材料中既存的材料。它有一系列的优点,如比重小,比强度高,和特定的刚度和被称为“21圣世纪绿色环保工程材料。“这取得了快速发展领域的节能汽车、电子通讯产品,和航空航天。

材料是人类生存和发展的物质基础。然而,有许多材料评价和使用方法(4]。的关键点和难点之一目前模糊综合评价是如何将一个多索引问题集成到一个单一索引的形式,在一维空间实现综合评价。的本质是如何确定这些评价指标的权重。近年来提出的主要方法确定权重是主观和客观的。主观包括德尔菲法、两两比较法、层次分析法和串行比较法5,6)和目标包括熵法、最大方差法、模糊聚类分析方法和神经网络方法。目前,国内外材料领域的学科,计算机辅助设计和预测材料通常用于实际生产提供有价值的参考依据。其中,人工神经网络的应用研究正逐渐变得活跃了。近年来,这种方法已被用于预测材料的性能的力学性能(7]。人工神经网络提供了一种新方法。它不需要事先指定基本功能,但基于实验数据,在有限的迭代计算,一个数学模型,反映了实验数据的内在联系。理论上,人工神经网络技术可以处理任意复杂的多元非线性关系(8]。

提出了人工神经网络在1940年代。经过多年的发展,其理论基础是完美的。所以,它被用于生活的各个方面。由于其强大的处理非线性问题的能力,越来越多的学者(9,10]也应用人工神经网络领域的材料力学分析。文献[11)用神经网络模型评价混凝土材料的强度,并与最小二乘拟合公式的结果评价。结果表明,神经网络模型可以用来评估于混凝土的强度,结果比最小二乘方法。文献[12)使用BP神经网络来模拟动态弹性模量的变化率的镁合金材料腐蚀后的复合盐溶液,发现测量结果与预测结果一致,平均误差为2.08%。神经网络模型可以更准确地预测相对动弹性模量变化后的镁合金腐蚀率的复合盐溶液。文献[13)使用小波分析方法结合BP神经网络和自回归移动平均积分模型训练和预测系统在镁合金变形信号和随机信号。通过比较,得出该模型有效地发掘有效成分包含在监测信息,和预测精度更好。文献[14)利用神经网络预测材料的抗裂性基于测量数据,和模型预测的精度满足要求。文献[15)建立了一个PCA-BP神经网络方法和使用测量数据来预测结构大量金属材料的温度。结果表明,预期的输出误差为0.65,表明新模型是有效的。在文献[16],屈服载荷和小冲杆试验的最大载荷与材料的屈服强度和抗拉强度分别和相应的经验公式。在文献[17],初期小冲杆试验的载荷位移曲线分析,初始阶段的斜率与材料的弹性模量,得到了它们之间的经验公式,第三阶段小冲杆试验的载荷位移曲线分析,和材料的真应力-应变曲线和抗拉强度。如今,随着计算机技术越来越先进,人工智能发展迅速。因为它的方便和效率,人工神经网络可以减少复杂的推导过程,所以它越来越流行在材料力学的分析。

本文是基于196套的机械性能测试结果和相关数据的两种镁合金。也是基于数据分析和排序、合金元素、变形温度、变形速率、变形系数、溶液温度、溶液,和老化温度、老化时间作为输入,与抗拉强度、屈服强度、伸长率作为输出,一个三层BP神经网络优化的遗传算法(GA-BP)。network-forecasting模型训练数据获得精度较高的神经网络模型。使用该神经网络模型可以直接向开发人员提供有效的机械性能数据信息在相同的工艺条件下,避免大量的实验,为镁应用研究提供技术基础。主要的优势主要有以下几点:(1)在GA-BP模型中,神经网络的非线性映射能力,网络的推理和预测功能,和遗传算法的全局优化特性是用来克服BP算法的问题很容易限于局部最小值和(2)此外,遗传学习算法具有全局优化的特点和优化BP网络的初始权值和网络结构,提高网络的效率参数选择。

2.1。材料力学性能评价算法的概述

为了研究材料的耐用性和力学性能,有必要研究材料的力学性能的评价算法。本文以镁合金材料为主要研究对象和评估镁合金力学性能的基于遗传算法和BP神经网络算法。它主要包括镁结构分析、机械实验设计、施工机械性能评价模型和实验结果分析。图1显示了整体结构的镁合金材料力学性能评价算法。


