人工神经网络在材料科学中的应用及其展望

课 程 论 文材料科学基础Fundamentals of Materials Science作 者 姓 名： 张琦 年 级 专 业： 2008级应用化学 课 程 名 称：人工神经网络在材料科学中的应用与发展学 号： 指 导 教 师： 许东利 完 成 日 期： 2011年6月6日 成 绩： 信阳师范学院Xinyang Normal University目 录人工神经网络在材料科学中的应用与展望学生姓名：张琦学号：化学化工学院08级应化专业课程名称材料科学基础摘 要：人工神经网络因其具有较强的非线性问题处理能力且容错性强而在材料科学中得到广泛的应用本文对其在材料设计、材料制备工艺优化、塑性加工、热处理等领域的应用进行了探讨，并对其发展前景进行了展望。关键词：人工神经网络；材料科学；应用；展望The applications and prospects of Artifical Neural Networks in Materials ScienceAbstract: Artificial Neural Networks(ANN)is used widely in materials science because it is capable of dealing with nonlinear problems and of faulttolerantIn the paper，its application to materials design，optimization of process parameters，plastic processing，heat treatment is summarized and the prospects of ANN are discussedKeywords: artificial neural networks；metallurgical industry；application；prospect引 言人工神经网络1(Artifical Neural Networks)是用来模拟人脑结构及智能特点的一个国际前沿研究领域，它具有独特的大规模并行分布处理及学习联想能力，力图模拟生物神经系统2与其他传统模型相比，它具有以下独特的优点3：较强的非线性问题处理能力；对噪声和不完整信息具有低敏感性，抗噪声能力好；在运行过程中依动态数据库对周围环境具有自适应能力而自我调整、完善、发展使误差达到最小，以提高运行精度；能很好的完成多变量模式识别；能对过程实现在线响应，在系统中可以在线使用尽管网络的具体类型很多，但其基本类型都是由大量的计算单元(神经元)广泛相互理解而构成的并行处理网络由于他们的综合特点和人类的智能相似，故具有大规模并行、分布式存贮和处理、自组织、自适应的学习能力，适用于处理需要同时考虑许多因素和条件的不精确和模糊的信息问题，可以解决专家系统和统计分析方法不易解决的问题其应用已渗透到模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等方面4随着研究的深入，其应用将更加广泛1 人工神经网络的概念与模型1.1 概念人工神经网络(Artificial Neural Network，简称ANN)是由大量简单的称之为神经元(Neurons)的处理单元以某种拓扑结构广泛地相互联接而构成的复杂的、自适应、自组织的非线性的动力学系统5，具有学习功能、记忆功能、计算功能以及智万方数据第4期徐强，等：人工神经网络在材料科学中的应用与展望能处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能6他是在对以人脑为主要代表的生物神经系统的组织结构和行为特征进行研究的基础上，试图通过模拟人类神经系统对信息进行加工、记忆和处理的方式，设计出的一种具有人脑风格的信息处理系统它更侧重于对人脑某些特定功能的模拟，强调大量神经元之间的协同作用通过学习的方法解决问题是人工神经网络的重要特征人工神经网络按其结构不同可分为：前向多层前馈神经网络(BP网)、反馈网络(Hopfield网)、自组织竞争人工神经网络(Kohonen网)、径向基函数网络(RBF网)等，尽管网络的具体类型很多，但其基本类型都是由大量的计算单元(神经元)广泛相互理解而构成的并行处理网络。在材料科学与工程领域，BP网应用的最为成功和广泛，是对映射能力和学习算法研究得最为深入的网络该神经网络具有很强的自组织、自适应、联想记忆及推广能力，对有代表性例子的学习和训练，能够掌握事物的本质特征，可以解决许多问题1.2 模型人工神经网络的模型及算法，一般主要依据网络的准确性、自适应性、收敛性及可推广性等四条。