中国机械工程第15卷第21期2004年11月上半月 [熔接 缺回 ⊥_⊥℃-1 式中,(为熔体到达的时刻:t为熔体冷却到玻璃化温 度的时刻;n为熔接处沿壁厚方向的平均粘度;b为型腔 半壁厚;z为壁厚方向的坐标 份分子链缠结不充分 子定向转 2.3基于人工神经网络的熔接缝性能评价 扩散、合 格性切 虽然我们对熔接缝的形成有了一定的微观认 分流动性 识,但是还不清楚其确切的机理,更谈不上进行定 □局部应力了 量描述和建立数学模型。Km等尝试采用扩 散模型对熔接缝进行研究并开发了关于无定型塑 图2影响熔接缝的因素 料的熔接缝强度理论模型,但是建模时采用了 3)些尚无法确认的假定,与实际情况有差距。同时 式中,p、n分别为第i种成分所占的比例及其各成分的由于该模型引入了许多与材料有关的常数,因此 短长径比;n为材料的成分总数。 在实际应用中很难推广。人工神经网络方法 2)汇合角熔接缝的汇合过程见图3汇(ANN)是解决这类“黑箱”问题的有效途径。 合角是指两流动前沿在熔接处的夹角(如图3b中 反向传播(BP)神经网络是进行函数逼近的 的汇合角可以用来粗略地区分对接缝和并合最有效模型, Kolmogorov定理2已经证明了对 缝C二者在此统称为熔接缝。般而言,汇合角小于任意给定的连续函数都可以精确地用一个三 于135°将产生对接缝,大于135°则产生并合缝。层的BP神经网络实现。BP神经网络一般采用S 对接缝的明显特征是接缝形成处有明显的可目视型的对数或正切激活函数和线性函数,并利用误 的接缝线,接缝区多数情况下都存在着可以用显差的反向传播算法来修正权值21 微照相观察到的ⅴ形缺口,当然其性能也明显劣 本文采用BP型神经网络来实现熔接缝性能 于并合缝汇合角对熔接缝的性能有重要影响因的评价。BP网络采用一个S型的隐含层和一个 为它影响了熔接后分子链熔合缠结扩散的充分线性输出层,其结构见图4。网络输入层的节点 程度,汇合角越大,熔接缝性能越好。 数为三个,分别为材料的取向性系数、汇合角和粘 度影响系数输出层为熔接缝的接缝系数。 (a)汇合(b)对接缝形成(c)并合缝形成(d最终结果 1.并合缝2.对接缝 图4BP型神经网络的结构 图3汇合角对熔接缝的影响示意图 网络隐含层中第j个神经元的输出为 (3)熔接缝处的熔体粘度历史如前所述, 影响熔接缝的各因素都直接或间接地与熔接缝处 y=f(乙w14x+b 的塑料粘度有关,材料、结构、工艺的变化最终都式中,w1g、b,为隐含层节点参数/为传递函数,采用对 反映在熔体的粘度上。熔接缝的性能不仅与汇合数sgmd函数,J=1+e,(x+b1;b为偏差 时的熔体粘度有关,还与汇合后熔体的粘度历史 网络输出为 有关,熔体充填后其温度从充填温度逐渐冷却到 weiyi+ b2 玻璃化温度,这一时间历程也是分子链在熔合处式中,w2y、b为输出层节点参数;s为隐含层节点数。 扩散、缠结和应力松弛的过程,熔体在玻璃化温度 网络训练精度的提高,可以通过增加隐含层 之上的时间愈长、粘度愈低熔体熔合的效果愈节点数的方法来获得合适的隐含层节点数应该 好根据粘度在流体动力方程中的作用粘度影响根据具体的问题和不同的方案对比来确定11。 系数Cn可计算为 为提高网络训练的速度和避免收敛到局部最小 值,网络的训练应采用结合了附加动量法和自适 应学习速率的反向传播改进算法201,网络的具体 c1994-2007ChinaAcademicournalElectronicPublishingHouseAllrightsreservedhttp://nnw.cnki,ner图 2 影响熔接缝的因素 B = 6 n i =1 ( pir) (3) 式中 , pi 、ri 分别为第 i 种成分所占的比例及其各成分的 短长径比; n 为材料的成分总数。 (2) 汇合角 熔接缝的汇合过程见图 3。汇 合角是指两流动前沿在熔接处的夹角(如图 3b 中 的θ) 。