人工神经网络在材料制备工业中的应用

・　８０・　材料导报　２００６年１１月第２０卷第１１期　人工神经网络在材料制备工业中的应用　黄国兴　，李琳　，李　冰　，陈　玲　，李坚斌　。　（１华南理工大学轻工与食品学院。广州５１０６４０；２广西大学轻工与食品工程学院，南宁５３０００４）　摘要　人工神经网络具有非线性的自适应信息处理能力，已广泛应用于化工、通信、控制及优化等领域。在简　单介绍人工神经网络方法的基础上，重点综述了该方法在陶瓷工业的原料分类、配方优化、缺陷分析、性能预测等方面　的应用情况，指出在应用过程中可能存在的问题以及未来的发展趋势。　关键词　人工神经网络材料制备　陶瓷工业配方优化性能预测　中图法分类号￣ＴＱ１７４　Ｔｈｅ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｉｎ　Ｍａｔｅｒｉａｌｓ　Ｆａｂｒｉｃａｔｉｏｎ　Ｉｎｄｕｓｔｒｙ　ＨＵＡＮＧ　Ｇｕｏｘｉｎｇ　，ＬＩ　Ｌｉｎ　，ＬＩ　Ｂｉｎｇ　，ＣＨＥＮ　Ｌｉｎｇ　，ＬＩ　Ｊｉａｎｂｉｎ　，。　（１　Ｃｏｌｌｅｇｅ　ｏｆ　Ｌｉｇｈｔ　Ｉｎｄｕｓｔｒｙ　ａｎｄ　Ｆｏｏｄ　Ｓｃｉｅｎｃｅｓ，Ｓｏｕｔｈ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｏｕａｎｇｚｈｏｕ　５１０６４０；　２　Ｃｏｌｌｅｇｅ　ｏｆ　Ｌｉｇｈｔ　Ｉｎｄｕｓｔｒｙ　ａｎｄ　Ｆｏｏｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｕａｎｇｘｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｎｉｎｇ　５３０００４）　Ａｂｓｔｒａｃｔ　Ａｒｔｉｆｉｃｉａ１　Ｎｅｕｒａ１　Ｎｅｔｗｏｒｋ（ＡＮＮ）ｈａｓ　ｂｅｅｎ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｉｎ　ｃｈｅｍｉｃａ１　ｉｎｄｕｓｔｒｙ，ｃｏｍｍｕｎｉｃａｔｉｏｎ，ａｕ—　ｔｏｍａｔｅｄ　ｃｏｎｔｒｏ１　ａｎｄ　ｆｏｒｍｕｌａｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｅｔｃ．ｂｅｃａｕｓｅ　ｏｆ　ｉｔｓ　ｕｎｉｑｕｅ　ａｂｉｌｉｔｉｅｓ　ｏｆ　ｎｏｎ－ｌｉｎｅａｒｌｙ　ａｎｄ　ａｄａｐｔｉｖｅｌｙ　ｐｒｏｃｅｓｓ—　ｉｎｇ　ｄａｔａ．ＡＮＮ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｆｏｒｍｕｌａｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ，ｄｅｆｅｃｔ　ｄｉａｇｎｏｓｉｓ　ａｎｄ　ｐｅｒ—　ｆｏｒｍａｎｃｅ　ｐｒｅｄｉｃｔｉｏｎ　ｉｎ　ｃｅｒａｍｉｃ　ｉｎｄｕｓｔｒｙ　ａｒｅ　ｓｕｍｍａｒｉｚｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｐｒｏｂｌｅｍｓ　ａｒｅ　ｐｏｉｎｔｅｄ　ｏｕｔ　ａｎｄ　ｔｈｅ　ｐｒｏｓｐｅｃｔ　ｆｏｒ　ｔｈｅ　ｆｕｔｕｒｅ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ＡＮＮ　ｉＳ　ａｌｓｏ　ｐｕｔ　ｆｏｒｗａｒｄ．　Ｋｅｙ　ｗｏｒｄｓ　ｆｏｒｍａｎｃｅ　ｐｒｅｄｉｃｔｉｏｎ　ａｒｔｉｆｉｃｉａ１　ｎｅｕｒａ１　ｎｅｔｗｏｒｋ　ｍａｔｅｒｉａｌｓ　ｌａｂｒｉｃａｔｉｏｎ，ｃｅｒａｍｉｃ　ｉｎｄｕｓｔｒｙ，ｆｏｒｍｕｌａｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ，ｐｅｒ—　０引言　材料是人类生产和生活的物质基础，是人类进步与文明的　重要标志。