论文摘要
复合材料具有高比强度、高比模量、耐腐蚀、隔热、耐磨等优异综合性能,在高速轨道交通领域应用日益广泛。随着轨道交通对车辆安全性与舒适性的要求日益增加,对复合材料的性能品质要求提出了更高的要求。然而复合材料本质繁杂性限制了该材料的建模性能辨识评价。计算机技术的快速发展,非线性辨识方法在高速铁路关键模型构建中扮演越来越重要的角色。BP神经网络（Back Propagation Neural Networks,BPNN）算法以其奇特的记忆训练能力、逼近能力在非线性建模中应用最为普遍。轨道交通领域的复合材料内在机理极其复杂,是典型的非线性关系模型。传统的数据方法（有限差分法、有限元法）通常是将非线性模型进行线性化分解,必然导致部分有效数据的丢失,通过传统的数学物理方法构建真实物理模型理论难度较大。由于对复合材料机理还不能充分认识,仅仅依靠有限元等技术则存在难于建立精确的数学模型等诸多困难.针对复合材料的非线性复杂问题,本文尝试利用基于Levenberg-Marquardt算法的BP神经网络来构建机理模型深入挖掘模型内在非线性关系。通过对复合材料样本集的学习,初步建立了复合材料知识库.仿真实验模型验证证明,BP神经网络模型方法,具有明显的建模优势,并取得了较好的模型预测结果。
论文目录
文章来源
类型: 期刊论文
作者: 高明亮,高珊,周博,于闯,孙洪亮,张瑛
关键词: 复合材料,神经网络,轨道交通,非线性,样本集
来源: 纤维复合材料 2019年03期
年度: 2019
分类: 工程科技Ⅰ辑,工程科技Ⅱ辑
专业: 材料科学,铁路运输
单位: 中车长春轨道客车股份有限公司
分类号: U239.5;TB33
页码: 18-23
总页数: 6
文件大小: 1411K
下载量: 27