發(fā)布時間：2020-12-09 22:03

　　將反饋型（BP）神經網絡和遺傳算法（GA）相結合用于激光多層熔覆厚納米Al2O3-13%TiO2（質量分數）陶瓷涂層的工藝參數優(yōu)化,根據3因素3水平正交試驗結果對神經網絡模型結構進行訓練,建立了熔覆工藝參數（熔池閉環(huán)控制溫度、超聲振動頻率及保溫箱預熱溫度）與涂層性能（結合強度和顯微硬度）之間的遺傳神經網絡預測模型。在此基礎上,采用遺傳算法對納米陶瓷涂層結合強度和顯微硬度進行了單目標和多目標參數優(yōu)化。結果表明,遺傳神經網絡模型預測值與試驗值誤差較小,相對誤差不超過2.5%。遺傳算法優(yōu)化的涂層最大結合強度和顯微硬度分別為70.7MPa和2025.5HV;在結合強度和顯微硬度兩者權重相同的情況下,當熔池閉環(huán)控制溫度為2472.0℃、超聲振動頻率為31.9kHz和保溫箱預熱溫度為400℃時涂層綜合性能最優(yōu),對應的結合強度和顯微硬度分別為69.1MPa和1835.5HV。 

【文章來源】：中國激光. 2013年09期 第62-70頁 北大核心

【文章頁數】：9 頁

【文章目錄】：
1 引言
2 試驗
    2.1 試驗材料
    2.2 涂層制備工藝和設備
3 激光多層熔覆工藝參數優(yōu)化方法
4 遺傳神經網絡模型的建立
    4.1 BP神經網絡的結構設計
    4.2 BP神經網絡訓練
    4.3 BP神經網絡遺傳優(yōu)化
    4.4 模型的驗證
5 基于遺傳算法的工藝參數優(yōu)化
    5.1 涂層性能單目標工藝優(yōu)化
    5.2 涂層綜合性能多目標工藝優(yōu)化
6 結論


【參考文獻】：
期刊論文
[1]基于遺傳算法-響應曲面方法的激光透射焊接聚碳酸酯工藝的多目標優(yōu)化[J]. 王霄,張成,王凱,李品,高陽陽,胡楊,劉會霞.  中國激光. 2012(06)
[2]激光多層熔覆制備厚陶瓷涂層[J]. 王東生,田宗軍,王涇文,段宗銀,沈理達,黃因慧.  焊接學報. 2012(05)
[3]脈沖激光焊接鈦合金薄板的熔池深度預測[J]. 張健,楊銳.  中國激光. 2012(03)
[4]激光多層熔覆納米陶瓷層工藝參數優(yōu)化[J]. 王東生,田宗軍,張少伍,屈光,沈理達,黃因慧.  材料保護. 2012(02)
[5]壓片預置式激光多層熔覆厚納米陶瓷涂層結合性能[J]. 王東生,田宗軍,段宗銀,王涇文,沈理達,黃因慧.  中國激光. 2012(02)
[6]鈦合金激光熔覆硬質顆粒增強金屬間化合物復合涂層耐磨性[J]. 馮淑容,張述泉,王華明.  中國激光. 2012(02)
[7]基于響應曲面和遺傳算法-人工神經元網絡的熱塑性塑料激光透射連接強度的優(yōu)化[J]. 張成,王霄,王凱,張虎,劉江,蔣濤,劉會霞.  中國激光. 2011(11)
[8]基于人工神經網絡的激光立體成形件成形表面質量預測[J]. 楊東輝,馬良,黃衛(wèi)東.  中國激光. 2011(08)
[9]基于神經網絡和粒子群算法的激光熔覆工藝優(yōu)化[J]. 倪立斌,劉繼常,伍耀庭,鄢銼.  中國激光. 2011(02)
[10]激光多層熔覆技術的研究現狀及發(fā)展[J]. 吳培桂,張光鈞.  上海工程技術大學學報. 2009(04)



本文編號：2907548