在无机材料中陶瓷材料因其独特性能而在人们的生　活中占据着重要地位。尽管如此，由于陶瓷的制备过程涉及的　扑结构的基础上相互连接而成的一种具有并行处理能力的网络　系统。它反映了人脑功能的许多基本特性，但它并不是人脑的　真实写照，而只是对其作某种简化、抽象和模拟，是数学、计算　机、神经生理学等众多学科相结合的产物。ＡＮＮ的基本单元是　神经元，神经元模型含有３个基本要素，包括１组连接、１个求　影响因素较多，它们之间的相互作用复杂，目前主要还是依赖于　试验。然而大量的实验数据中存在着很多目前难以发现的规　和单元和１个非线性激活函数Ｌ　。其结构如图１所示＿６　Ｊ。　律，使用一般的回归经验公式在很多情况下并不能满足要求，　如，不同的回归方法对应不同的经验公式，导致经验公式繁多且　不一致；在变量多、作用复杂的情况下，经验公式建立相当困难，　而且重现性差，无法处理离散数据等ｕｊ。　近２Ｏ年来迅速发展起来的人工神经网络（Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｙｋ　Ｎｅｔｗｏｒｋｓ，简称为ＡＮＮ）技术，因能模拟人脑的并行信息处理　方式以及处理一些环境信息十分复杂、知识背景不清楚和推理　规则不明确的问题，已成为处理非线性系统的有力工具＿２“ｊ。　近年来，ＡＮＮ技术在无机材料制备领域的陶瓷工业中所涉及的　配方设计与控制、物料特性控制、成形、施釉、干燥以及烧成过程　图１神经元结构示意图　吕１　Ｍｏｄｅｌ　ｏｆａｎ　ａｒｔｉｉｃｉｆａｌ　ｎｅｕｒｏｎ　其中ｘｌ、　、…、Ｘｐ为输入信号；Ｗｋｌ、Ｗｋ２、…、Ｗｋｐ为神经元　的权值；０　为阀值；ｆ为激活函数；Ｙｋ为神经元的输出。一般来　说，ｙｋ可表示为：　Ｙｋ一厂（∑　一　）　参数的控制等方面得到了广泛的应用Ｌ４］，并取得一定的成效。　本文主要就ＡＮＮ技术在陶瓷工业应用的最新成果进行综述，　并指出ＡＮＮ在应用中所存的问题以及提出一些展望。　１　ＡＮＮ的内涵　ＡＮＮ，即人工神经网络，是由许多处理单元在模拟人脑拓　１．１神经网络的模型　自１９４３年Ｍｃ　Ｃｕｌｌｏｃｈ等首次提出人工神经元模型以来，　神经网络的研究在国内外取得了飞速的发展。神经网络模型是　＊武器装备预研基金（５１４１２０４０２０５ＪＷＩ６１３）；国家自然科学基金（２０３０６００７）资助项目　李琳：联系人，男，１９６２年生，教授，博士生导师　维普资讯 http://www.cqvip.com

人工神经网络在材料制备工业中的应用／黄国兴等　・　８１　・　以神经元的数学模型为基础来描述的，由网络拓扑、节点特点和　关心、且迫切需要解决的问题１］　Ｊ。　学习规则来表示。在神经网络的发展过程中，学习算法的研究　李玉平等ｌ１１］对９×２５×４三层ＢＰ网络２１个样本进行了训　有着十分重要的地位，目前，人们所提出的神经网络模型都是和　练，以原料的９种化学成分（特征参数）作为网络的输入，网络的　算法相应的。不过，有的模型可以有多种算法，而有的算法可能　输出层设为４个节点，即，把原料分为４类。原料属于第几类，　用于多种模型，因此，模型和算法并没有被严格地定义或区　则４个输出矢量中第几个参数就设定为１，其余３个参数为０。　别ｌ８］。迄今已发表的网络模型有数十种之多，应用较多的神经　结果表明对未知样品的判别输出结果与实际结果相互印证，与　网络模型主要是ＢＰ网络、Ｈｏｐｆｉｅｌｄ网络、Ｋｏｈｏｎｅｎ网络和ＡＲＴ　采用聚类分析法及因子分析法的结果一致。刘付胜聪等ｌｌ　利　网络，而ＢＰ网络在材料制备工业中的应用最为广泛。　用相同的方法也成功地将３１种粘土原料进行了有效分类。