ZrO_2_SiC材料中原位SiC生成量预报的神经网络模型.pdf

《ZrO_2_SiC材料中原位SiC生成量预报的神经网络模型.pdf》由会员分享，可在线阅读，更多相关《ZrO_2_SiC材料中原位SiC生成量预报的神经网络模型.pdf（4页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、ZrO2-SiC 材料中原位 SiC 生成量预报的神经网络模型?阎加强?单松高?伍卫琼?张培新?隋智通?(武汉工业大学,430070)?(广西大学)?(东北大学,110006)摘?要:研究了基于神经网络的 ZrO2-SiC 材料中原位 SiC 生成量预报模型,运用材料制备过程中的工艺参数,实现了 SiC 生成量的预报。结果表明:本模型具有良好的预报效果,人工神经网络是材料性能定量预报的一种有效方法。关键词:神经网络,性能预报,反应烧结,原位复合1?前?言利用天然原料,加入适当添加剂,经反应烧结制备原位复合材料是材料制备的一种重要技术1,2。前期工作表明 3,4:通过反应烧结锆英石和碳黑的混合物

2、可制得含原位(in-situ)SiC颗粒(SiC(P)的 ZrO2-SiC(P)材料,其中烧结温度、保温时间、碳黑含量、成型压力及铁粉加入量等工艺条件都能影响原位 SiC 的生成量。在探讨工艺条件和原位 SiC 生成量的关系时,作者采用了传统的试探法,即先固定某些参数,改变一种参数,试探材料的性能,经线性回归进而找出特定条件下的较优工艺方案。但工艺条件与SiC 生成量间复杂的非线性关系,使回归方法费力费时且较难获得理想的结果。神经网络是 80 年代后期迅速发展起来的一门新兴学科 5,是一种模仿人类神经系统的新型信息处理系统,具有自学习、自组织、自适应和非线性动态处理等特性,并具有极强的容错及联

3、想能力,已在合金相组成 6,7,氧化物相图特征预报 8等材料研究方面得到应用。本文在一定实验数据基础上,尝试运用 BP 网络建立预报模型并对反应烧结 ZrO2-SiC(P)材料中原位 SiC 生成量进行预报。2?BP 网络结构及算法原理BP 网络是一种前馈式全连接多层神经网络,具有较强的联想记忆和推广能力,三层 BP网络能以任意精度逼近任何非线性连续函数9。网络由一个输入层、一个或多个隐层及一个输出层组成,每层可含有一个或多个神经元。BP 网络结构如图 1,单个神经元结构如图2。图中 Xi(i=1,2,?,n)为神经元输入,Wji(i=1,2,?,n)为神经元权重,Oj为神经元输出,Oj由下式

4、确定:Oj=f(?ni=1WjiXi-?j)其中?j为神经元阈值,f 为传递函数,常取为如下一类非线性函数:f(x)=11+e-xf(x)=1-e-x1+ex网络学习过程由正向传播和反向传播两部分组成,在正向传播过程中,输入模式从输入层经隐单元层逐层处理,并传向输出层,每一层神经元的状态只影响下一层的神经元状态;若在输出层得不到期望输出,则转入反向传播;此时,误差信号从输出层向输入层传播并沿途调整各层连接权值及各层神经元的偏置值,以使误差不断减小。一般取系统的均方误差为:E=12P?pn=1(Tn-On)2其中:P 为学习样本数,Tn 为第 n 个学习 56 硅酸盐通报?1999 年第 3 期

5、?本工作获国家自然科学基金资助(29761001)样本,通常称之为教师信号;On 为相应的网络实际输出值。BP 算法把一组样本的输入输出问题变为一个非线性优化问题。采用 BP 网络进行预报,不必象其它预报模型一样建立一种显示的预报公式,且不受材料制备工艺机理复杂性的限制。它不需要预先知道输入输出间的关系模型,而是从实验数据中自学习知识,把各影响因素作为输入变量,建立各变量与预报结果间的非线性映射,最终达到预报的目的。图 1?BP 网络结构示意图图 2?单个神经元结构图3?BP 网络预报模型建模3?1 工艺参数的选择影响原位 SiC 生成量的因素很多,筛选出对其影响较为显著的参数,可减少输入层节

6、点数,减少计算量,更有效地进行预报。根据前期工作的研究,本文选择烧结温度(T/!)、保温时间(t/h)、碳黑含量(Mc=CZrSiO4摩尔比)、成型压力(P/MPa)及铁粉加入量(WFe/wt%)等五个工艺参数作为网络的输入。3?2 网络结构的选择根据问题的实情来选用网络结构。本文采用一个 5#3#1 的三层 BP 网络结构,如图 3所示。其中网络的五个输入分别为烧结温度(Z1)、保温时间(Z2)、碳黑加入量(Z3)、成型压力(Z4)及铁粉加入量(Z5);输出 O 为原位 SiC的生成量;三个隐层的输出为 Yj;Vji和 Wj分别为输入层和隐层、隐层和输出层间的权值。3?3 学习参数的选择网络

7、学习开始时要选择几个重要参数:学习步长,动量项系数!,训练误差 ,它们对学习结果起到重要作用,但却没有固定的选择规律。选择太小,网络收敛很慢,增加训练时间且易在训练过程中陷入局部最小点;选择太大,网络可能出现麻痹现象或连续不稳定现象。则与网络的推广性相关,并非学得越好(越小),预报效果越好,因为非常小时,网络不仅把学习样本集的共性学习了,同时也把其个性学习了,影响网络的通用性。实践表明,一般 在 0.1 0.6,!在 0.2 0.9 间调整,但最佳值则要经多次学习调整。本文中选取 =0.15,!=0.20,=0.01,置 Vji和 Wj为-0.5 0.5 间的随机数。3?4 网络输入输出的预处