图1
总体结构的镁合金材料力学性能评价算法。

镁和镁合金有六角拥挤不堪的结构(hcp)。在室温下,晶格常数(c= 0.5119海里,一个= 0.3202海里,c/一个= 1.623海里)和标准六角拥挤不堪的结构(c/一个= 1.633)很近;随着温度的升高,增加滑动系统和综合效应的双晶效应增加其塑造,这是由挤压轧制和锻造18,19]。镁合金的塑性变形主要是滑移,其次是孪生。对镁合金与拥挤不堪的六角形结构,孪生变形尤为重要,及其剪切也是沿着一个特定的晶体方向;是否发生成对晶体的对称性有关。镁合金晶体的滑移只发生在晶体倾向于拉应力方向,所以镁合金的塑性变形是经常滑移和孪生。由于相互作用,与此同时,镁合金的塑性和易性影响因素包括变形温度、应变速率、应力状态和纹理。常用的镁合金元素主要包括铝、锌、锰、硅和杂质元素(铁、铜、镍)。当然,杂质元素和合金元素之间的区别是相对的,和合金化元素在某些情况下可能成为有害的元素。在某些情况下,有害元素可以成为有益的元素。

2.2。神经网络的理论基础

人类大脑的神经元是最基本单位,可以接收和处理信息。大脑可以不断适应外部环境的变化,通过自组织和自学习。神经细胞是人类学习和记忆的载体。他们的形态非常不同,但它们的功能结构是相似的。生物神经元的信息传播的形式从树突神经细胞刺激信号。信息处理的细胞后,轴突传送信号。当刺激信号的强度高于一定值,生成一个神经冲动子午线。当刺激信号的强度低于一定值,不产生神经冲动。

人工神经网络(ANN)是一种运算模型建立了人类处理大脑的功能和结构(20.- - - - - -22]。人类的大脑也有类似的功能。例如,学习,协会、内存和其他功能是重要的模拟人类智能的方法。类似于人类记忆的方法,神经网络模型使大量的重量域值分割节点之间形成网络的记忆。BP神经网络是一种多层前馈网络。它使用梯度下降法训练的重量范围通过反向传播神经网络工程和解决复杂的非线性问题。它被认为是神经网络研究的起点在现代工程的意义23]。BP神经网络也称为误差反向传播神经网络或错误学习算法。它使用了错误的反馈调整重量域值一层一层地调整网络本身。目前,应用最广泛的神经网络主要利用BP网络和它的变体。其结构如图2。的标准BP神经网络采用输出误差时设定的误差范围内,或错误步骤的数目大于设置值,或一组最大的学习次数或学习时间,学习过程终止和网络训练结束。


图2
BP神经网络结构。

图中所示的三层BP神经网络2,设置输入向量 ;隐层的输入向量 ,输出向量 ;和输出层的输入向量 。输出向量 ;input-implicit-output的权重 和 ,分别;这两个隐层输出的阈值 和 ,分别;预期的输出向量 ;样品的数量 ;和激励函数采用一个年代类型的功能。

BP神经网络的学习步骤如下。步骤1:神经网络初始化。的范围(−1,1),连接隐藏层的重量和域值的输入层和输出层是随机分配的。步骤2:使用一个随机的方法来提取k -th输入样本数据和相应的预期输出示例数据 , 并提供给神经网络。步骤3:使用每一层的连接权值和阈值来计算的输入 和输出 每个神经元的隐藏层和输入 和输出 输出层:

步骤4:使用网络的期望输出和实际输出训练神经元计算错误 和 输出层和隐层的建立经验公式:

第五步:使用神经元误差 得到每一层的输出层和隐层中的每个神经元的输出来纠正hidden-output层之间的连接权重和阈值:

步骤6:使用错误 隐藏层和输入的每个单元的每个输入层的神经元之间的连接权重和阈值正确输入和隐藏层:

第七步:随机选择从剩下的训练样本,并提供网络培训,然后返回到步骤3,直到训练米训练样本。计算全球错误E:

随机选择一个训练样本和输入到神经网络集计算和设置错误的最大数量和培训时间培训。当任何一个条件满足,培训结束。可以判断建立神经网络满足需求通过比较次数的训练,训练时间和错误。

2.3。遗传算法的概述

人们普遍认为,遗传算法(GA)是进化算法的三个组成部分之一。方法模仿自然的遗传机制和随机全局搜索最优解。的基本思想是基于达尔文的进化论和孟德尔的遗传。教义和搜索和优化迭代过程完成,已成为一个重要的发现人类仿生学和具有广泛的使用价值24]。优秀的自学能力的遗传算法是解决复杂关系的一个有利工具。因为遗传算法不需要连续性和nondifferentiability问题,它要求参考生物遗传学的研究结果。遗传算法的目标是在全球范围的解决方案。解决方案空间的连续演化实现全局搜索和优化,遗传算法是非常有效的,并承诺在解决复杂的人工智能问题。

遗传算法是一种随机搜索和优化算法建立了模拟上述生物的遗传和长期演化过程。它包括三个基本操作符。选择、交叉和变异称为遗传操作。个体在遗传空间染色体;个人的基本组成是一个遗传基因的集合。个人被称为人口的集合。个人对环境的适应性是表达的健康。大型适应性表明适应性强的个体因为健身人群中个体的生存机会(25]。因此,适应度函数的形式直接决定了群体的进化行为。遗传算法是一种迭代优化过程。遗传操作编码样本数据来生成一个人口,决定了适应度函数,然后进行交叉和变异操作生成的人口。遗传算法的连续操作之后,新一代的新一代生成。遗传算法求解过程如图3。

(一)
(一)
(b)
(b)
(c)
(c)
图3
遗传算法解决问题的原理图。(一)遗传算法搜索算法。(b)种群进化。人口健康在进化过程中(c)的变化。

交叉是模仿有性繁殖的基因重组的过程。两个人从人口随机选择更高的适合随机配对,这叫做父。根据选择的交叉方法和交叉概率,单个基因的交换形成一对子女。交叉方法包括单点交叉和多点交叉。随机过程交换两个基因在同一位置相同的父母产生两个新的后代称为一点交叉。父母基因5678位点的交叉过程链如图4(一)。假设健身f个人由二进制数的平方代表符号字符串转换为十进制整数,母公司的健身前交叉是292= 841 - 1462= 21316和后代的健康交叉后182= 324 - 1572= 24649。可以看出,后代的基因链是由父母继承和重组,后代可能超越家长反映进化。多点交叉的原理和方法是一样的一点交叉。一个交叉算法是遗传算法的一个重要特性,它有别于其他算法。

(一)
(一)
(b)
(b)
图4
交叉和变异的遗传图示例。(一)交叉产业。(b)方差继承的例子。

变异操作是一个辅助方法用于生成新个体在遗传算法。它指的过程取代其他个人的一些基因与基因串的一部分,任何个人在人群中形成一个新的个体。在图所示的突变过程4 (b)。也可以改变给定的染色体位串 通过代数方法,如下:

新个体 生成。其中, 均匀随机变量对应的基因, 。

3所示。镁合金材料的力学性能的评价模型基于GA-BP神经网络

3.1。训练数据的收集、整理和分析力学评价模型

数据用于建立AZ31和AZ91 BP神经network-forecasting模型都是来自实验数据。选择有用的数据获得的样本数据,首先分析,分类和计数。基于保证模型的准确性和可行性,建立模型确定AZ31和AZ91镁合金有足够的数据被挤压变形过程,和相应的BP神经网络模型组成,建立过程和性能。为了统一标准,尽可能在文献中获得的数据在相同条件下使用。经过进一步排序和分类,196组AZ31和AZ91镁合金数据与相对较大的相关性已经解决。每组数据包括一个数据集的组成、过程,热处理,机械性能。

AZ31和AZ91镁合金;主要参数有挤压温度、挤压速度、挤压比率;常用的热处理方法主要包括解决方案治疗;溶液温度、溶液和主要参数。解决方案治疗后,冷却方法包括水淬火,淬火油和空气冷却。由于这些数据的多样性,很难量化,所以它们是统一的数据获得的研究小组的实验中使用的空气冷却。表1是工艺参数的统计分析和流程在AZ31和AZ91镁合金样本。