由　ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）算法即误差反向传播算法，是一种单　此可见，人工神经网络是一种对陶瓷原料进行分类的有效方法，　向传播的多层前向网络，由输入层、隐层和输出层构成。层间各　该方法准确性好、成功率高，在陶瓷原料选择和配方研制中有较　个神经元实现全连接，即，下层的每一个神经元与上层的每一个　高的应用价值。　神经元都实现权连接，而每层各神经元之间不连接，网络中每一　２．１．２　陶瓷成品的分类　层神经元的连接权值都可以通过学习来调整。当给定一个输入　古陶瓷的分类对古陶瓷的断代、断源等皆有重要意义，是古　节点数为Ｎ、输出节点数为Ｍ的ＢＰ网络，输入信号由输入层到　陶瓷科学的主要课题之一。虽然多元统计分析方法应用于古陶　输出层传递，通过非线性函数来复合完成从Ｎ维欧氏空间到Ｍ　瓷分类已取得不少成果，但是，它必须假定样本服从某种统计分　维欧氏空间的映射，该过程是向前传播的过程。如果实际输出　布。郭景康等ｌ１　将模式识别一ＡＮＮ方法应用于古陶瓷分类研　信号与期望值存在误差，网络就转入误差反向传播过程，并根据　究中，该方法不要求假定样本服从某种统计分布，而是从空间区　误差的大小来调节各层神经元之间的连接权值，从而使网络的　域划分和样本属性着手进行分析，是一种非函数的几何方法。　输出逐渐接近所希望的输出，最终误差满足要求，网络的学习过　在研究中，他们以样本的化学组成作为ＡＮＮ的输入，用古钧瓷　程结束，获得学习成功后的权值ｌ９Ｊ。其结构形式如图２所示。　釉、近代仿钧瓷釉和铜红釉的分类值作为ＡＮＮ的输出，利用一　些典型的传递函数，如Ｔａｎｈ（ｘ）、Ｓｉｇｍｏｉｄ等作为激活函数，调整　权值　，训练该ＡＮＮ系统。结果表明，模式识￣Ｊ－ＡＮＮ方法可　以成功地将古陶瓷分类，并能定量预报古陶瓷的类别。在条件　有限的情况下，用这种方法可以方便快捷地为古陶瓷的断源、断　代等提供依据。　２．２陶瓷配方的优化　在陶瓷生产过程中，掺杂改性和生产条件控制是制备这类　Ｊ　ｌ　ｌ　高性能材料的重要手段，但是，由于材料组分和工艺条件对其性　能影响很大，且各组分之间还可能发生复杂的交互作用，因此，　输入层　隐层　输出层　如何优化配方和工艺是高性能材料研究的一个重点，也是一个　图２　ＢＰ网络结构　难点。传统的陶瓷材料设计方法是希望以最少的实验次数获取　Ｆｉｇ．２　Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ　ｎｅｔｗｏｒｋ　最理想的结果，不过，这种方法研制周期长、成本高、人力和物力　基于ＢＰ算法的人工神经网络的实质是把一组样本输入输　资源浪费大。由于ＡＮＮ不必考虑其复杂的交互作用，因而由　出问题转化为一个非线性优化问题，并通过梯度算法利用迭代　其建立的数学模型可以很好地对组分和工艺过程进行优化。　运算求解权值的一种学习方法　。虽然ＢＰ网络有收敛速度　Ｃａｉ等ｌ＿１　］在均匀实验的基础上，以５种添加剂组分的含量　慢、易收敛到局部极值和难以确定隐层和节点个数的缺点，但　和烧结温度作为ＡＮＮ网络的输入，以压电陶瓷的压电常数ｄ　是，由于其具有很好的逼近非线性映射的能力，在信息处理、系　和耦合系数ｋｐ作为网络的输出，根据运算结果，取８个隐层单　统控制等方面得到广泛的应用。　元，建立的三层ＢＰ网络能很好地模拟组分与性能之间的关系。　他们不仅利用神经网络建立了数学模型，得到最佳性能时的组　２　ＡＮＮ技术在陶瓷工业中的应用　分含量，而且从理论上解释了压电陶瓷的性能与添加剂之间复　从业已完成的研究成果来看，ＡＮＮ已在陶瓷工业中得到了　杂关系的原因。