圖片新聞
  供求信息
友情鏈接
當前位置:首頁>>詳細介紹

“2008年泛珠三角鍛壓年會”征文通知

 

“2008年泛珠三角鍛壓年會”征文通知

 

各有關單位:

為加強學術交流,促進我國鍛壓事業的蓬勃發展,由貴州省機械工程學會塑性成形分會主辦的第三屆“泛珠三角鍛壓年會”將于2008年8月召開,現將會議論文征集相關事項通知如下:

1.  論文內容:

為了使會議期間學術交流更為廣泛有效,我們將從來稿中評選出優秀論文,并將錄用論文編入論文集。會議征文內容范圍如下:

* 塑性加工(金屬及塑料成形)的理論、方法、工藝、模具、設備;

* 塑性加工領域的科學研究、技術革新、生產實踐經驗總結;

* 其它與鍛壓相關主題。

2.關于論文涉密部分處理的要求:

若論文內存在涉密部分,請投稿單位或個人根據保密規定進行相應處理。會議期間若出現泄密事故,由投稿單位或個人自行承擔相應責任,承辦單位概不負責。

3. 論文格式要求:          

論文作者應嚴格按照附件范本(見附件)的排版格式排版,并將論文e-mail(電子版)至lzh3118@vip.sina.comlily_237@163.com處,投稿截止日期為2008年5月10日

投稿內容包括:文章題目(中英)、作者姓名、所屬單位、聯系電話及電子郵箱地址、文章摘要(中英)、3-5個關鍵詞(中英)、主要作者簡介。提交的論文一律要求用Word排版,字數不超過5000字。

4. 會議地點及會議時間安排將另行發文通知。

5. 聯系方式:

地址:貴州省安順市安大航空鍛造有限責任公司

郵編:561005

聯系人:劉朝輝 顧莉莉

電話:0853-3393524、3393520

6. 特別提示

希望各位作者于百忙之中整理好論文并及時電郵給我們,歡迎從事相關專業的人士踴躍投稿。來稿請注明作者的聯系電話及電子郵箱地址、主要作者簡介等,以便我們與作者取得聯系。

 

 

貴州省機械工程學會塑性成形分會

 

2007年12月18日

 

 

 

 

 

附件

基于神經網絡的雙層輝光離子滲金屬
工藝預測模型(二號黑體)*

 

X  X 1  XXX 1   X  X 2 (四號仿宋)

(1.重慶大學  重慶  400044;

2.XX  XX  XXXXXX) (五號宋體)

 

摘要(小五黑體):將人工神經網絡理論和算法應用于雙層輝光離子滲金屬工藝的研究,在對網絡進行訓練的基礎上,建立了雙層輝光離子滲金屬工藝與滲層表面成分和元素總質量分數、滲層厚度和吸收率之間的數學模型,試驗結果與計算結果十分吻合。(小五宋體)

關鍵詞(小五黑體):雙層輝光  人工神經網絡  預測模型(小五宋體)

中圖分類號(小五黑體):TG156(小五宋體)

英文對照


0  前言(四號宋體)*

(五號宋體)雙層輝光離子滲金屬技術是我國在國內外都獲得專利的一項等離子表面冶金新技術[1-4],它可以在普通材料表面形成具有特殊物理、化學性質的表面合金層。雙層輝光離子多元共滲是一個非常復雜的問題,各種合金元素在源極表面濺射的特性、工件表面的沉積擴散,等離子體空間傳輸存在較大的差異。而且宏觀工藝參數較多,它們之間相互作用關系復雜,以往人們都是借助于經驗,很難找到反映其內在規律的數學模型。

人工神經網絡理論的提出與發展為研究非線性系統提供了一種強有力的工具,它已成功的應用于許多研究領域,在材料熱處理學科的應用越來越受到重視[5-6]。首次以美國HAYEN公司生產的 Hastelloy C—2000鎳基耐蝕合金為源極,進行Ni-Cr-Mo-Cu多元共滲工藝研究。利用人工神經網絡技術,建立了雙層輝光離子滲金屬工藝與滲層合金成分及合金元素總質量分數、滲層厚度和吸收率之間的預測模型。

1  試驗方法和試驗方案(四號宋體)

