论文部分内容阅读
橡胶材料的耐磨性和疲劳性受到多种因素的影响，研究过程中面临着不易预测和分析的问题，且实验周期长，费时费力。由于橡胶材料耐磨性和疲劳性与力学性能等具有关联性，而且力学性能是较容易测得的，因此建立数学模型，研究这些性能同耐磨性、疲劳性之间的关系具有重要意义。鉴于人工神经网络可模仿人脑对一系列数据做出多线路的学习和判断的特点，本论文将人工神经网络应用于橡胶复合材料的力学性能与其耐磨性、拉伸疲劳寿命之间关系的分析中，利用橡胶材料的力学性能预测耐磨性能和拉伸疲劳寿命，建立了预测精度较高的神经网络。此外，对神经网络的输入向量进行敏感性分析，得出输入向量对耐磨性能和拉伸疲劳寿命的影响大小。本论文的主要工作如下:
(1)利用主成分分析法(Principal component analysis，简称PCA)对丁苯橡胶(SBR)和天然橡胶(NR)两类复合材料的八种力学性能进行降维分析，得到互不相关的三个主成分，作为BP神经网络的输入向量，对耐磨性进行预测。通过改变网络隐含层的神经元个数，研究神经元个数与网络预测精度之间的关系。所建立的网络预测精度较高。在此基础上利用基于输入对输出的局部偏导的敏感性分析方法计算了各个主成分的敏感度矩阵，分析主成分对耐磨性的影响程度。结果显示第一主成分对SBR材料的耐磨性能影响最大。
(2)采用对NR复合材料耐磨性能影响最大的主成分中包含的力学性能（100％定伸、拉伸强度、扯断伸长率和硬度）作为输入向量，NR复合材料的耐磨性能作为输出向量，建立网络结构为4*9*1的三层BP网络，直接分析力学性能和耐磨性能之间的关系。数据选择过程中，遵守预测样本与训练样本相近且样本无较大空白的原则。网络的预测准确率达到93.1％，说明网络适用于NR橡胶材料耐磨性的预测。利用敏感性分析方法对耐磨性的影响因素进行分析，结果显示100％定伸对耐磨性的影响最大。
(3)采用100％定伸、拉伸强度、扯断伸长率和Tanδ（7％剪切应变）作为输入向量，NR复合材料的拉伸疲劳寿命作为输出向量，建立网络结构为4*9*1的三层BP神经网络，预测和分析NR复合材料的疲劳性能。所建立的网络预测精度达到97.3％。敏感性分析显示100％定伸对NR复合材料疲劳性的影响最大，拉伸强度、扯断伸长率和Tanδ的影响程度差异不大。