精确的预测结果表明，三层ＢＰ网络建立的模　较为广泛的应用，包括原料分类、配方优化、产品质量检测、性能　型在多组分氧化物陶瓷材料的性能预测和组分设计上是一个非　预测、鉴别分类、缺陷分析、产品寿命预测等，现给予概括性的阐　常有用的工具。Ｇｕｏ等ｌｌ　］的进一步研究还发现，ＡＮＮ模型的　述。　预测结果比传统的多重非线性回归分析的结果更为准确。　阎加强等Ｌｌ。］用５×３×ｌ的三层ＢＰ网络，以烧结温度、保温　２．１　ＡＮＮ技术在陶瓷分类中的应用　时间、成型压力、Ｃ／ＺｒＳｉＯ　摩尔比和铁粉加入量为网络输入，以　２．１．１　陶瓷原料的分类　ＳｉＣ生成量为网络输出，用２Ｏ个样本训练网络，４个样本检验网　配方调试是陶瓷生产的重要环节，而影响配方的因素又主　络的推广能力，对反应烧结Ｚｒ０ｚ—ＳｉＣ材料制备中工艺参数与原　要集中在陶瓷原料的选择上，因此，对陶瓷原料进行科学及合理　位ＳｉＣ颗粒生成量的关系进行拟合和预测。训练２４３５０次时，　的分类是非常重要的。由于陶瓷原料种类繁多、结构复杂、成分　训练样本和检验样本的相对误差最大值稳定在３．Ｏ　。他们不　多变，因而选择适合自己工艺流程的陶瓷原料是众多陶瓷企业　仅利用ＡＮＮ建立了工艺条件与ＳｉＣ生成量的模型，而且还利　维普资讯 http://www.cqvip.com

・　８２　・　材料导报　２００６年ｌ１月第２Ｏ卷第ｌｌ期　用遗传算法优化出了材料的最佳制备工艺。　显然，ＡＮＮ与遗传算法相结合作为一种优化手段，为陶瓷　材料的制备工艺优化提供了一条崭新的途径。　陶瓷产品的寿命也是一个重要指标。由于陶瓷使用环境非　常复杂，会影响其性能，而且寿命的因素众多，难以量化，因此很　难预测陶瓷的寿命。然而，只要有一定的学习样本，就可以用　ＡＮＮ预测在复杂环境下陶瓷的使用寿命。Ｅ　Ｏ．Ｅｚｕｇｗｕ等［２２］　２．３陶瓷缺陷的分析　陶瓷制品脆性大，容易出现裂纹、缺口、内部或外部缺陷等　问题。传统的质量检验工作都是由人工完成的，存在着效率低、　采用ＢＰ网络对陶瓷刀具使用寿命进行了预测，在一定的切割　深度下，以主轴转速和工作进给量为输人参数，以刀具的寿命和　相应的磨损状态（ｉＥ面磨损、侧面磨损和严重损坏３种状态）为　人力资源浪费等问题，还会产生误判的现象。叶孟蜍等口　选用　快速傅立叶变换（ＦＦＴ）进行特征提取，应用专家列表法进行特　征参数确定，最后由ＢＰ神经网络进行状态识别。对有缺陷的　碗进行逐一检验，结果与实际吻合，表明，可以运用ＡＮＮ系统　输出参数，建立预测刀具寿命的网络模型。用２４组实验数据对　模型进行训练，余下的数据作为检验测试样本。结果表明，陶瓷　刀具寿命的预测准确率为５８．３　，对刀具磨损状态的预测效果　对产品进行分级，或检测出有缺陷的产品。　周毓菁等¨】　］较为深入地研究了ＢＰ神经网络模型在建筑卫　生陶瓷缺陷分析上的应用，他们不仅采用Ｓｉｇｍｏｉｄ函数建立ＢＰ　网络进行了卫生陶瓷缺陷分析，还探讨了采用双曲正切函数建　立神经网络模型来分析卫生陶瓷缺陷情况。研究结果表明，两　种不同函数的网络模型都可以取得很好的结果，而采用双曲正　切函数还可以减少网络训练次数，提高自学习效率。　２．４陶瓷性能的预测　陶瓷性能不仅与材料组分及其含量有关，还受到制备工艺　的影响，因此，准确预测其性能较为困难，迄今仍没有成熟的理　论进行指导。然而，只要有大量准确的实验样本，利用ＢＰ网络　就有可能完成由组分和工艺条件预测陶瓷性能。　Ｈｕａｎｇ等口ｇ］研究了ＡＮＮ在陶瓷刀具材料设计中的应用，　利用ＡＮＮ来反映陶瓷刀具材料的原料成分及其含量与刀具的　断裂韧性和弯曲强度之间的非线性关系。建立了预测刀具陶瓷　性能的ＡＮＮ模型，利用ＭＡＴＩ　ＡＢ中的神经网络工具箱编制需　求的程序并对此模型进行适当的训练。他们据此还预测了两相　和三相（Ａ１２０ｓ一（ｗ，Ｔｉ）Ｃ和Ａ１２（）３一ＴｉＣ－Ｚ　）复合陶瓷刀具的　性能以检验模型是否准确。