基于BP神经网络辊弯成型力预测

摘要4-5

Abstract5-10

1 绪论10-18

1.1 课题探讨的作用10-13

1.1.1 辊弯成型探讨的重要量10-12

1.1.2 探讨目的和作用12-13

1.2 国内外探讨近况及进展走势13-15

1.2.1 国外辊弯成型的进展近况13-14

1.2.2 国内辊弯成型的进展近况14

1.2.3 下一代辊弯成型探讨与进展14-15

1.3 有关有限元与神经网络相结合的探讨15

1.4 有限元和神经网络的运用历程15-16

1.5 课题的主要探讨内容16-18

2 辊弯成型有限元模型的建立18-37

2.1 有限元概论18-20

2.1.1 有限元法的解题步骤18-19

2.1.2 有限元浅析软件ABAQUS19-20

2.2 辊弯成型浅析20-22

2.2.1 辊弯成型变形的特点20-21

2.2.2 变形历程的简化浅析21

2.2.3 辊弯成型历程中成型力的浅析21-22

2.3 模型的简化22

2.4 试验案例的确立22

2.5 模拟策略的选择22-24

2.6 建模历程24-31

2.6.1 材料的本构模型24-26

2.6.2 轧辊的设计26-27

2.6.3 单元类型的选择27-28

2.6.4 浅析步的设置28

2.6.5 接触浅析28-30

2.6.6 边界条件的处理30

2.6.7 载荷和初始条件的处理30-31

2.6.8 提交作业及运转31

2.7 模拟结果与浅析31-36

2.7.1 板材厚度的影响32-33

2.7.2 弯曲角度的影响33-36

2.8 小结36-37

3 BP神经网络模型及其算法37-45

3.1 BP神经网络介绍37-42

3.1.1 BP网络结构37-39

3.1.2 BP学习算法39-42

3.2 BP网络的缺陷42-43

3.3 BP算法的改善43-44

3.4 小结44-45

4 预测模型的设计与MATLAB实现45-56

4.1 神经网络预测的一般步骤45

4.2 网络结构的设计原则45-47

4.2.1 隐层的层数45

4.2.2 各层神经元数的数目45-46

4.2.3 传递函数46

4.2.4 初始权值46

4.2.5 学习速率46-47

4.2.6 训练目标47

4.3 模型的确定47-48

4.4 数据的预处理48-49

4.4.1 数据来源48

4.4.2 样本数据的处理48-49

4.5 网络训练49-53

4.5.1 训练目标的确定51

4.5.2 隐层神经元数的确定51-52

4.5.3 动量因子的确定52

4.5.4 学习速率的确定52-53

4.6 神经网络的预测结果53-55

4.7 小结55-56

5 结论与展望56-58

5.1 结论56

5.2 后续探讨的展望56-58