1.1  試驗方法

滲金屬試驗在自制雙層輝光離子滲金屬爐中進行,源極材料為Hastelloy C—2000合金,尺寸為130 mm×50 mm×4 mm,工件材料為20鋼,尺寸為80 mm×25 mm×3 mm。采用脈沖放電模式:源極采用直流電源,工件采用脈沖電源。源極材料Hastelloy C—2000的質量分數:wNi=59%,wMo=16%,wCr=23%,wCu=1.6%,wC<0.01%。

1.2  試驗方案(五號黑體)

為了選定正交試驗各個工藝參數的取值范圍,先結合以往試驗研究的經驗,然后又進行了20余爐的摸索性試驗,確定了正交工藝參數。正交試驗按照L16(45)正交表進行試驗。指標項目為滲層表面合金元素成分及總質量分數、滲層厚度和吸收率。因素水平表如表1所示。

1  因素水平表(小五宋體)

因素(六號宋體)

水平

1

2

3

4

源極電壓U/V

1 050

1 000

950

900

工件電壓U/V

275

250

350

300

    氣壓pPa

35

30

45

40

極間距dmm

15

20

25

22.5

2  數學模型

 

在網絡學習部分,采用三層BP神經網絡來完成函數的映射。誤差逆傳播神經網絡是一種具有三層或三層以上的階層型神經網絡,如圖所示為一個三層前饋神經網絡:它包括輸入層、隱含層(中間層)、輸出層;輸入層有i個節點,隱含層有j 個節點,輸出層有t個節點。上、下層之間各神經元實現全連接,即下層的每一單元與上層的每一單元都實現權連接,而每層各神經元之間無連接。網絡按有教師示教的方式進行學習,當一對學習模式提供給網絡后,神經元激活值從輸入層經各中間層向輸出層傳播,在輸出層的各神經元獲得網絡的輸入響應。這以后,按減小希望輸出與實際輸出之間誤差的方向,從輸出層經各中間層逐層修正各連接權值,最后回到輸入層。

圖1  典型BP網絡示意圖(小五宋體)

    算法步驟:

(1) 設置初始權系w(0)為較小的隨機非零值。

(2) 給定輸入/輸出樣本對,計算網絡的輸出:

 設第p組樣本輸入、輸出分別為

up=(u1p,u2p,…,unp)

dp=(d1p,d2p,…,dnp)     p=1,2,…,L

 節點i在第p組樣本輸入時,輸出為

                           (1)                       

式中  IjP——在第p組樣本輸入時,節點i的第j個輸入

f是激勵函數,采用Sigmoid型,即

                                                     (2)          

可由輸入層經隱層至輸出層,求得網絡輸出層節點的輸入。

(3) 計算網絡的目標函數J

Ep為在第p組樣本輸入時網絡的目標函數,取L2范數,則

(3)

式中  ykp(t)——在第p組樣本輸入時,經t次權值調整網絡的輸出,k是輸出層第k個節點

網絡的總目標函數為

                                                  (4)

作為對網絡學習狀況的評價。

判別: 若   

                                  J e                               (5)

式中  e  —— 預先確定的,e≥0                            

則算法結束,否則,至步驟(4)。

(4) 反向傳播計算

由輸出層,依據J按“梯度下降法”反向計  算,逐層調整權值。

                       

                              (6)

式中 —— 步長或稱為學習率,本文中n

       1 000 000, 取0.9

3  計算結果與比較

為檢驗程序的可靠性與實用性,對雙層輝光離子多元共滲工藝參數:源極電壓、工件電壓、極間距、氣壓對滲層表面的合金元素總質量分數、滲層厚度、各合金元素質量分數、吸收率(工件增重/源極增重)的影響進行了網絡學習,并與試驗結果進行了比較。模型的輸入節點數為4個工藝參數,隱含層節點數為5,輸出分別為上敘各指標項。為保證網絡訓練準確可靠,同時又具有一定的推廣能力,在正交試驗16組數據中選擇13組作為訓練樣本,余下的3組以及正交優化工藝作為檢測樣本。經過1 000 000次訓練的試驗數據與計算結果的比較見表2、表3。