结果表明，根据ＡＮＮ建立的模型　在模拟陶瓷刀具的复合成分和预测陶瓷刀具力学性能上是非常　实用有效的。　Ｎｅｃａｔ　Ａｌｔｉｎｋｏｋ等口］以Ａｌ２０３／ＳｉＣ增韧陶瓷为研究对象，　利用ＡＮＮ建立网络模型，以ＳｉＣ粒径为输入参数，陶瓷的三点　抗弯强度、硬度和气孔率作为输出参数，建立反映原料粒径与性　能关系的ＢＰ网络模型。用ｌ５组实验数据训练网络，５组未经　训练的实验数据验证该网络的预测能力。研究结果表明，该网　络经过２４万次训练后，具有很好的预测能力，均方差仅为　２．１　，能较准确地反映原料粒径与性能的关系。Ｎｅｃａｔ　Ａｌｔｉｎｋｏｋ等¨】０＿还以Ａ１２Ｏ。／ＳｉＣ多孔陶瓷复合材料为研究对象，　采用三层ＢＰ网络模型，以ＳｉＣ质量作为输入参数，Ａ１２（）３质量　百分含量和产品的气孔率为输出参数，建立了反映ＳｉＣ质量与　Ａ１２０３质量百分含量和产品气孔率关系的ＡＮＮ模型。用ｌ２组　实验数据训练网络，７组实验数据检测模型的预测能力。研究　结果表明，当隐层单元数为ｌ２时，该ＡＮＮ模型具有很好的预　测效果，此时，Ａ１ｚ（）３质量百分含量的相对误差最大值为　１．２ｌ　，气孔率的相对误差最大值为２．２６　，该网络可以很好　地反映ＳｉＣ质量与Ａ１ｚ　Ｏ。质量百分含量和产品气孔率的关系。　这样的网络模型适用于陶瓷材料的计算机辅助开发，可以　通过链接不同的训练样本数据库进一步扩大其适用范围，为减　少试验次数、充分掌握和了解材料性能、有目的地合理开发新材　料提供可靠的依据ｌ２　］。　较好，达到８７．５　。虽然由于没有足够的可供训练的输人参数　而产生了一定的误差，但是，这是一个新颖、实际的思路。　３问题与展望　ＡＮＮ为材料科学研究开辟了一个崭新的领域，已在陶瓷工　业中得到很大的发展，但是，由于ＡＮＮ固有的不足导致其在陶　瓷工业中的应用还存在一些问题有待研究和解决，主要表现在　学习、预测效果的不理想上。实际上，由于ＡＮＮ系统的网络学　习训练需要大量的准确样本，而在陶瓷工业中获取大量样本数　据又受到各种因素的影响，因此，很多情况下是难于满足这种要　求的。另外，由于ＡＮＮ系统的网络结构建立和一些参数的选　择仍没有完善的理论指导，导致其收敛速度太慢等。　虽然ＡＮＮ在陶瓷工业中的应用还处于起步阶段，但已取　得了较好的成果，尽管如此，针对ＡＮＮ技术固有不足以及陶瓷　工业的实际情况，相应的计算机科学技术、ＡＮＮ理论及其相关　技术也在不断发展，这些问题应该得到不断解决。而ＡＮＮ技　术在陶瓷工业中的应用无疑将会获得迅猛发展，并将在材料科　学领域中应用得更加深入和广泛，获得更大的研究成果。　参考文献　ｌ　李竞先，鄢程，吴基球．材料科学与工程中应用ＡＮＮ的前　景．中国陶瓷工业，２００３，１０（４）：３６　２　Ｈａｎｙ　Ｅ１　Ｋａｄｉ．Ｍｏｄｅｌｉｎｇ　ｔｈｅ　ｍｅｃｈａｎｉｃａｌ　ｂｅｈａｖｉｏｒ　ｏｆ　ｆｉｂｅｒ－　ｒｅｉｎｆｏｒｃｅｄ　ｐｏｌｙｍｅｒｉｃ　ｃｏｍｐｏｓｉｔｅ　ｍａｔｅｒｉａｌｓ　ｕｓｉｎｇ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ－－ａ　ｒｅｖｉｅｗ．Ｃｏｍｐｏｓｉｔｅ　Ｓｔｒｕｃｔｕｒｅｓ，２００６，７３　（１）：ｌ　３　Ｓａｌａｍ　Ｍ　Ａ，Ａ１一Ａｌａｗｉ　Ｓ　Ｍ，Ｍａｑｒａｓｈｉ　Ａ久Ａｎ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ａｐｐｒｏａｃｈ　ｔｏ　ｍｏｄｅｌ　ａｎｄ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｒｅｌａｔｉｏｎ—　ｓｈｉｐ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｇｒｏｕｎｄｉｎｇ　ｒｅｓｉｓｔａｎｃｅ　ａｎｄ　ｌｅｎｇｔｈ　ｏｆ　ｂｕｒｉｅｄ　ｅｌｅｃｔｒｏｄｅ　ｉｎ　ｔｈｅ　ｓｏｉｌ．