王永强[1]2003年在《基于ANFIS模型的灰铸铁性能遗传优化》文中研究表明灰铸铁是由多种合金元素组成的复杂体系，其性能不但受成分和熔炼工艺参数的影响，同时还要考虑成本因素，其成分—工艺—性能建模和低成本配料，在灰铁工程应用中是一个普遍关注的问题，其研究具有较大的实际应用价值。 本文将自适应—神经模糊推理系统(ANFIS)建模方法用于材料成分—工艺—性能建模，克服了传统反向传播等网络结构仅具有函数逼近功能的“黑箱”缺点，在实现函数逼近的同时可直接从数据中总结规律，获得“IF-THEN”形式表达的结构化知识，从而为数据中知识的发现和表达提供了一种有效的方法。 通过将自适应—神经模糊推理系统模型耦合到遗传算法的框架中，实现成分和工艺参数的同时优化，形成了较为完整的成分设计与优化的理论框架，克服了模糊推理模型不能用传统的基于导数的优化方法进行寻优的困难，为该类问题的解决提供了一条新的途径；同时较好地解决了材料性能在多因素约束条件下的优化问题。 采用基于ANFIS模型的遗传优化方法，进行了灰铸铁牌号设计、配料优化、实验验证，证明了方法的正确性和可行性，且具有较大的实用价值；本研究所形成的算法和程序正确、可靠，具有一定的通用性，为石油、化工、冶金和材料领域的相关问题的解决，提供了可借鉴的方法和手段，因此，本研究的成果具有较好的推广应用价值。
夏伯才[2]2004年在《数据软计算建模与优化及其在材料工程中的应用》文中研究指明由材料成分和工艺预测性能，或由预定性能设计材料成分和工艺，实现材料的计算设计，是材料科学与工程中重要的研究课题之一，但目前尚难以从机理出发通过理论计算设计工程材料。一种可行的方法是，建立数据模型，进行经验设计。由于传统的统计建模难以反映材料中存在的复杂交互作用关系，而用软计算实现材料经验数据建模和优化更为有效，目前正成为新的学科交叉点和研究热点。因此，开展材料经验数据建模与优化研究，不但可以丰富和完善材料设计理论和方法，而且具有重要的实用价值。鉴于此，论文旨在形成一个用于材料经验设计的数据软计算建模与优化框架。主要对以下内容开展研究：改进神经网络学习算法，简化模糊推理系统；改进遗传算法和粒群优化算法；开展软计算在工程材料中的应用研究。在建模与优化理论方面，主要创新与突破表现在：提出了基于贝叶斯权重规范化的差异演化训练算法，改善了多层前馈型网络的学习精度和泛化能力；综合采用模糊聚类、误差回逆学习及基于相似分析的规则库约减，提高了高木—关野(Takagi-Sugeno)型模糊推理系统的可解释性；改进了遗传算法编码方式，并用模糊控制策略调整交叉和变异过程，形成了高效的十进制遗传算法和十进制近似遗传算法，提高了寻优速度和计算效率；用模糊控制和差异演化控制粒群优化参数，形成了高效快速的复合粒群算法，同时将捕食优化等新算法用于材料优化；实现了模糊决策的多目标材料参数优化，形成了基于软计算的材料经验设计理论框架。在实际应用方面，取得的成果包括：建立了基于网形图的冲天炉熔炼工艺模型，在预定熔化率和炉温的模糊限制条件下，以提高热效率为目标，实现了工艺参数的模糊多目标优化；通过ZL101A合金成分－力学性能建模分析，对Si、Mg和Fe含量进行优化，在湿砂型T5状态下，使抗拉强度(b和伸长率(5稳定在250±10MPa和3.0±0.5%；通过A319铸造铝合金固溶处理工艺试验，建立了固溶工艺模型，得到了最佳固溶温度和时间参数，在金属型T6状态下，使抗拉强度稳定在340MPa左右且伸长率在5％以上；通过高碳当量灰铁成分－性能建模，进行成分设计，制备出具有良好工艺性能的高碳当量高强度灰铁；通过建立HT250成分、出铁温度、浇注温度与抗拉强度和硬度之间的关系，用多种遗传算法实现了预定强度和硬度下铁水成分与冲天炉熔炼工艺的综合优化。通过综合采用多种软计算中技术，开展经验数据建模与优化研究，改进现有算法，形成了材料经验数据软计算建模与优化框架体系，并成功用于工业合金材料的成分和工艺设计。<WP=7>研究形成的技术和方法具有一定的通用性和推广价值，可以应用到其它类似工艺过程的建模分析与优化。
参考文献：
[1]. 基于ANFIS模型的灰铸铁性能遗传优化[D]. 王永强. 四川大学. 2003
[2]. 数据软计算建模与优化及其在材料工程中的应用[D]. 夏伯才. 重庆大学. 2004
标签：金属学及金属工艺论文; 机械工业论文; 灰铸铁论文; 配料论文; 自适应神经模糊推理系统论文; 遗传算法论文;