表1
统计处理在镁合金材料参数表数据样本。

在收集AZ31和AZ91镁合金的力学性能数据,他们基本上是在室温下力学性能数据。有少量的高温性能数据,但没有低温性能数据。这可能与镁合金的研究现状。因此,使用的数据在这个话题在室温下力学性能数据和数据测试实验。统计分析AZ31和AZ91镁合金的力学性能数据样本包括屈服强度196组,抗拉强度188组,伸长161组。

3.2。力学性能和建立BP神经网络预测模型

一般BP神经网络由一个输入layer-hidden layer-output层。隐藏层的数量决定了神经网络的准确性和计算。然而,三层BP神经网络可以完成大部分的实际问题,以及任何连续函数可以用于计算收敛性。因此,一个三层神经网络建立时使用AZ31和AZ91机械模型。如果隐藏神经元的数量太小,神经网络的误差太大,模型建立的意义都将丢失。如果隐藏神经元的数量太大,计算量太大,训练时间会太长,甚至无法收敛,从而形成一个无休止的循环。根据经验公式,神经网络结构最终确定为5-8-1。的三层BP神经网络结构如图5。使用培训计划由上述条件,相应的AZ31和AZ91镁合金极限抗拉强度(ut)屈服强度(y)和伸长(值得)分别建立BP神经网络模型。


图5
结构图的BP神经网络模型对镁合金材料的力学性能的评价。
3.3。基于遗传算法的优化模型

BP神经网络本身有其自身的缺点,主要是训练不确定性的复杂问题在培训过程中,具体体现在以下两个方面。一方面,它不能被训练。在BP神经网络的训练过程中,如果默认参数由MATLAB太大,可能会造成一些加权平均的值太大,这使得激活函数偏离其工作区域,这使得网络函数的权重调整无效。为了避免这一现象,首先选择一个较小的初始重量,其次使用一个较小的一个。学习速率:这个选择将会增加培训时间。另一方面,很容易选择一个局部最小值。BP神经网络使用梯度下降方法使网络权值收敛到一个解决方案。不过,全球最低的解决方案不能获得超平面。原因是错误的训练逐步达到最小误差斜率从某个起点。然而,对于一个复杂的BP神经网络,它的误差函数是一个多维空间曲面。 Training may get a minimum value, and this minimum value only represents a region and cannot represent the global minimum. The genetic algorithm uses a parallel global search method. The artificial neural network has the characteristics of self-learning. Using a genetic algorithm to optimize the BP neural network model can make the newly established learning algorithm have the advantages of both.

的过程中,使用遗传算法优化BP神经网络,遗传算法执行循环选择,交叉,变异和健身计算操作示例数据。通过仿真实验,确定最佳的健身的人口达到最大目标健身价值在80年的一代又一代的进化。获得最优权重和阈值,使用最优初始权值和阈值来构造一个BP神经网络训练网络。

根据BP神经网络优化的遗传算法的流程图如图6,遗传算法对BP神经网络的优化过程包括以下几个方面:(1)调整隐层神经元的数量的神经网络根据误差的大小之间的实际输出和期望输出。(2)编码数据生成初始种群,离散化形成染色体,执行cross-mutation数据,并确定最优阈值。(3)确定适应度函数。适应度函数代表了每个人对环境的适应性的人口。本文采用误差平方和EEEE BP神经网络训练样本的适应度函数;即遗传算法应该增加健身的方向进行。(4)遗传算法函数极值优化主要分为两个步骤:BP神经网络训练、配件、极值优化和遗传算法。