Ｊ　Ｅｌｅｃｔｒｏｓｔａｔｉｃｓ，２００６，６４（５）：３３８　４　Ｓｃｈｎｅｉｄｅｒ　Ｇ，Ｗｒｅｄｅ　Ｐ．Ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｃｏｒｎ—　ｐｕｔｅｒ—ｂａｓｅｄ　ｍｏｌｅｃｕｌａｒ　ｄｅｓｉｇｎ．Ｂｉｏｐｈｙｓｉｃｓ＆Ｍｏｌｅｃｕｌａｒ　Ｂｉｏｌ—　ｏｇｙ，１９９８，７０（３）：１７５　５　李冰，郭祀远，李琳，等．ＡＮＮ在发酵过程中的应用．食品与　发酵工业，２００３，２９（１２）：９ｌ　６　Ａｇａｔｏｎｏｖｉｃ－Ｋｕｓｔｒｉｎ　Ｓ，Ｂｅｒｅｓｆｏｒｄ　Ｒ．Ｂａｓｉｃ　ｃｏｎｃｅｐｔｓ　ｏｆ　ａｒｔｉ—　ｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ（ＡＮＮ）ｍｏｄｅｌｉｎｇ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎ　ｉｎ　ｐｈａｒｍａｃｅｕｔｉｃａｌ　ｒｅｓｅａｒｃｈ．Ｐｈａｒｍａｃｅｕｔｉｃａｌ　ａｎｄ　Ｂｉｏｍｅｄｉｃａｌ　Ａ—　ｎａｌｙｓｉｓ，２０００，２２（５）：７１７　７　Ａｌｔｉｎｋｏｋ　Ｎ，Ｋｏｋｅｒ　Ｒ　Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｐｐｒｏａｃｈ　ｔｏ　ｐｒｅｄｉｃ—　ｔｉｏｎ　ｏｆ　ｂｅｎｄｉｎｇ　ｓｔｒｅｎｇｔｈ　ａｎｄ　ｈａｒｄｅｎｉｎｇ　ｂｅｈａｖｉｏｒ　ｏｆ　ｐａｒｔｉｃｕ—　ｌａｔｅ　ｒｅｉｎｆｏｒｃｅｄ（Ａ１一Ｓｉ—Ｍｇ）一ａｌｕｍｉｎｉｕｍ　ｍａｔｒｉｘ　ｃｏｍｐｏｓｉｔｅｓ．　维普资讯 http://www.cqvip.com

人工神经网络在材料制备工业中的应用／－Ｉｔ国兴等　Ｍａｔｅｒ　Ｄｅｓ，２００４，２５（　７）：５９５　・　８３　・　阎加强，培新，伍卫琼，等．神经网络一遗传算法优化反应烧　结ＺｒＯ２一ＳｉＣ材料制备工艺．无机材料学报，１９９８，１３（６）：９３７　叶孟蜍，金伟．基于ＢＰ神经网络的陶瓷产品质量检验系统．　大连轻工业学院学报，２００２，２１（４）：２７６　８　陈晓明，李景明，李艳霞，等．人工神经网络在饮料工业中的　应用研究进展．饮料工业，２００５，８（１）：８　９　杨琴，谢淑云，ＢＰ神经网络在洞庭湖氨氮浓度预测中的应　用，水资源与水：【程学报，２００６，１７（１）：６５　１Ｏ王凯，李冬青，张忠典，等．人工神经网络及其在焊接中的应　用与展望，焊接，２００５，（６）：５　周毓菁，金有道，周迪郧．建筑卫生陶瓷缺陷分析神经网络　系统．陶瓷，１９９８，２：１４　Ｈｕａｎｇ　Ｃ　Ｚ，Ｚｈａｎｇ　Ｌ，Ｈｅ　Ｌ，ｅｔ　ａｌ，Ａ　ｓｔｕｄｙ　ｏｎ　ｔｈｅ　ｐｒｅｄｉｅ—　ｔｉｏｎ　ｏｆ　ｔｈｅ　ｍｅｃｈａｎｉｃａｌ　ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　ａ　ｃｅｒａｍｉｃ　ｔｏｏｌ　ｂａｓｅｄ　ｏｎ　ｌ１李玉平，刘付胜聪，胡鹏飞．陶瓷原料分类的人工神经网络　模型．硅酸盐通报，２００３，６：４７　１２刘付胜聪，李玉平　利用人工神经网络判别陶瓷原料种类．　ａｎ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．Ｍａｔｅｒ　Ｐｒｏｅ　Ｔｅｅｈｎ，２００２，１２９：　３９９　湖南大学学报（自然科学版），２００２，２９（３）：４０　Ｎｅｃａｔ　Ａｈｉｎｋｏｋ，Ｒａｓｉｔ　Ｋｏｋｅｒ．