神经网络在润滑油配方优化设计中的应用
引入非线性敏感因子、动量因子以及学习步长动态修正的思想,对传统BP算法进行了改进,提出了广义误差反向传播神经网络(Generalized Back Propagation NN,简称GBPNN)算法,建立了五种GBP模型.分别对润滑油100℃运动粘度(ν<,100>)和润滑油的配方组成进行了预测.预测结果的误差分别为:润滑油(ν<,100>)的绝对误差(AD)在±0.1mm<”2>/s范围内,相对误差(RD)在±1.5﹪范围内;润滑油调合各组份质量分数的绝对误差在±1.2﹪范围内,相对误差在±2.0﹪范围内.结果表明BP神经网络预测误差能满足试验要求,预测精度优于常规非线性回归方程(分别为:ν<,100>的AD在±0.5mm<”2>/s范围内,RD在±4.0﹪范围内;组份含量AD在±3.0﹪范围内,RD在±4.0﹪范围内).为润滑油调合和相关数据的计算提供了一种新方法.
神经网络 润滑油 粘度 配方设计
张晓彤 蔡杨勇 孙兆林
抚顺石油学院化学系(辽宁抚顺)
国内会议
北京
中文
774-777
2001-10-01（万方平台首次上网日期，不代表论文的发表时间）