基于BP神经网络的模型铲刀推土阻力预测模型黄葵;李因武;李建桥;彭剑波【摘要】将BP神经网络应用于典型的曲面推土板-模型铲刀推土阻力的预测.在模型铲刀推土试验研究结果的基础上,以模型铲刀的切削角、前翻角和切削速度为输入,以模型铲刀推土阻力的水平分力与垂直分力为输出,建立了BP神经网络数值模拟模型.研究结果表明,该BP神经网络有效地预测了模型铲刀的推土阻力,其准确率在94%以上.【期刊名称】《农机化研究》【年(卷),期】2009(031)002【总页数】4页(P121-124)【关键词】BP神经网络;模型铲刀;推土阻力;预测【作者】黄葵;李因武;李建桥;彭剑波【作者单位】长春大学,计算机科学技术学院,长春130022;吉林大学,地面机械仿生技术教育部重点实验室,长春130025;吉林大学,地面机械仿生技术教育部重点实验室,长春130025;吉林大学,地面机械仿生技术教育部重点实验室,长春130025【正文语种】中文【中图分类】TP183;S1260 引言由于各种地面机械的作业目标不同，其触土部件具有不同的作业方式、形状和作业效果。
推土铲刀或犁等地面机械触土部件的作业面大多是曲面或平面与曲面的复合。
由于曲面形状具有多样性和复杂性，导致无法对各种形状的曲面推土板进行试验研究。
另外，影响土壤试验结果的干扰因素过多、试验周期长、数据分散性大和重现性差等，制约了曲面推土板与土壤相互作用的试验研究。
以模拟试验替代真实试验来研究土壤/固体界面粘附系统，成为目前机械土壤动力学研究所追求的目标[1-2]。
模拟试验较之土槽试验，不仅能显著缩短研究周期、节省研究费用和提高试验精度，而且抗干扰能力强，初始、边界条件及外部激励精确可控，可逐步对数学模型进行修正或补充，使之日臻完善。
人工神经网络(ANN，Artificial Neural Network)是由大量简单的处理单元广泛地互相连接而形成的复杂网络系统[2]。
它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统，具有高度的自学习和逼近非线性能力。
GA—BP算法下的管材滚切预测模型为了满足管材滚切高质量的要求，本文利用遗传算法优化BP神经网络模型，实现对管材切口质量的预测。
通过数值模拟得到管材滚切预测网络模型的输入输出样本数据，以此数据在GA-BP神经网络模型上进行仿真最终得到管材滚切预测的GA-BP网络模型。
通过一系列的实践应用，得知GA-BP算法模型具备良好的预测精度及其稳定性。
以建立的管材滚切预测的GA-BP网络模型，在MATLAB 的GUI环境中建立了管材滚切过程中所需的工艺参数直接从界面输入，通过所建模型的预测，输出结果直接从界面上读取，实现了管材滚切预测模式的人机交互。
标签：管材滚切；优化；神经网络；预测；GA-BP算法前言GA-BP算法由于其自身应用效益，得到了现实工作的有效普及，它是一種可以进行管材滚切有效预测的模型，通过对MATLAB程序语言编写程序的有效应用，可以实现对GA-BP算法模型的有效建立，促进其相关用户操作界面系统的应用，保证其管材滚切过程中，人机交互性的有效预测。
该文就GA-BP算法应用模式下的管材滚切预测工作展开分析，针对其现实存在的问题，展开分析，实现其内部各个应用程序的协调，实现相关工作环节的优化。
1 关于GA-BP算法的实现环节时代的发展，促进了管材滚压剪切技术[1]体系的健全，促进其内部各个程序的完善，但是目前来说，其应用技术模式依旧是不成熟的，容易出现相关环节的问题，比如钢管切口尺寸的精度控制问题。
受到钢管的相关性质的影响，其切口尺寸精度是难以掌握的。
由于其工艺参数因素及其滚刀尺寸因素的影响，都加重了实际工作的复杂性，在加上材料性能参数状况，边界情况，更加剧了上述工作的复杂程度，这需要找到一个突破点。
对原有工艺参数改进时需从初始工况重新进行设定计算，耗费大量人力和机时。
因此，针对管材滚压剪切过程，开发一套人机交互的管材滚压剪切预测系统是十分必要的。
此系统不但能减少繁重的重复劳动，提高计算效率，还可为管材滚压剪切过程工艺选择合理的工艺参数，提高产品剪切质量，缩短新产品开发周期等提供支持平台。
Cu-12%Al合金高温压缩变形过程本构关系的BP神经网络模型BP N eural N etworks M odels for Constitutive Relat ionshipDuring H igh T emperature Deform ationProcess of Cu-12%A l A lloy刘雪峰,马胜军,刘锦平,谢建新(北京科技大学新材料技术研究院,北京100083)LIU Xue-feng,M A Sheng-jun,LIU Jin-ping,XIE Jian-xin(Advanced Materials and Technolog ies Institute,U niv ersity o f Science and T echnolo gy Beijing,Beijing100083,China)摘要:以G leeble-1500热模拟试验机上高温压缩实验所得实测数据为基础,根据BP(Back Pr opagation)人工神经网络算法原理,建立了Cu-12%(质量分数,下同)A l合金高温压缩变形过程真应力与真应变、应变速率和变形温度关系的神经网络预测模型。
结果表明:BP神经网络用于Cu-12%A l合金高温压缩变形过程的本构关系建模是可行的,真应力预测值与实验值之间的平均相对误差小于1.8%,可很好地反映实际变形过程的特征。
关键词:Cu-12%Al合金;高温变形;变形全过程;本构关系;神经网络中图分类号:T G146文献标识码:A文章编号:1001-4381(2009)01-0010-05Abstract:On the basis of the co mpr ession ex perim ent data obtained from Gleeble-1500therm al simula-tor,the predicted mo del of the w hole pr ocess of hig h temperature deform ation fo r the relation betw een tr ue stress and tr ue strain,str ain rate and temperature fo r Cu-12%(m ass fraction)Al allo y w as deve-l o ped w ith BP Neural Netw o rk(BPNN)method.T he results show that BPN N method is feasible to establish w hole process of high temper ature compressio n defo rmation co nstitutiv e relation model of Cu-12%A l alloy.T he averag e relativ e er ror betw een predicted and ex perim ental data of true stress is less than1.8%,and the predicted model can r eflect the real feature of the practical deform ation pro cess.Key words:Cu-12%Al alloy;hig h temper ature defo rmation;w ho le deform ation process;constitutive re-lationship;neur al netw ork铜铝合金具有优良的物理、力学性能和耐蚀性能,并且价格低廉,在国民经济和国防军工的各个领域应用较为广泛。