Ｍｉｘｔｕｒｅ　ａｎｄ　ｐｏｒｅ　ｖｏｌｕｍｅ　１３郭景康，陈念贻．古陶瓷分类研究中的模式识别＿－＿人工神　经网络方法，硅酸盐学报，１９９７，２５（５）：６１４　１４　Ｃａｉ　Ｋ，Ｘｉａ　Ｊ　Ｔ，Ｌｉ　ｌ　Ｔ，ｅｔ　ａ１．Ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｅｌｅｃｔｒｉｃａｌ　ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　ＰＺＴ　ｂｙ　ａ　ＢＰ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．Ｃｏｍｐｕ—　ｔａｔｉｏｎａｌ　Ｍａｔｅｒ　Ｓｃｉ，２００５，３４（２）：１６６　ｆｒａｃｔｉｏｎ　ｅｓｔｉｍａｔｉｏｎ　ｉｎ　Ａｌ２（）３／ＳｉＣ　ｃｅｒａｍｉｃ　ｃａｋｅ　ｕｓｉｎｇ　ａｒｔｉｆｉ—　ｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ．Ｍａｔｅｒ　Ｄｅｓ，２００５，２６（４）：３０５　张长强，张勤河，张卫云，等．人工神经网络在多相工程陶瓷　材料设计中的应用．机械工程材料，２００５，２９（２）：４　Ｅｚｕｇｗｕ　Ｅ　Ｏ，ｅｔ　ａ１．Ｔｏｏｌ—ｗｅａｒ　ｐｒｅｄｉｃｔｉｏｎ　ｕｓｉｎｇ　ａｒｔｉｆｉｃｉａｌ　１５　Ｇｕｏ　Ｄ，Ｗａｎｇ　Ｙ　Ｉ　，Ｘ　Ｊ　Ｔ，ｅｔ　ａ１．Ｉｎｖｅｓｔｉｇａｔｉｏｎ　ｏｆ　ＢａＴｉ（）３　ｆｏｒｍｕｌａｔｉｏｎ：ａｎ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ（ＡＮＮ）ｍｅｔｈｏｄ．　ＥＣＲＳ，２００２，２２（１１）：１８６７　，　】　）　）　，　）　）　、　）　）　）　）　）　）　）　）　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ．Ｊ　Ｍａｔｅｒ　Ｐｒｏｃｅ　Ｔｅｅｈｎ，１９９５，４９：２５５　＂　加　）　（责任编辑）　）　）　）　）　）　）　）　）　＼　；　）　）　）　）　）　）　）　）　胡　晓）　）　）　）　）　）　）　（上接第７９页）　０６ｐａ０ＯＴＫａ　ＭｅＴａＪＩＪＩＯＢ，１９９２，（１）：２４　９　Ｇｓｅｈｎｅｉｄｎｅｒ　Ｋ　Ａ，Ｃａｌｄｅｒｗｏｏｄ　Ｆ　Ｗ．Ｂｕｌｌ　Ａｌｌｏｙ　Ｐｈａｓｅ　Ｄｉａ—　８　ＡＩ—Ｚｎ－Ｍｇ－Ｃｕ－Ｚｒ－Ｓｃ六元系相图　图９为含８　Ｚｎ、２　Ｃｕ、ｏ．３　Ｓｃ、ｏ．３　Ｚｒ和Ｏ　～８　Ｍｇ　ｇｒａｍｓ，１９８９，１０（１）：３４　１０　Ｆｕｊｉｋａｗａ　Ｓ，ｅｔ　ａｌ，Ｊ　Ｌｅｓｓ—Ｃｏｍｍｏｎ　Ｍｅｔ，１９７９，６３：８７　】１　Ｄｒｉｔｓ　Ｍ　Ｅ，ｅｔ　ａ１．ＲＵＳＳ　Ｍｅｔａｌｌ，１９７３，４：１５２　的Ａ１一Ｚｎ－Ｍｇ—Ｃｕ—Ｚｒ－Ｓｃ系统富Ａｌ角变温截面图　引，存在ａ相、　Ａ１３Ｓｃ相、Ｗ相、Ｍ相、Ｔ相和Ａｌｓｚｒ相。文献Ｅ２７，３０］表明，有　３６　Ｚｒ（１４ａｔ　ｚｒ）溶入Ａ１３ｓｃ相中，同时也有５　Ｓｃ（５ａｔ　ｓｃ）溶　】２　Ｂｌａｋｅ　Ｎ，Ｈｏｐｋｉｎｓ　Ｍ　Ａ．Ｊ　Ｍａｔｅｒ　Ｓｃｉ，１９８５，２０：２８６１　】３　Ｏｋａｍｏｔｏ　Ｈ．Ｊ　Ｐｈａｓｅ　Ｅｑｕｉｌｉｂｒｉａ，１９９１，１２（５）：６１２　】４　Ｃａｅｅｉａｍｎｉ　Ｇ，ｅｔ　ａ１．Ｉｎｔｅｒｍｅｔａｌｌｉｅｓ，１９９９，７（１）：１０１　入ＡｌａＺｒ相。文献［２８］表明，有１Ｏ　Ｚｎ（６ａｔ　Ｚｎ）溶入Ａ１３（Ｓｏ，　Ｚｒ）相中，同时也有３　Ｓｃ（３ａｔ　Ｓｅ）和６　Ｚｎ（４ａｔ　Ｚｎ）溶入　Ａｌ３　相中。　１５　Ｍｕｒｒａｙ　Ｊ　Ｌ．