学位论文 > 优秀研究生学位论文题录展示

应用BP神经网络和SVR研究添加元素对（Nd，Pr）FeB系永磁体性能的影响

作　者: 王向中
导　师: 查五生
学　校: 西华大学
专　业: 材料物理与化学
关键词: (Nd,Pr)FeB系永磁体合金成分 BP神经网络 ε-SVR和LS-SVR 模拟
分类号: TM273
类　型: 硕士论文
年　份: 2010年
下　载: 17次
引　用: 0次
阅　读: 论文下载

内容摘要

在总结和分析合金元素对(Nd,Pr)FeB系永磁体性能影响的机理基础上,引入Bayesian正则化法BP神经网络和支持向量回归机,建立了合金成分与磁体性能之间的预测模型,预测和研究了Pr、Co和Zr等添加元素对磁体性能的影响规律。为提高网络的泛化能力,本文在Bayesian正则化法BP神经网络的基础上,运用加权检验训练法和表决网法的思路训练网络。通过选择合适的模型参数,建立了磁粉制备工艺(快淬速度和晶化退火温度)、合金成分与磁性能之间的BP神经网络预测模型。研究结果表明,该模型泛化能力较高,预测的Br相对误差在2%左右、Hcj和(BH)m均在5%以内。支持向量机是建立在统计学习理论基础之上,相比于BP网络,处理小样本高维非线性回归问题具有显著优势。本文引入ε-SVR和LS-SVR预测合金成分对磁体性能影响。选择合适的模型参数,最终建立了拟合误差、预测误差均较小的模型。经比较LS-SVR预测精度较高,对检验样本Br、Hcj和(BH)m的预测相对误差平均值分别为1.62%、3.49%和4.07%。在小样本情况下,应用LS-SVR预测合金元素两两交互作用对(Nd,Pr)FeB系永磁体性能的影响,并与改进的BP网络预测结果相比较。分析发现,LS-SVR预测Nd和Pr之和即总的稀土含量对磁体性能影响较大,此规律与改进的BP网络预测相一致。同时,LS-SVR预测在Co-Zr交互作用下磁性能存在极值,与合金元素对磁性能影响的理论分析一致,预测结果比改进的BP网络更加可靠、明确。LS-SVR优化出了具有较好综合磁性能的添加元素含量范围,Pr为at8%～10%,Co为at1.8%～2.5%,Zr为at1%～1.5%,并据此制备了具有良好综合性能的快淬粘结磁体(Nd0.2Pr0.8)10.5Fe80.5Co2Zr1B6,其磁性能为:Br=0.662T,Hcj=616kA/m1,(BH)m=74.0kJ/m3,预测结果与实验研究结果吻合较好。因此,将SVR应用于小样本情况下磁体性能的预测是可行的,且能极大的缩短试验周期,为研究合金成分对磁体性能的影响提供一种高效可靠的方法。

全文目录

摘要  4-5
Abstract  5-9
1 绪论  9-16
  1.1 永磁材料发展概况  9
  1.2 纳米晶(Nd,Pr)FeB 系永磁体材料的产生及特点  9-11
    1.2.1 纳米晶复合永磁材料的产生  9-10
    1.2.2 纳米晶复合永磁材料的特点  10-11
  1.3 纳米晶(Nd,Pr)FeB 系永磁材料的研究现状  11-13
    1.3.1 纳米复合永磁材料交换耦合作用及模型研究  11-12
    1.3.2 合金成分对纳米复合永磁材料组织与磁性能的影响  12
    1.3.3 制备工艺对纳米复合永磁材料磁性能的影响  12-13
  1.4 本文的研究背景、研究目的及意义  13-14
  1.5 本文的主要研究内容、研究思路、技术路线及其特色  14-16
    1.5.1 主要研究内容  14
    1.5.2 研究的技术路线  14
    1.5.3 本文的研究特色与创新  14-16
2 合金成分与制备工艺的设计以及试样制备  16-21
  2.1 Pr 元素成分设计  16-17
  2.2 Co 元素成分设计  17-18
  2.3 Zr 元素成分设计  18
  2.4 制备工艺优化设计  18-19
    2.4.1 快淬工艺设计  18-19
    2.4.2 晶化工艺设计  19
  2.5 试样制备及测试  19-21
3 应用BP 神经网络预测磁体性能  21-36
  3.1 人工神经网络简介  21-25
    3.1.1 人工神经网络的基本知识  21-22
    3.1.2 BP 神经网络模型结构及学习方法  22-25
  3.2 BP 网络建模  25-26
    3.2.1 隐含层层数及隐含层节点数的选取  25
    3.2.2 网络学习参数的选取  25-26
  3.3 改进BP 网络的应用  26-30
    3.3.1 Bayesian 正则化法基本原理  26-27
    3.3.2 加权检验训练法和“表决网”法基本思路  27-28
    3.3.3 改进的BP 网络建模及预测  28-30
  3.4 基于改进的BP 网络研究合金元素对纳米复相Nd_2Fe_(14)B/α-Fe永磁材料磁性能的影响  30-35
    3.4.1 单个合金元素对Nd_2Fe_(14)B/α-Fe 永磁体性能影响  30-32
    3.4.2 两两元素交互作用对Nd_2Fe_(14)B/α-Fe 永磁体性能的影响  32-35
  3.5 本章小结  35-36
4 应用支持向量机预测磁性能  36-58
  4.1 支持向量机原理和方法  36-44
    4.1.1 统计学习理论的核心内容  36-39
    4.1.2 支持向量回归机理论  39-43
    4.1.3 支持向量回归机模型参数的选取规则及方法  43-44
  4.2 建立ε-SVR 模型并与改进的BP 网络模型比较  44-46
  4.3 在小样本情况下建立支持向量回归机预测模型  46-53
    4.3.1 在小样本情况下建立ε-SVR 模型  46-49
    4.3.2 在小样本情况下建立LM-SVR 模型  49-53
  4.4 应用LS-SVR 研究合金元素对纳米复相Nd_2Fe_(14)B/α-Fe永磁体性能的影响  53
  4.5 试验验证  53-57
  4.6 本章小结  57-58
结论  58-59
参考文献  59-63
攻读硕士学位期间学术论文及科研情况  63-64
致谢  64-65

应用BP神经网络和SVR研究添加元素对（Nd，Pr）FeB系永磁体性能的影响

内容摘要

全文目录

相似论文