基于RBF神经网络的添加剂改性炭材料高温粘结剂的性能预报模型

摘要

本文在炭材料粘结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对粘结强度的影响关系，建立了添加剂改性炭材料粘结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型，并与BP(Back—Propagation逆传播)人工神经网络进行了预报精度和训练过程比较，结果表明：上述两种模型对于粘结强度的预报平均相对误差分别为0.0127和0.0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确粘结性能的添加剂配方和热处理数据。可望在炭材料粘结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料粘结剂提供一条有应用前景的理论设计途径。