A.加格。；泰，K。；A.K.古普塔。 一种改进的多基因遗传编程方法，用于模拟304奥氏体不锈钢动态应变时效状态的真实应力。 （英语） Zbl 1293.74145号 麦加尼卡 49，第5期，1193-1209（2014）. 概述：AISI 304钢用于核反应堆燃料棒的包壳。在文献中，各种数学建模方法，如支持向量回归（SVR）、人工神经网络（ANN）和多基因遗传规划（MGGP）已被应用于研究该钢的性能。在这些方法中，MGGP具有演化模型结构及其系数的能力。参与MGGP算法进化阶段的模型是多个基因的加权线性和，其权重通过随机选择基因并使用最小二乘法组合它们来确定，从而形成MGGP模型。因此，性能较低的基因可能会降低模型的性能。针对这一问题，提出了一种改进的MGGP（M-MGGP）方法，该方法引入了一种新的逐步回归技术，用于选择只有更高性能的基因组合。M-MGGP方法适用于奥氏体不锈钢304在不同应变速率和温度下进行的拉伸试验获得的真实应力值数据。结果表明，与标准化MGGP、ANN和SVR模型相比，M-MGGP模型能够更好地外推真应力值。M-MGGP模型的尺寸也小于MGGP的模型。结果表明，M-MGGP方法提供了紧凑而准确的模型，专家可以部署这些模型来有效地研究钢在高温下的性能。 MSC公司： 74H15型 固体力学动力学问题解的数值逼近 74K10型 杆（梁、柱、轴、拱、环等） 74号05 固体中的晶体 92D99型 遗传学和种群动力学 关键词：多基因遗传程序设计；真实应力；动态时效制度；人工神经网络；支持向量回归 软件：LS-SVMlab公司；GPS提示 PDF格式BibTeX公司 XML格式引用 \textit{A.Garg}等人，《麦加尼卡》49，第5期，1193-1209（2014；Zbl 1293.74145） 全文： 内政部 参考文献： [1] Armas A、Bettin O、Alvarez-Armas I、Rubiolo G（1988）《奥氏体不锈钢循环行为的应变时效效应》。《材料学杂志》155:644-649·doi:10.1016/0022-3115（88）90388-1 [2] Armas A、Hereñun S、Alvarez-Armas I、Degallaix S、CondóA、Lovey F（2008）温度对时效和未时效超双相不锈钢循环行为的影响。材料科学与工程A 491:434-439·doi:10.1016/j.msea.2008.02.028 [3] Gupta AK，Singh SK，Reddy S，Hariharan G（2012）使用人工神经网络预测奥氏体不锈钢316动态应变时效状态下的流动应力。Mater Des 35:589-595·doi:10.1016/j.matdes.2011.09.060 [4] Hong X，Mitchell R，Chen S，Harris CJ，Li K，Irwin G（2008）非线性系统辨识的模型选择方法：综述。国际系统科学杂志39:925-946·Zbl 1233.93097号 ·doi:10.1080/00207720802083018 [5] Llanes L，Mateo A，Iturgoyen L，Anglada M（1996）双相不锈钢循环变形机制的时效效应。材料学报44:3967-3978·doi:10.1016/S1359-6454（96）00045-6 [6] Peng K，Qian K，Chen W（2004）动态应变时效对奥氏体不锈钢高温性能的影响。材料科学与工程A 379:372-377·doi:10.1016/j.msea.2004.03.004 [7] Wang X，Li D（2003）304不锈钢纳米晶表面的机械、电化学和摩擦学性能。穿戴255:836-845·doi:10.1016/S0043-1648（03）00055-3 [8] Lin Y，Chen X-M（2011）《金属和合金热加工实验结果和本构描述的评论》。材料设计32:1733-1759·doi:10.1016/j.matdes.2010.11.048 [9] Johnson GR，Cook WH（1983）金属在大应变、高应变率和高温下的本构模型和数据。收录于：1983年第七届弹道国际研讨会论文集。海牙国际弹道委员会，第541-547页 [10] Samantaray D、Mandal S、Bhaduri A（2009年）对Johnson Cook、改良Zerilli-Armstrong和Arrhenius型本构模型的比较研究，以预测改良9Cr-1Mo钢的高温流动行为。计算机材料科学47:568-576·doi:10.1016/j.commatsci.2009.09.025 [11] Samantaray D，Mandal S，Bhaduri A（2011）简单单轴压缩试验中各种数据处理方法的关键比较。马特·德斯32:2797-2802·doi:10.1016/j.matdes.2011.01.007 [12] Samantaray D、Mandal S、Borah U、Bhaduri A、Sivaprasad P（2009）预测钛改性奥氏体不锈钢中高温流动行为的热-粘塑性本构模型。材料科学与工程A 526:1-6·doi:10.1016/j.msea.2009.08.009 [13] Zener C，Hollomon J（1944）应变速率对钢塑性流动的影响。应用物理学杂志15:22-32·doi:10.1063/1.1707363 [14] Zerilli FJ，Armstrong RW（1987），材料动力学计算中基于位错力学的本构关系。