2  預測滲層表面的成分

編號

質量分數w/%

   Ni           Cr           Mo          Cu

5

49.881

14.695

11.365

1.605

預測值

51.734

16.962

11.211

1.661

12

50.514

16.691

14.071

0.912

預測值

51.171

17.509

13.048

0.415

16

50.290

19.164

 6.480

1.308

預測值

50.826

18.104

  7.8130

1.333

17

57.168

19.655

14.732

1.353

預測值

59.891

20.107

12.163

1.403

從表2、表3可以看出訓練樣本和檢測樣本的網絡實際輸出值與期望值都很接近,說明應用神經網絡描述雙層輝光離子滲金屬工藝參數與滲層的表面合金成分和合金總質量分數、滲層厚度、吸收率之間的映射模型是十分有效的。


3  人工神經網絡訓練與預測值

試驗編號

源極電壓

U∕V

工件電壓

U∕V

極間距

d∕mm

氣壓

p∕Pa

吸收率s∕%

滲層厚度δ∕μm

元素總質量分數w∕%

  試驗值       預測值

 試驗值      預測值

  試驗值       預測值

 

1

1

1

1

1

70.900

70.587

34.5

34.579

87.496

87.437

 

2

1

2

2

2

61.200

60.871

36.5

36.380

89.796

89.237

 

3

1

3

3

3

33.330

32.847

19.0

19.245

84.895

84.508

 

4

1

4

4

4

44.650

44.401

21.0

20.871

77.579

77.321

 

 5*

2

1

2

3

48.100

47.753

25.5

24.950

77.546

76.796

 

 17*

1

2

1

1

79.340

80.920

38.0

38.459

92.908

92.210

 

  注:*為檢測樣本值,試驗編號17為正交優化工藝(六號宋體)


4  結論

通過對基于神經網絡的雙層輝光離子多元共滲的工藝研究,建立起工藝參數與滲層的表面合金成分和合金總質量分數、滲層厚度和吸收率之間的映射模型。該模型的建立為多元共滲這種多變量、非線性系統的問題的解決提供了一個有效的工具。

參  考  文  獻(五號黑體)

[1]  Zhong X,YUAN G,SU Y A, et al. Double glow surface alloying process[C].In:Third Pacific RimInternational Conference on Advanced Materials and Processing,Hawaii. 1998,6:1 969-1 978.

[2]  高原,賀志勇,趙晉香. 機用鋸條齒部表面強化組織的研究[J].材料科學與工藝,1995,3(3):62-66.(小五宋體)

[3]  高原,賀志勇,趙晉香.一種新型的表面高速鋼的形成方法[J]. 太原理工大學學報,1996,27(1):33-35.

[4]  高原,賀志勇,劉小萍. 離子滲鉻鉬手用鋸條合金元素與切削性能的研究[J].兵工學報,1998,19(4):331-335.

[5]  李延民,潘清躍,黃衛東,等.應用人工神經網絡于激光加工工藝優化[J]. 金屬熱處理學報,1998,19(4):14-17.

[6]  吳良,鐘文鋒. 基于人工神經網絡的結構鋼端淬曲線預測系統模型的研究[J]. 金屬熱處理學報,2000,21(4):13-17.

 

作者簡介(六號黑體):X X,男,1973年出生,博士研究生,主要研究方向為表面改性方面的研究。(六號)

E-mail(六號黑體)::XX@163.com

 

 



*  xx項目(7150080050)。20010705收到初稿,

20020515收到修改稿(六號宋體,此處為角注,和正文分開)


版權所有:江西省鍛壓協會   E-mail: jxforge@163.com
地 址: 南昌市學府路999號南昌大學機電樓   先進成形制造及模具研究所
聯系電話:0791-5287568 閆洪秘書長 0791-8016906 涂強常務副秘書長
金雕团队刷彩票单 贵港市| 白朗县| 三明市| 十堰市| 吕梁市| 车险| 保德县| 亳州市| 健康| 广德县| 莲花县| 郎溪县| 桦甸市| 横山县| 泽州县| 榆林市| 蓝山县| 花莲县| 青州市| 彰化县| 江油市| 方山县| 九江市| 扎鲁特旗| 赞皇县| 大足县| 吉首市| 黄冈市| 瑞昌市| 饶平县| 威海市| 尖扎县| 宣汉县| 新闻| 虎林市| 平原县| 甘泉县| 张家港市|