原则进行选择。人工神经网络具有明显的层次结构，它主要由处理单元(神经元)、联接权重、层(输入层、隐层和输出层)、阀值和转移函数组成等。输入层的处理单元将输入值转入相邻的联接权重，隐层和输出层的处理单元将它们的输入值求和并根据转移函数计算输出值；联接权重是将神经网络中的处理单元联系起来，其值是随各处理单元的联接程度而变化；阀值可使网络能更自由地获取所要描述的函数关系，其值可为恒值或可变值；转移函数通常为非线性函数，它是将输入的数据转化为输出的处理单元BP算法是由两部分组成：信息的正向传递与误差的反向传播在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的输出作用于下一层神经元的输入如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标2 人工神经网络在材料科学中的应用在材料科学研究中，有许多问题的基本原理是清楚的，但难以进行科学的处理，无法建立确切的数学模型由于人工神经网络无需预先给定公式的形式，而是以实验数据为基础，经过有限次迭代计算而获得的一个反映实验数据内在规律的数学模型，特别适合于研究材料科学中复杂的非线性问题人工神经网络在处理规律不明显、组分变量多的问题方面具有特殊的优越性2.1 在材料设计中的应用在进行材料设计时，必然涉及材料的组分、工艺、组织和性能之间的关系，但这些内在的规律是非常复杂的，往往不甚明确，难以建立起一定的数学模型人工神经网络具有强大的自适应、自学习能力，能够从已有的试验数据中获取有关材料的组分、工艺、组织和性能之间的规律7将材料的合金成分及热处理温度作为网络的输入，材料的力学性能作为网络的输出，来建立反映实验数据内在规律的数学模型，利用各种优化方法实现材料的设计东北大学的左秀荣等人8利用人工神经网络研究了合金元素Cr、Mo、Mn等对SCM822H齿轮钢力学性能的影响，从而可以得到合金元素合适的加入少量SMalinov等人一。利用多层前馈神经网络分析和预测了钛合金中工艺参数和力学性能的关系网络输入参数为合金成分、热处理参数和加工(实验)温度，输出为拉伸强度、屈服强度、延伸率、截面收缩率、冲击强度、硬度、弹性模量、疲劳强度和断裂韧性等九个重要的力学性能训练好的网络可以预测不同温度下钛合金性能与工艺参数和热处理次数之间的关系，也可以对工艺参数和热处理参数进行优化顾强生等人9训用人工神经网络BP模型得出任意组分与强度之间的关系，从而可快捷地寻找满足工程设计指标要求的最优配比甄强等人10利用改进后的人工神经网络技术预报了烧结合成O。一Sialon材料的相组成和相的比例，并与模式识别技术处理得到的结果进行了比较，在此基础上，探索了合成O一SiMonBN复合材料的原料配比及合成工艺条件张国英等人11在试验的基础上，采用人工神经网络建立高coNi二次硬化钢的性能预测模型，获得了满意的结果另外采用模拟退火算法对高coNi二次硬化钢的性能进行了多指标优化，从而为材料性能的优化研究提供了一条崭新而有效的途径在模糊聚类分析的基础上，根据以往材料的试验数据和工程评定数据，应用模糊神经网络模糊识别方法，通过材料的化学成分和常规力学性能确定了在用压力容器缺陷评定中断裂韧度的预测数据，对材料断裂韧度进行了分类识别，结果与试验数据相符，且与其它选用原则和确定方法的结果一致该方法充分展示了模糊神经网络处理模糊性问题的卓越优势，更接近人的思维方式，更客观准确地解决了在用压力容器缺陷评定中断裂韧度代用数据确定的问题2.2 材料制备工艺优化长期以来，材料工艺优化研究基本上都是采用试验改进，再试验再改进的方式(Trim and Er-ror)，经过多次反复才能达到预期目的，但也有可能失败近年来，随着材料科学和计算机科学尤其是人工神经网络技术的发展，使得这种愿望成为可能，并在材料工艺优化方面取得了一定的进展董敏12等应用一个362的三层BP神经网络建立了715 1铝合金的性能预测模型，网络的三个输人分别是变形量、固溶时间和时效时间，两个输出分别是合金抗拉强度和屈服强度，训练样本和检验样本的网络实际输出值与相应的实验值均非常接近，表明用人工神经网络建立了正确的描述7175铝金工艺号陛能关系的模型并在此基础上采用遗传算法对其工艺进行优化，获得了满意的结果，从而为材料工艺优化研究探索出一条崭新的途径2.3 