基于神经网络算法的汽车用高强铝合金铸造性能优化

摘要：

为了进行汽车用高强铝合金铸造性能优化,本文以合金元素、元素含量、熔炼温度、浇注温度为输入层参数,以合金的流动性作为输出层参数,选用Purelin函数、Tansig函数和Trainlm函数分别作为神经网络模型的输出层传递函数、隐含层传递函数、训练函数,采用神经网络算法构建了 4×16×4×1四层拓扑结构的神经网络模型.进行了神经网络模型的学习训练、预测分析以及未经学习训练样本的验证.结果表明,神经网络模型经过8892次迭代运算后收敛,模型的相对训练误差是3.50％～6.41％,平均相对训练误差是4.76％;相对预测误差是4.25％～5.56％,平均相对预测误差4.88％.神经网络模型预测能力较强,预测精度较高,可以用于汽车用高强铝合金铸造性能优化预测.

关键词：铸造性能、流动性、神经网络算法、高强铝合金、优化模型

所属期刊栏目：51

分类号：TG292(铸造)

资助基金：河北科技支撑计划项目11212138

在线出版日期：2022-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：73-75,78