1.3.3 径向基神经网络

  神经网络按照网络结构可分为前馈网络和反馈网络。其中前馈网络(包括BP网络、RBF网络等)具有很强的非线形处理能力,但BP网络用于函数逼进时,权值的调节采用的是负梯度下降法,这使得BP网络存在收敛速度慢和易陷于局部极值等缺点,因此BP网络也难以胜任于焊接材料模型的建立。而径向基函数网络(Radial Basis Function, RBF)无论是逼进能力还是学习速度等方面均优于BP网络,即RBF网络能克服以上两种方法的缺陷,更适合应用于焊材的研究开发。文献[28]建立基于径向基神经网络的焊接材料计算机辅助设计系统。以RBF神经网络理论为基础,设计实现了焊接材料计算机辅助设计系统。应用该系统能建立影响因子与性能指标之间的人工神经网络模型,并以此为基础建立了性能预测、配方预报、分析等功能模块,对焊接材料研发人员探索影响因子与性能指标之间关系具有较大的实际意义。

1.4  遗传算法在材料中的应用概况

   遗传算法具有鲁棒性、自适应性、全局优化性和搜索不依赖梯度等特点[29－30]。遗传神经网络预测模型是基于建立的反向传播(back propagation,BP)神经网络焊接接头力学性能预测模型,并综合运用遗传算法(genetic algorithm,GA)来优化BP神经网络连接权的方法。该方法对模型预测性能进行了有效的改进,提高了神经网络模型的预测精度和泛化能力[31]。

  文献[32]利用遗传算法与神经网络结合优化焊接接头力学性能预测模型，对模型预测性能进行了有效的改进,提高了神经网络模型的预测精度和泛化能力。对模型性能的分析表明,焊接接头力学性能预测模型的预测规律符合已有研究结论,预测误差小于5%。文献[33]基于遗传神经网络的焊接接头力学性能预测系统，应用遗传算法优化 BP 神经网络，建立焊接接头力学性能预测模型，实现碳钢、低合金高强钢以及不锈钢的抗拉强度、屈服强度、断后伸长率以及断面收缩率等力学性能指标预测． 结果表明，材料成分和焊接工艺为影响接头力学性能的主要参数，应用遗传算法优化 BP 神经网络建立焊接头力学性能预测模型，可以达到较理想的预测精度．

1.5  本课题研究内容

以焊条作为填充金属的熔焊方法中，在一定的焊接工艺条件下，熔敷金属的合金元素组成与含量是对焊缝质量的影响是非常之关键的。而熔敷金属合金元素的组成和含量往往取决于焊接过程中所用焊条的合金元素组成和含量。为了探究碳钢焊条配方中各个合金元素的加入量与过渡到焊缝金属中合金的基本规律和内在联系，本文选择遗传算法及BP神经网络来建立起碳钢焊条配方中合金元素过渡智能化预测系统。具体研究内容包括：文献综述

（1）分析碳钢焊条配方合金成分与熔敷金属中合金成分特点；

（2）收集整理碳钢焊条C、Mn等合金元素的数据以及焊接过后熔敷金属中C、Mn等合金元素的数据；

（3）分析碳钢焊条原材料中各合金元素的加入量与熔敷金属中合金元素含量之间的关系； 

（4）采用遗传算法及BP神经网络，建立碳钢焊条原材料配方合金元素神经网络预测模型； 

（5）利用试验数据对模型进行训练及验证；

（6）分析模型计算结果，对所建立神经网络预测模型的实际应用可行性进行分析。

2  碳钢焊条合金元素BP神经网络预测模型

2.1酸性碳钢焊条配方成分特点分析

本次毕业设计中所用的E4303碳钢焊条为酸性焊条，酸性碳钢焊条配方原材料有：大理石、萤石、钛铁矿、还原钛铁矿、低度硅铁、雾化铁粉、低度硅铁、天然金红石、云母、白泥、长石、钛白粉、中碳锰铁、有机物（木粉、淀粉、纤维素）、钾钠水玻璃、雾化铁粉、低度硅铁等等，它们添加在焊条中在焊接过程中所起的作用如下：