相关实验视频
Updated: Jul 1, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
842
基于各种人工神经网络模型的融合,为车辆设计电池的冲压参数
Na Liu1, Yuanyuan Gao1, Peng Liu1
1School of Mechanical and Electrical Engineering, Shandong Jianzhu University, Jinan, 250101, China.
Heliyon
|March 4, 2024
概括
这项研究使用神经网络优化了BPE外材料,减轻了14.3%的重量和18.6%的压力. 模式模拟证实了增强的可靠性和第一阶段模式频率增加了29.1%.
科学领域:
- 材料科学 材料科学 材料科学
- 计算工程 计算工程 计算工程
- 人工智能的人工智能
背景情况:
- 神经网络模型越来越多地用于工程预测.
- 优化BPE (BolyaiPólyákÉrdi) 贝材料对于提高性能至关重要.
- 在材料设计中,通过模拟和实验验证可靠性至关重要.
研究的目的:
- 优化BPE外材料,以改善工程应用.
- 用先进的模拟技术来验证优化材料的可靠性.
- 为了比较不同神经网络模型在材料预测中的有效性.
主要方法:
- 用模拟模拟和受约束模式实验来验证可靠性和有限元模型准确性.
- 拉丁式超立方采样和蒙特卡洛模拟用于可变预处理和设计参数确定.
- 在数据集上训练了四种神经网络模型 - - 逆向传播 (BP),辐射基函数 (RBF),极端学习机器 (ELM) 和波形神经网络 (WNN).
主要成果:
- 优化的BPE外材料实现了14.3%的重量减轻.
- 压力减少了18.6%,变形位移减少了14.2%.
- 第一阶段的模式频率增加了29.1%,表明结构刚性增强.
结论:
- 该研究使用神经网络模型成功优化了BPE外材料.
- 优化的材料在重量,应力,位移和模式特征方面显著改善.
- 这些发现强调了将神经网络与模拟方法集成为材料设计和预测的有效性.