8、理由于本工作选择隐层节点的传递函数为Sigmoid 函数,为了加速收敛速度,应使神经元工作在传递函数曲线斜率较大的空间,即非饱和区(如图 4)。此时 BP 网络的输入在-2.22.2 之间,相应输出在 0.1 0.9 之间,因此需要对网络输入输出进行预处理。由于各参数量纲不同,故应分别对每个参数进行归一化预处理。待神经网络计算结束后再作反归一化处理,便可得到实际输出值。3?5 神经网络的学习利用 BP 网络对样本进行学习,本文采用的学习样本列于表 1。经 24500 次学习,满足误差要求。学习后的网络掌握了输入(各工艺参数)和输出(原位 SiC 生成量)间的关系。57 硅酸盐通报?1999 年

9、第 3 期3?6 神经网络的预报经学习后掌握了工艺参数与原位 SiC 生成量关系等知识信息的 BP 网络具有了预报功能,向网络中输入各工艺参数,便可得到不同工艺条件下原位 SiC 生成量的值。表 1?BP 网络学习用样本Sample T/!t/h Mc P/MPa Fe/wt%SiC/wt%123456789101112131415161718192013501400145015001550155015501550155015501550155015501550155015501550155015501550444444444268444444443.33.33.33.33.33.33.33.

10、33.33.33.33.33.33.33.33.33.03.53.74.022222468102222222222233333333333318131833331.346.8916.2318.3721.8813.3410.569.219.6910.9722.0421.9619.8022.7015.8616.2919.6222.4723.1223.374?网络学习及预报结果BP 网络对 20 个学习样本的学习结果如图5所示。可见,经学习后,神经网络能完全正确地识别这些样本,建立起不同工艺条件与原位SiC 生成量的复杂对应关系。为进一步考证所建立的模型,将实验提供的 4 个样本由已掌握了知识信息的

11、神经网络对其进行预报,结果如表2 所示。显然,预报结果与实测结果基本一致,最大相对误差为 1.12%,本模型具有较高的预报精度。神经网络以其处理多因子、多目标的非线性模式识别问题的能力适合于材料性能的预报。与一般多因子判别法相比具有容错能力强、抗干扰能力强及速度快等优点,且学习后掌握了知识信息的网络可作为 知识%存入专家系统,或与遗传算法相结合,进一步优化工艺。人工神经网络为材料工艺优化、物性定量预报提供了一条崭新的途径。图 3?三层 BP 网络结构图 4?Sigmoid 函数示意图图 5?神经网络学习预报结果 58 硅酸盐通报?1999 年第 3 期表 2?神经网络预报结果SampleT/!

12、t/hMcP/MPaFe/wt%SiC*/wt%SiC*/wt%Relative Error/%1234152015201520152044443.64.03.43.510572854613.6916.9415.0222.9613.7417.1314.9423.140.361.120.660.78?*实验值?*网络预报值5?结论(1)神经网络模型可成功预报反应烧结ZrO2-SiC(P)材料中原位 SiC 生成量,指导优化工艺条件;预报结果与实测结果相互印证,模型具有较高的预报精度。(2)采用神经网络进行预报,不必建立复杂的数学模型,适用于具有复杂关系的材料制备过程的解析,是一种很有发展前途的材

13、料研究辅助方法。参考文献 1 张国军,金宗哲.材料导报,1996,10(2):62 2 Padture N P,Lawn B R.J.Am.Ceram.Soc.,1994,77(10):25183 阎加强,郭震中,隋智通.耐火材料,1996,30(6):308 4 阎加强.东北大学硕士学位论文.1995,3 5 史忠植.神经计算.电子工业出版社,19936 李正,刘 洪霖,陈念 贻.科学通 报,1990,36(20):1599 7 李正,钦佩等.科学通报,1993,39(1):948严六明,钦佩,柳妙修,陈念贻.硅酸盐学报,1994,22(6):517 9Funahashi K.Neural

14、Networks,1989,2:183Prediction Model for in-situ SiC Contentin ZrO2-SiC Ceramics Using Artificial Neural NetworksYan Jiaqiang?Shan Songgao?Wu Weiqiong(Wuhan University of Technology)Zhang Peixin?Sui Zhitong?(Guangxi University)?(Northeastern University)Abstract:The prediction model for in-situ silico

15、n carbide in ZrO2-SiC ceramics was discussed based on artificial neuralnetworks(ANN)in this paper.In-situ SiC content prediction was realized by the model using process parameters in thepreparation of ZrO2-SiC ceramics.The results show that the model exhibits good effect and ANN is one of promisingmethods for quantitative prediction of materials properties.Key words:artificial neural networks,property prediction,reaction-sintering,in-situ composite更正因校对失误,本刊 1999 年第 2 期第 62 页作者姓名排版有误,现更正如下,并向作者致以歉意!刘东发?刘卫东?曾德朝(佛山石湾建国陶瓷厂?石湾 528031)?(华南理工大学材料学院?广州五山 510641)编辑部 59 硅酸盐通报?1999 年第 3 期