摘要：如何控制和预测孔结构是炭气凝胶研究的重要课题。然而,由于耗时耗财,导致实验方法研究控制和预测孔结构成为难题。本文提出一种基于神经网络的炭气凝胶孔结构的预测与优化模型,并采用遗传算法设计和优化模型,对六种典型训练算法模型性能进行比较分析。利用该模型对孔径和吸附容量进行预测,两者的预测相关系数分别为0.992和0.981,预测均方根误差分别为0.077和0.054。经测试,该模型与实验研究的结果相符,并有效的应用于预测和控制炭气凝胶实验参数。

摘要：在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较。结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.0127和0.0600,且BP人工神经网络易陷入局部最小。因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径。

摘要：综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议。

摘要：论述了复合材料设计及优化的基本方法,介绍了神经网络和专家系统人工智能方法,并对复合材料设计及优化中的两种智能方法进行了详细论述,总结了两种方法在复合材料优化设计中的分类、建模、预测和应用。举例说明了神经网络和专家系统方法在复合材料优化设计中具有重要的研究价值。最后对该领域的发展提出了建议。

摘要：论述了复合材料设计及优化的基本研究方法,介绍模式识别和支持向量机人工智能法,举例详述复合材料设计及优化中的两种智能法,总结两种智能融合法在复合材料优化设计中的分类、建模、预测等基本研究方法和应用。举例说明模式识别和支持向量机在复合材料优化设计中重要的研究价值。最后对该领域的发展提出若干建议。

摘要：在炭纤维/ABS树脂基复合材料导电性和拉伸强度实验数据的基础上,利用主成分分析-遗传算法后向传播(Principal Component Analysis-Genetic Algorithm Back Propagation,PCA-GABP)神经网络模式识别法,对炭纤维复合材料导电综合性参数进行智能分析识别。其中主成分分析法作为前处理过程优化样本集的选择,GABP神经网络较好地克服了BP网络非线性映射易陷入局部极小值问题。给出性能优良的目标参数优化区,并用实验予以验证。该模式识别方法可减少实验工作量,提高工作效率,在复合材料设计领域具有理论应用前景。