典型文献
基于神经网络算法的汽车用高强铝合金铸造性能优化
文献摘要：
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.
文献关键词：
铸造性能;流动性;神经网络算法;高强铝合金;优化模型
中图分类号：
作者姓名：
叶进宝;陈建华;李相军
作者机构：
邯郸职业技术学院,河北邯郸056001;河南理工大学材料科学与工程学院,河南焦作454003
文献出处：
引用格式：
[1]叶进宝;陈建华;李相军-.基于神经网络算法的汽车用高强铝合金铸造性能优化)[J].热加工工艺,2022(11):73-75,78
A类：
Purelin,Tansig,Trainlm
B类：
神经网络算法,汽车用,高强铝合金,铝合金铸造,铸造性能,性能优化,合金元素,元素含量,熔炼温度,浇注温度,输入层,出层,传递函数,隐含层,四层,拓扑结构,学习训练,预测分析,经学,训练样本,预测误差,预测能力
AB值：
0.223272
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
