高Cu/Mg比AlCuMg合金的形变诱导Ω相析出强化

通过高分辨电子显微技术(TEM)、硬度测试、拉伸性能测试等手段研究了预变形对高Cu/Mg比AlCuMg合金180℃人工时效微观结构及力学性能的影响.结果表明,相对于传统时效T6处理,冷轧预变形(10%~60%)加后续人工时效的P-T6工艺使Al-CuMg合金的屈服强度提高了32%~69%,而延伸率保持在6%~13%.TEM表征发现T6工艺时效析出相为θ′相,而P-T6工艺时效析出相为Ω相和θ′相,Ω相的径厚比远大于θ′相,且数量上占总析出相的30%~75%.相对于θ′相而言,Ω相具有更好的强化能力和热稳定性.含Mg的AlCuMg合金可通过形变诱导Ω相析出,而不含Mg的AlCu合金不管是否变形均不析出Ω相.     

ZnAl27Cu2Mg0.01合金自然时效过程中η相的析出

本文利用X衍射仪和透射电子显微镜研究了ZnA127Cu2Mg0.01合金自然时效过程中η相的析出速度和析出方式。η相的析出主要依靠胞状析出,但在时效初期,η相也会连续析出。特别强调的是,某些晶内连续析出的η相也会作为核心使晶内胞状析出得以进行。本文还建立了η相的生长模型,定量的描述了η相的析出速度。     

时效状态对Cu-Cr-Zr系合金性能的影响

采用不同时效状态和随后形变热处理工艺制备了Cu-Cr-Zr系合金,采用微观组织观察、硬度和导电率测试等手段研究了不同时效状态对双级时效Cu-Cr-Zr系合金性能的影响.结果表明：欠时效+冷轧+时效工艺和峰时效+冷轧+时效工艺制备的Cu-Cr-Zr-Mg-Si和Cu-Cr-Zr-Ni-Si合金均可获得力学性能和电学性能的优良组合.其中：欠时效+冷轧+时效工艺所制备的合金综合性能更优,但加工热处理过程中性能变化剧烈,材料生产过程中性能均匀性不易控制;峰时效+冷轧+时效工艺制备的合金综合性能极其稳定,易于在生产中控制.不同工艺下的合金性能差异是由析出相与位错的交互作用机制不同造成的.     

Cu-0.3Cr-0.15Zr合金时效时的析出相

利用透射电镜研究了Cu-0.3Cr-0.15Zr合金920℃固溶时效及固溶并经形变后时效时的析出相。结果表明：固溶后470℃时效时，过饱和固溶体分解为稳定的体心立方Cr相和cu4Zr相；固溶并形变合金在470℃时效，电子衍衬像有两叶花瓣状的共格畸变衬度，析出相为Cr相。     

时效对形变Cu-Zr-Si合金组织及性能的影响

采用等径角挤压(ECAP)技术对Cu-0.16Zr-0.04Si合金在室温和液氮低温下进行1道次变形,随后在450 ℃下时效4 h.通过扫描电子显微镜(SEM)和X射线能谱仪(EDS)等技术,研究时效对合金变形组织的影响,分析了合金力学性能和导电性能的变化.结果表明:合金在变形及时效后,晶界处出现不均匀分布的棒状或颗粒状析出相,基体中出现弥散分布的细小点状析出相;合金的抗拉强度和导电率在变形时效处理后得到同步提高;随着时效时间的延长,合金的断裂韧性逐渐变差.     

强变形诱导析出相回溶后的Al-Cu合金再时效行为

采用透射电镜观察与分析,探讨含析出相的Al-Cu合金经多向压缩变形诱导析出相回溶后形成的过饱和固溶体的再时效行为。研究结果表明:Al-Cu合金由强塑性变形诱导析出相回溶形成的过饱和固溶体,在变形停止后再时效时显著加速时效析出过程;析出相的析出顺序与加热温度、变形量及变形后的晶粒尺寸有关;若加热温度足够消除强变形产生的高应力,则析出顺序为过渡相→稳定相;若加热温度不能消除变形产生的高应力,且晶粒超细化,则再析出时过渡相被抑制,直接生成稳定相。     