Ｊ　Ｐｈａｓｅ　Ｅｑｕｉｌｉｂｒｉａ，１９９８，１９（４）：３８０　１６　Ｎａｕｍｋｉｎ　Ｏ　Ｐ，ｅｔ　ａ１．ＲＵＳＳ　Ｍｅｔａｌｌ，１９６５，（４）：１２８　１７　Ｋｏｎｏｎｅｎｋｏ　Ｖ　Ｉ，Ｇｏｌｕｂｅｖ　Ｓ　Ｖ．Ｒｕｓｓ　Ｍｅｔａｌｌ，１９９０，（２）：１９３　１８　Ｍｉｃｈｌｉｎ　Ｅ　ＳＩ　Ａｅｔａ　Ｍｅｔａｌｌ，１９７４，（２２）：１０９　１９　Ｓｃｈｏｂ　０，Ｐａｒｔｈｅ　Ｅ　Ａｅｔａ　Ｃｒｙｓｔａｌｌｏｇｒ，１９６５，（１９）：２１４　９结束语　微量ｓｃ是发展超高强铝合金极有希望的微量（０．１　～　０．４　）添加元素。相图是合金设计的基础，在铝合金中添加微　量的ｓｃ、ｚｒ，获得Ａｌ３ｚｒ、Ａｌｓ　ｓｃ、Ａ１３（Ｓｃ，Ｚｒ）等强化相，可大幅度　提高Ａ１一Ｚｎ－Ｍｇ－Ｃｕ系合金的强度，改善合金的耐腐蚀性能。目　前，Ａ１一Ｚｎ－Ｍｇ－Ｃｕ—Ｚｒ－Ｓｃ六元相图报道很少，六元系中二元、三元　２０　Ｅｙｍｏｎｄ　Ｓ，Ｐａｒｔｈｅ　Ｅ　Ｊ　Ｉ　ｅｓｓ—Ｃｏｍｍｏｎ　Ｍｅｔ，１９６９，（１９）：４４１　２１　ＫａＭａｎ　ＨＨＫＭＨ　Ａ　Ｈ，，／ＩＯ６ａＴＫＨＨａ　Ｔ　Ｂ，ＰＯｅＴＯＢａ　Ｔ皿ＡＫａ￣ｅＭＨＨ　ＨａｙＫ　ＣＣＣＰ：ＭｅｍｎｎＢｉ，１９９１，（２）：２１４　Ｍ９Ｂ　２２　Ｋｕｎ　Ｙｕ，Ｗｅｎｘｉａｎ　Ｌｉ，ｅｔ　ａ１．Ｍａｔｅｒ　Ｓｃｉ　Ｅｎｇ　Ａ，２００４，３６８：８８　２３　Ｙｉｎ　Ｚｈｉｍｉｎ，Ｐａｎ　Ｑｉｎｇｌｉｎ．Ｍａｔｅｒ　Ｓｃｉ　Ｅｎｇ，２０００，Ａ２８０：１５１　化合物的成分范围不确切。在Ａ１一Ｚｎ－Ｍｇ－Ｃｕ—Ｚｒ－Ｓｃ六元相图含　Ｓｃ量小于２ａｔ　、温度低于５００￣Ｃ部分的测定尤为重要，它对于　确定ｓｃ、ｚｒ添加后的相成分、相结构和热处理制度具有很高的　应用价值。　２４戴晓元，夏长清，吴安如，等，矿冶工程，２００５，２５（５）：７０　２５　ＰＯＸ￣Ｈ　Ｊ－Ｉ　Ｊ－Ｉ，‘　ｐＨ压ＭａＨ　Ａ　Ｃ　Ｈａｓ　ＡＫａⅡｅＭＨＨ　ＨａｙＫ　ＣＧＣＰ：　Ｎｌｅｒａａ￣，１９９１。（６）：１５８　２６　皿ＭａＨ　Ａ　Ｃ　Ｈａｓ　Ａｌ（ａ且ｅＭＨＨ　ＨａｙＫ　ＣＥＣＰ：Ｍｅｒａａ：ｍＩ，　１９９２，（１）：２３４　参考文献　１林肇琦．材料导报，１９９２，（３）：１０　２　Ｒｏｙｓｅｔ　Ｊ，Ｒｙｕｍ　Ｎ，Ｉｎｔ　Ｍａｔｅｒ　Ｒｅｖ，２００５，５０（１）：１９　３　Ｄｖｙｄｏｖ　Ｖ　Ｇ，ｅｔ　ａ１．Ｍａｔｅｒ　Ｓｃｉ　Ｅｎｇ，２０００，Ａ２８Ｏ：３０　４　Ｎｏｒｍａｎ　Ａ　Ｆ，ｅｔ　ａ１．Ｍａｔｅｒ　Ｓｃｉ　Ｅｎｇ　Ａ，２００３，３５４：１８８　２７　Ｚｅｎｇ　Ｆａｎｈａｏ，Ｘｉａ　Ｃｈａｎｇｑｉｎｇ，Ｇｕ　Ｙ　Ｊ　Ａｌｌｏｙｓ　Ｃｏｍｐ。　２００４，３６３：１７５　２８　Ｒｏｋｈｌｉｎ　Ｉ　Ｉ　，Ｄｏｂａｔｋｉｎａ　Ｔ　Ｖ，Ｂｏｃｈｖａｒ　Ｎ　Ｒ，ｅｔ　ａ１．Ｊ　ＡＩｌｏｙｓ　Ｃｏｍｐ，２００４，３６７：１０　２９　Ｐｒｅｖａｒｓｋｙ　Ａ　Ｐ，Ｚａｒｅｅｈｎｙｕｋ　Ｏ　Ｓ，Ｃｈｅｒｋａｓｈｉｎ　Ｅ　Ｅ，ｅｔ　ａ１．　Ｕｎｉｖ．Ｓｅｒ　Ｋｈｉｍ，１９７６，１８：１４　５　林肇琦，马宏声，赵刚．轻金属，１９９２，２：５３　６　Ｔｏｒｏｐｏｖａ　Ｉ　Ｓ，ｅｔ　ａ１．Ｐｈｙｓ　Ｍｅｔ　Ｍｅｔａｌｌ，１９９０，７０（６）：１０６　７　Ｙｅｌａｇｉｎ　Ｖ　Ｉ，ｅｔ　ａ１．Ｐｈｙｓ　Ｍｅｔ　Ｍｅｔａｌｌ，１９８５，６０（１）：８８　８　Ｅ￣ｒＨＨ　Ｂ　Ｈ，￣ｘａｐｏＢ　Ｂ　Ｂ．　Ｉ锄Ｊ功ｏＢｅ　ｅＨＭｅ　Ｈ　ＴｅＤ】　ｅｃＫａ兄　３０　Ｔｏｒｏｐｏｖａ　Ｉ　Ｓ，Ｋａｍａｒｄｉｎｋｉｎ　Ａ　Ｎ，Ｋｉｎｇｚｈｉｂａｌｏ　Ｖ　Ｖ，ｅｔ　ａ１．　Ｆｉｚ　Ｍｅｔ　Ｍｅｔａｌｌｏｖｅｄ，１９９０，１２：１０８　（责任编辑海鹰）