基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型

摘要

进入21世纪，随着航空、航天、电子、特别是汽车等领域对轻量化的要求日益迫切，镁合金其诸多性能尤其是密度小的性能特点被广泛重视，然而，镁合金在应用过程中其抗腐蚀和塑形能力差这两个技术瓶颈严重制约其广泛应用。突破其固有技术瓶颈愈加成为研究领域热点。传统研究和加工过程的影响因素十分复杂多变，造成试验结果的不稳定，尤其是镁合金的活泼性导致冶金质量不稳定性，这些因素必然会导致研究过程中的实验数据波动大、结论准确性低、工作量大、时间长、成本高等一系列缺点。为此，人工智能研究方法引入材料科学研究领域日趋广泛，虽然也覆盖了镁合金研究领域，但应用于腐蚀性能研究几乎未见报道。所以本论文在课题组前面工作的基础上，采用BP神经网络和遗传算法的原理及其特点，建立镁合金腐蚀性能和力学性能的预报模型，主要成果如下：　　1）基于镁合金的腐蚀性能的数据，建立AZ31、AZ91两种镁合金以离心压力、腐蚀时间、Fe 元素含量、第二相含量为输入，腐蚀深度为输出的采用遗传算法优化的4-8-1三层BP神经网络预报模型，用相同条件下不同腐蚀时间所造成的腐蚀深度差异，从而定量的表征耐腐蚀性能高低，该预报模型能较为够精确的预报腐蚀深度，从而利用了腐蚀深度的比较样本和期望值之间的误差很好的表征腐蚀性能。经过遗传算法优化的BP神经网络预报模型，腐蚀深度的平均绝对误差由7.3%降到2.3%，最大误绝对误差小于3.0%，传统BP神经网络的均方根误差为0.6835，遗传算法优化的BP神经网络的均方根误差为0.3924。因此遗传算法优化的神经网络预报模型与传统的BP神经网络预报模型相比，具备更高的预测精度，从而能够较好地预测镁合金的腐蚀性能。　　2）基于AZ31、AZ91两种镁合金的196组力学性能实验结果和有关数据资料，在对数据分析和整理的基础上，以合金元素、变形温度、变形速率、变形系数、固溶温度、固溶时间、时效温度、时效时间为输入，以抗拉强度（UTS）、屈服强度（YS）、延伸率（ELO）为输出，利用遗传算法优化的8-8-1三层BP神经网络预报模型进行数据训练，训练结果表明：该预报模型可以比较精确地预报抗拉强度、屈服强度和延伸率，AZ31，AZ91 两种镁合金的抗拉强度的绝对平均误差由2.80%降到0.88%和1.2%；屈服强度的绝对平均误差由6.62%降到3.3%和3.0%；延伸率的绝对平均误差由10.16%降到8.0%和7.8%，传统BP神经网络的均方根误差为0.7502，遗传算法优化的BP神经网络的均方根误差为0.4139，与一般的BP神经网络预报模型相比，具有较高的预测精度。

目录

第一个书签之前