热加工工艺
熱加工工藝
열가공공예
HOT WORKING TECHNOLOGY
2013年
12期
214-216
,共3页
神经网络%不锈钢%离子渗氮%预测
神經網絡%不鏽鋼%離子滲氮%預測
신경망락%불수강%리자삼담%예측
neural network%stainless steel%ionic nitriding%prediction
以渗氮温度、渗氮时间和氮氢比作为输入层参数,以硬度、渗层深度和年腐蚀深度作为输出层参数,构建3×15×9×3四层神经网络模型.采用不同工艺参数下的试验数据作为网络的训练样本和验证样本.结果表明,训练后的神经网络所预测的离子渗氮不锈钢的主要性能参数误差值分别为:硬度的最大相对误差为2.74％,渗层深度的最大相对误差为3.70％,年腐蚀深度的最大相对误差为3.16％,具有较强的识别能力和预测能力.神经网络可应用于实际的不锈钢离子渗氮工艺指导.
以滲氮溫度、滲氮時間和氮氫比作為輸入層參數,以硬度、滲層深度和年腐蝕深度作為輸齣層參數,構建3×15×9×3四層神經網絡模型.採用不同工藝參數下的試驗數據作為網絡的訓練樣本和驗證樣本.結果錶明,訓練後的神經網絡所預測的離子滲氮不鏽鋼的主要性能參數誤差值分彆為:硬度的最大相對誤差為2.74％,滲層深度的最大相對誤差為3.70％,年腐蝕深度的最大相對誤差為3.16％,具有較彊的識彆能力和預測能力.神經網絡可應用于實際的不鏽鋼離子滲氮工藝指導.
이삼담온도、삼담시간화담경비작위수입층삼수,이경도、삼층심도화년부식심도작위수출층삼수,구건3×15×9×3사층신경망락모형.채용불동공예삼수하적시험수거작위망락적훈련양본화험증양본.결과표명,훈련후적신경망락소예측적리자삼담불수강적주요성능삼수오차치분별위:경도적최대상대오차위2.74％,삼층심도적최대상대오차위3.70％,년부식심도적최대상대오차위3.16％,구유교강적식별능력화예측능력.신경망락가응용우실제적불수강리자삼담공예지도.