在塑性加工领域的应用对高温塑性变形稳态流变应力的研究，通常都是采用数理统计方法对试验数据进行分析，并在其基础上建立稳态流变应力的数学模型，但由于影响稳态流变应力的因素很多，用上述方法建立的数学模型与复杂的真实变形情况有时相差甚远，模型精度受到变形条件的限制，同时建模过程复杂且工作量大，而基于神经网络进行的系统建模可以弥补这一本质上的不足刘雪峰等人州以Gleeble一1500热模拟试验机得到的1420A1一Li合金高温压缩试验的实际测量数据为基础，根据BP人工神经网络算法原理，建立了Al一“合金高温塑性变形稳态流变应力与应变速率和变形温度对应关系的预测模型结果表明，神经网络用于稳态流变应力建模是可行的，模型计算值与实测值的误差在5以内，完全能够满足工程计算和实际变形的要求，而传统的统计模型计算误差达到10，较好地反映了实际变形过程的特征李萍等人旧叫在Gleeble一1500热模拟试验机上对Ti153合金试样进行了热压缩试验，以获得不同应变、应变速率和温度下材料的流动应力，研究热变形参数对Ti一153合金流动应力的影响研究结果表明，热变形参数对Ti153合金的变形抗力具有重要影响，变形抗力随温度的升高而减小，随应变速率的增加而增大，应力峰值随温度的升高和应变速率的增大向应变增大的方向移动在试验研究的基础上，采用三层BP神经网络建立该合金高温变形抗力与应变、应变速率和温度对应关系的预测模型结果表明，采用该神经网络建立的本构模型能够比较精确地预测Ti153合金的流动应力，大大减少表征材料流动行为所需的试验，避免了经验一半经验本构模型中需要确定许多常数的问题另外，将这一研究与考虑温度场耦合计算的热粘塑性有限元模拟软件相结合，可以通过工艺参数的优化控制成品的组织和性能徐强，等：人工神经网络在材料科学中的应用与展望韩丽琦等人心川以热模拟实验得到的数据为基础，采用人工神经网络对热轧碳钢的变形抗力值与变形温度、变形强度和应变速率之间的对应关系进行了预测，与多元非线性回归模型相比，神经网络模型具有更高的预测精度。2.4 在热处理领域的应用吴良口到对目前人工神经网络(ANN)技术在材料热处理领域的应用情况作了简要介绍由于材料热处理性能往往受到合金元素、热处理工艺等因素的影响，因此两者之间实际上为多元的非线性函数关系利用人工神经网络(ANN)中的BP网络所建立起的数学模型来描述两者间的非线性函数关系是非常适合的目前，国内外学者利用人工神经网络在材料热处理领域的应用主要有123|：wGVermeulen等人利用人工神经网络所建立的数学模型来预测钢的端淬硬度曲线，收集一定数量的端淬曲线作为训练用数据，利用BP网络训练后建立起的数学模型，将未参加训练的钢种的化学成分作为输人，预测其端淬硬度曲线PJvander Wolk等人在运用人工神经网络来预测含钒钢的CCT图方面进行了研究，利用所建立的模型来预测合金元素含量的变化对CCT图中相变开始线和相变结束线的影响，目前在预测贝氏体的相变温度上还有较大的误差，尚有许多工作要做RGSong等人【24o采用ANN结合遗传算法研究了热处理工艺对7175铝合金的力学性能的影响，结果表明理论预测和实验结果吻合3 结论近年来，人工神经网络理论及其在材料科学中应用的研究受到了国内外众多学者的青睐，目前，人工神经网络在以下几个方面的发展非常迅速：1)将模糊算法和人工神经网络两者结合起来构建模糊神经网络系统；2)基于遗传算法和模拟退火算法的人工神经网络系统；3)将专家系统和人工神经网络结合起来的智能专家网络系统；4)扩大人工神经网络在材料科学中的应用领域当然，人工神经网络作为唯象的“隐式”知识表达形式，在揭示材料制备过程的机理及解决确定性知识方面，不能代替传统的材料研究方法必须将人工神经网络与传统的材料研究方法相结合来探求材料科学中存在的问题参考文献1 曾令可，贺海洋，孙宇彤，等材料设计中神经网络结构及有关参数的选取J佛山陶瓷，1999(3)：36.2 艾立群人工神经网络在钢铁工业中的应用J钢铁研究学报，1997，9(4)：60633 王志奎人工神经网络在化学工程中的应用J现代化工，1996(9)：17214 龙伟，张金，黄杰人工神经网络发展前景J机械，1998，25(1)：47505 姜紫峰，荆便顺人工神经网络在交通领域中的应用J公路交通科技，1997，14(4)：18236 从爽神经网络、模糊系统及其在运动控制中的应用M合肥：中国科学技术大学出版社，20017 邱冠周，王海东，黄圣生人工智能在材料设计中的应用J中国有色金属学报，1998，8(Suppl2)：8368408 左秀荣，薛向欣，姜茂发，等利用人工神经网络研究