图6
遗传算法优化BP神经网络的流程图。

4所示。实验结果和分析

4.1。材料力学性能评价模型验证分析结果

首先,建立模型,材料力学性能的评估验证,和常见的评价函数是用于验证的性能建立了BP神经网络和BP神经网络遗传算法优化。实验结果如图所示7。

(一)
(一)
(b)
(b)
图7
迭代训练BP神经网络的结构和路径和GA-BP神经网络。(一)最小值的BP网络领域。(b) BP和GA-BP之间的误差比较。

从图可以看出7(一)GA-BP估计的神经网络后,虽然会有许多极小值区域,人口最终会呼叫最小值找到全球最低,人口最终会分布在全球最低。从图可以看出7 (b)遗传算法在MATLAB软件提高了BP神经网络。蓝色曲线是迭代训练的结果没有遗传算法优化BP神经网络。尽管约100次迭代之后,错误往往收敛,错误值还大。红色曲线是由遗传算法优化的神经网络训练结果。误差很小,只有60迭代收敛。可以从比较,遗传算法具有明显的优化BP神经网络的影响。

4.2。GA-BP神经网络模型评价的结果和分析材料的力学性能

神经网络训练需要大量的训练样本,我们随机选择120组196套AZ31和AZ91镁合金的实验中获得的数据作为训练样本和确认样品和规范化的数据网络培训。使用了三层BP神经网络模型来模拟AZ31和AZ91镁合金的生产,比较样本的训练结果和输出示例如图8(一个)。比较值的平均误差达到7.3%,效果并不理想。原因在于,不同的镁合金是高度离散的数据,从而导致大的错误结论。数据和神经网络模型应该进一步调整。对训练样本数据,使用遗传算法进行编码选择交叉和变异处理,获得相对较高的目标人口健身价值。基于优化重量域值数据和参数,AZ31和AZ91镁合金重建挤压温度、挤压速度、挤压比、溶液温度、时间和解决方案作为输入。UTS输出基于5-8-1三层BP神经网络预测模型优化的遗传算法,我们选择120组样本数据进行训练。实验样品和输出样本优化BP神经网络的遗传算法在图所示8(一个)。

(一)
(一)
(b)
(b)
图8
BP和GA-BP预测价值及其误差比较。(一)预测结果比较和(b)预测BP和GA-BP之间的比较。

UTS差异引起的不同拉伸时间相同的条件下用于定量描述的拉伸性能水平的力学性能,最终验证了网络预测样本。优化后的BP神经网络预测模型的遗传算法训练,生产的绝对平均误差从12.3%减少到4.3%,和最大绝对误差小于3%。生产的误差曲线如图8 (b)。

从图可以看出,与传统的BP神经网络预测模型相比,优化神经网络的误差值波动明显小,它有更高的预测精度。原因是遗传算法的BP神经网络优化显著增加样本值的健身价值,减少样本数据的分散。整体优化避免陷入局部极值,在短时间内达到预定值。与实验值误差很小。

从上面的分析,可以看出,使用遗传算法优化BP神经网络模型,从而进一步地降低了模型预测的平均误差,使模型更准确的预测能力。遗传算法优化神经网络的真正价值的配件和预测价值。曲线如图9。

(一)
(一)
(b)
(b)
(c)
(c)
图9
的拟合曲线GA-BP神经网络的真实值和预测值。(一)生产。(b) y。(c)值得信赖。

与传统的BP神经网络数据回归相比,BP神经网络遗传算法优化得到的样本数据较少的离散性,较高的健身价值,更准确的预测结果。镁合金生产的平均误差降低到0.88%;镁合金y的平均误差降低到3.3%;最明显的是,降低AZ31伸长的值得信赖,误差减少到8.1%,起到了很好的优化效果。与普通BP神经网络预测模型相比,它具有更高的预测精度。

5。结论

为了预测和评估镁合金材料的力学性能,基于结构的分析和镁合金材料的力学性能,选择5-8-1 BP神经网络预测模型来预测AZ31和AZ91镁合金的力学性能。通过收集和整理196套的力学性能数据样本实验,证实AZ31和AZ91镁合金的挤压温度、挤压速度、挤压系数、溶液温度、时间和解决方案作为输入。5-8-1三层BP神经网络预测模型与UTS基于遗传算法优化,y,值得作为输出。MATLAB平台提供的默认值变化与迭代次数,BP神经网络遗传算法优化得到的一个合理的训练时间和训练次数。输出的相对误差值和预期值是相对传统的BP神经网络优化。与误差相比,预测效果显著提高,这基本上是与实验结果一致。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由哈尔滨工程大学。