人工神经网络在钛合金表面Ni-SiC复合电镀工艺中的应用

来源 :中国腐蚀与防护学报 | 被引量 : 0次 | 上传用户:yinjie340
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
采用复合电镀在钛合金表面制备了Ni-SiC复合镀层,并利用人工神经网络预测了复合电镀工艺参数对镀层组织结构的影响.结果表明:增加镀液中SiC颗粒含量和搅拌速率均会明显增加复合镀层中SiC的含量,从而增加镀层的硬度;增加阴极电流密度会增加镀层的生长速率,但过高的阴极电流密度导致镀层组织产生裂纹.采用人工神经网络模型对不同复合电镀工艺参数所制备的Ni-SiC复合镀层的厚度和硬度进行了预测,所获得的预测结果与实验结果吻合较好,偏差处于合理范围.“,”Composite coatings of Ni-SiC were prepared on Ti-alloy TA15 by composite electroplating technology,while the effect of electroplating parameters on the coating structure was predicted by means of artificial neural network approach.The results showed that the increase of SiC particles in the plating bath and the stirring speed could lead to higher SiC content of the composite coating,which in turn resulted in higher coating hardness.Increase in cathodic current density caused higher coating growth rates,but too higher cathodic current density would also cause cracks in the coatings.Predictions of the coating growth rates and coating hardness were carried out via artificial neural network.After training,the neural network model was available for the prediction of the thickness and the hardness of the coating.
其他文献
道路照明占整个照明用电量的25%~30% ,因此道路照明节能具有很大潜力。太阳能作为地球上取之不尽的清洁能源,将是21世纪最理想的新能源.大功率高光效LED是新生的并快速发展起来
会议
LED因其寿命长,免维护,节能,体积小,设计灵活性大,冷光特性,受电压变换的影响小,易于控制等种种优点而广泛用于照明技术中。本文论述了LED的发光原理,并对LED照明技术在汽车
华罗庚(1910~1985),江苏金坛人,中国著名数学家、数学教育家,中国科学院院士,今年11月12日是华罗庚诞生100周年纪念日,华罗庚教授不仅在中国家喻户晓,而且在国际数学界也是久负盛誉,华罗庚的故事广为流传,下面这两则小故事,就充分反映了青年时期华罗庚过人的数学素养,  【故事1】华罗庚是金坛县中学第一届初中毕业生,他在读中学时就显露了过人的数学才华,有一次数学老师王维克向同学们介绍一道出自
利用极化曲线、电化学阻抗和电容法研究了温度、p H值和Cl-浓度对X100管线钢在高p H值土壤模拟溶液中所成钝化膜性能的影响。结果表明:X100管线钢在不同的介质中都可以发生钝
眼泪没干,他就拨通了导演的电话。导演问他什么事,温兆伦说:“谢谢你。”被自己主演的电视剧感动哭,这在温兆伦是头一遭。提到温兆伦,大家会立刻想起上世纪80年代经典港剧《
线束既是传导干扰的良好通道,又是辐射干扰的重要源头,在线束布置前对线束进行电磁兼容分析和预测对设计者具有一定的指导意义。线束由许多导线捆扎而成,导线之间由于高密度
会议
汽车线束传输的信号很多,有从低频到高频的电流信号。对汽车上紧密捆扎的导线线束,串扰问题就显得格外重要。准确的串扰计算模型可以在设计初期确定线束串扰的潜在问题,以缩短设
会议
武汉会战再建殊勋黄维是一位勤奋学习、善于钻研、心怀全局、很有远见的青年将领。他于6月13日安庆、桐城失守时,建议罗卓英将部队向马当、湖口靠拢,以备急需。果然,军委会于
加权支持向量回归机在图像处理、数据分析及故障诊断等领域得到了很好的应用。论文针对传统神经网络模式识别中存在网络结构难于确定、过学习、收敛速度慢、易陷入局部极小值
会议