GH720Li合金长期时效过程中γ'相演变规律

研究GH720Li合金经标准热处理(1105℃,4 h→油冷﹢650℃,24 h→空冷﹢760℃,16 h→空冷)后分别在720℃时效0~5000 h和800℃时效0~1000 h后γ'强化相的演变规律. 合金在720℃,5000 h时效后一次γ'相的尺寸、形态以及数量基本不发生变化;在720℃,200 h时效后,二次γ'相发生明显粗化;500 h后出现不均匀长大. 相应地,500 h前硬度下降速率大, 500 h后趋于平稳. 在800℃,500 h时效后,一次γ'相发生粗化;800℃,100 h时效后,二次γ'相发生明显粗化且不均匀长大. 500 h前硬度下降斜率很大,500 h后硬度仍有明显下降趋势. 720℃及800℃时二次γ'相粗化行为是以扩散控制的粗化机制为主导. γ'相平均半径与时效时间满足立方根关系,符合L-S-W ( Lifshiz-Slyozov-Wanger)理论.     

Al-Zn-Mg-Cu合金η时效析出相的电镜研究

应用电子显微镜研究了Al-Zn-Mg-Cu合金时效析出的η相的精细结构。计算了η相三种取向关系22种变体产生的复合衍射图,解释了[111]_(Al)的复杂衍射谱。通过高分辨象直接验证了η相与基体的某些取向关系。并观察到η相中存在的缺陷结构。     

铸造锰白铜合金的时效强化

以淬火态锰白铜合金为参考材料，研究对铸态锰白铜合金直接进行时效处理的可行性。制备成分为Cu20Ni20Mn的合金试样，选取不同的时效温度和时效时间，对铸态锰白铜合金直接进行时效处理，研究不同的时效工艺对锰白铜合金的强化效果。使用SEM、X—ray等观察试样的组织与结构，分析时效强化机理。试验结果表明：锰白铜合金在铸态下可以直接进行时效处理；在最佳时效工艺（时效温度400℃～470℃，时效时间为60～72h）条件下，硬度可达到HV400以上；并且发现MnNi相的析出是合金时效强化的主要原因。     

基于LM-BPNN方法的爆破震动灾害预测模型

为了探索提高控制爆破震动效应的方法,基于Levenberg-Marquardt算法改进的BP神经网络模型,建立以最大段药量、爆心距、高差作为影响爆破振动的主要因素,对爆破震动速度进行预测的模型。用爆破振动观测数据进行训练和预测,预测结果与现场观测结果吻合良好。结果表明:与基于标准BP、Polak_Ribiere共轭梯度、专家经验公式等计算结果比较,LMBPNN算法具有良好的鲁棒性和预测精度,预测效果较优,对爆破震动安全评价及其灾害控制有一定的应用价值。     

基于RF-WOA-VMD-BiGRU-Attention的神经网络模型在海浪预测中的应用

海上风电场的海况数据极其复杂导致用于海浪高度预测的输入参数极其不稳定,筛选出关键信息,提高输入参数的质量可以极大地提高海浪高度预测的准确性。以乐亭菩提岛风电场近一年的海上数据为基础,构建了一种基于随机森林(random forest, RF)、鲸鱼优化算法(whale optimization algorithm, WOA)、变分模态分解(variational mode decomposition, VMD)和双向门控循环单元(bidirectional gated recurrent unit, BiGRU)的海浪预测模型。该模型利用随机森林对环境特征等输入变量进行筛选,有效减少数据冗余,然后基于WOA-VMD模型自适应确定最优参数和自适应分解原始序列,提高数据质量并消除数据噪声的干扰。此外,针对海浪预测提出了一种基于注意力机制优化的BiGRU算法,随机森林的注意力机制将为BiGRU的隐藏层状态分配不同的权重,加强关键信息的影响。实验结果表明该模型和其他模型对比,输入质量更高,预测精度更高,拟合程度更准确,对风电场海浪预测有着重大意义。     

深度神经网络蛋白质溶解性预测模型设计

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利...     

主成分神经网络模型在疾病预测中的应用

针对在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释的问题,根据神经网络来预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素:月平均气压,月平均气温,月平均相对湿度,月平均风速,月平均降水量本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降,针对这一问题,文中提出了利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效的解决了预测精度下降的问题。最后以2001年8月至2006年9月张家川支气管肺炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法.聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测.结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较.结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%.     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。