汇合角可以用来粗略地区分对接缝和并合 缝(二者在此统称为熔接缝) 。一般而言 ,汇合角小 于 135°将产生对接缝 ,大于 135°则产生并合缝。 对接缝的明显特征是接缝形成处有明显的可目视 的接缝线 ,接缝区多数情况下都存在着可以用显 微照相观察到的 V 形缺口 ,当然其性能也明显劣 于并合缝。汇合角对熔接缝的性能有重要影响 ,因 为它影响了熔接后分子链熔合、缠结、扩散的充分 程度 ,汇合角越大 ,熔接缝性能越好[2 ]。 (a) 汇合 (b) 对接缝形成 (c) 并合缝形成 (d) 最终结果 1. 并合缝 2. 对接缝 图 3 汇合角对熔接缝的影响示意图 (3) 熔接缝处的熔体粘度历史 如前所述 , 影响熔接缝的各因素都直接或间接地与熔接缝处 的塑料粘度有关 ,材料、结构、工艺的变化最终都 反映在熔体的粘度上。熔接缝的性能不仅与汇合 时的熔体粘度有关 ,还与汇合后熔体的粘度历史 有关 ,熔体充填后其温度从充填温度逐渐冷却到 玻璃化温度 ,这一时间历程也是分子链在熔合处 扩散、缠结和应力松弛的过程 ,熔体在玻璃化温度 之上的时间愈长、粘度愈低 , 熔体熔合的效果愈 好。根据粘度在流体动力方程中的作用 ,粘度影响 系数 Cη 可计算为 Cη =∫ t vit t fill 1 ηm d t (4) 1 ηm = 1 b∫ b 0 1 η( z) d z (5) 式中 , tfill 为熔体到达的时刻; tvit 为熔体冷却到玻璃化温 度的时刻;ηm 为熔接处沿壁厚方向的平均粘度; b 为型腔 半壁厚; z 为壁厚方向的坐标。 2. 3 基于人工神经网络的熔接缝性能评价 虽然我们对熔接缝的形成有了一定的微观认 识 ,但是还不清楚其确切的机理 ,更谈不上进行定 量描述和建立数学模型。Kim 等[19 ]尝试采用扩 散模型对熔接缝进行研究并开发了关于无定型塑 料的熔接缝强度理论模型 ,但是建模时采用了一 些尚无法确认的假定 ,与实际情况有差距。同时 , 由于该模型引入了许多与材料有关的常数 ,因此 在实际应用中很难推广。人工神经网络方法 (ANN) 是解决这类“黑箱”问题的有效途径。 反向传播 (BP) 神经网络是进行函数逼近的 最有效模型 , Kolmogorov 定理[20 ]已经证明了对 于任意给定的连续函数 ,都可以精确地用一个三 层的 BP 神经网络实现。BP 神经网络一般采用 S 型的对数或正切激活函数和线性函数 ,并利用误 差的反向传播算法来修正权值[21 ] 。 本文采用 BP 型神经网络来实现熔接缝性能 的评价。BP 网络采用一个 S 型的隐含层和一个 线性输出层 ,其结构见图 4。网络输入层的节点 数为三个 ,分别为材料的取向性系数、汇合角和粘 度影响系数 ,输出层为熔接缝的接缝系数。 图 4 BP 型神经网络的结构 网络隐含层中第 j 个神经元的输出为 yj = f ( 6 3 i =1 w1 ij xj + b1 j ) (6) 式中 , w1 ij 、b1 j 为隐含层节点参数; f 为传递函数 ,采用对 数 Sigmoid型函数 , f = 1/ (1 +exp [ - ( x + b) ] ; b为偏差。 网络输出为 y = 6 s 1 j =1 w2 jyj + b2 (7) 式中 , w2 j 、b2 为输出层节点参数; s1 为隐含层节点数。 网络训练精度的提高 ,可以通过增加隐含层 节点数的方法来获得 ,合适的隐含层节点数应该 根据具体的问题和不同的方案对比来确定[21 ] 。 为提高网络训练的速度和避免收敛到局部最小 值 ,网络的训练应采用结合了附加动量法和自适 应学习速率的反向传播改进算法[20 ] ,网络的具体 · 4691 · 中国机械工程第 15 卷第 21 期 2004 年 11 月上半月 © 1994-2007 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net