应用物理学杂志61:1816-1825·doi:10.1063/1.338024 [15] 肖Y-H，郭C（2011）1Cr12Ni3Mo2VNbN马氏体钢高温行为的本构模型。材料科学与工程A 528:5081-5087·Zbl 1221.28016号 ·doi:10.1016/j.msea.2011.03.050 [16] Chiou S-T，Cheng W-C，Lee W-S（2005）动态冲击变形下应变速率对Fe-Mn-Al合金力学性能的影响。材料科学与工程A 392:156-162·doi:10.1016/j.msea.2004.09.055 [17] He X，Yu Z，Lai X（2008）热变形期间考虑动态再结晶的流动应力预测方法。计算机材料科学44:760-764·doi:10.1016/j.com.matsci.2008.05.021 [18] 乔达什U，Ekici S（2012）AISI 304奥氏体不锈钢数控车削表面粗糙度预测的支持向量机模型。《智能制造杂志》23:639-650·doi:10.1007/s10845-010-0415-2 [19] Gupta AK（2010）使用响应面方法、人工神经网络和支持向量回归对车削操作进行预测建模。国际生产研究杂志48:763-778·网址：10.1080/00207540802452132 [20] Xu J，Zhang M，Wang Y（2010）自主水下机器人的神经网络建模和广义预测控制。国际J型号标识控制11:79-86·doi:10.1504/IJMIC.2010.035282 [21] Yildiz AR（2013）使用人工蜂群方法优化多道次车削中的切削参数。《信息科学国际杂志》220:399-407 [22] Yildiz AR（2013）用于优化多通道车削操作的混合田口微分进化算法。应用软计算13（3）：1433-1439·doi:10.1016/j.asoc.2012.01.012 [23] Garg A、Vijayaraghavan V、Mahapatra SS、Tai K、Wong CH（2014）《人工智能方法对微生物燃料电池的性能评估》。专家系统应用41（4）：1389-1399·doi:10.1016/j.eswa.2013.08.038 [24] Mohammed AA等人（2013年）使用人工神经网络和PSD特征检测转轴中的裂纹。麦加尼卡1-12。数字对象标识代码：10.1007/s11012-013-9790-z·兹比尔1293.74192 [25] Zapico-Valle JL等人（2013）基于神经网络和模态数据的转子裂纹识别。麦加尼卡1-20。doi:10.1007/s11012-013-9795-7·Zbl 1293.74350号 [26] Raeisi E，Ziaei-Rad S（2013）使用神经网络和遗传算法的失谐叶盘系统的最差响应。麦加尼卡48（2）：367-379·Zbl 1293.74350号 ·doi:10.1007/s11012-012-9607-5 [27] Fernandez A等人（2012年）通过结合遗传算法和手指步态，在操作任务中重新整理对象。麦加尼卡47（4）：939-950·Zbl 1284.70014号 ·doi:10.1007/s11012-011-9486-1 [28] Litak G，Rusinek R（2012）《不锈钢车削过程的统计和回归分析动力学》。麦加尼卡47（6）：1517-1526·数字对象标识代码：10.1007/s11012-011-9534-x [29] Kovacic M，Brezocnik M（2003）《表面质量预测的遗传编程方法》。星期五10:19-24 [30] Zhang Y，Bhattacharyya S（2004）《大规模数据分类中的遗传编程：集成方法》。信息科学163:85-101·doi:10.1016/j.ins.2003.03.028 [31] Hiden HG（1998）使用遗传编程的基于数据的建模。纽卡斯尔大学化学与工艺工程系博士论文 [32] Hinchliffe M，Hiden H，Mckay B，Willis M，Tham M，Barton G（1996）使用多基因遗传编程算法对化学过程系统进行建模。1996年7月28日至31日斯坦福大学遗传编程会议上的最新论文，第56-65页 [33] Garg A，Tai K（2012）回归分析、人工神经网络和遗传编程在处理多重共线性问题中的比较。摘自：2012年建模、识别和控制国际会议（ICMIC2012）会议记录，中国武汉，2012年6月24日至26日。IEEE，新泽西州皮斯卡塔韦，第353-358页 [34] Garg A，Tai K（2013）多重共线性数据建模中统计和机器学习方法的比较。国际J车型识别控制18（4）：295-312 [35] Garg A，Tai K（2011）用于振动光整加工建模的混合遗传编程-人工神经网络方法。In：计算机科学和信息技术国际会议录，ICIIC 2011：信息和智能计算国际会议，香港，2011年11月25日至26日，第18卷，第14-19页 [36] Garg A，Tai K，Lee CH，Savalani MM（2013）一种混合m5′-遗传编程方法，用于确保FDM过程建模中预测能力的可信度更高。J Intell Manuf.doi:10.1007/s10845-013-0734-1·doi:10.1007/s10845-013-0734-1 [37] Garg A，Sriram S，Tai K（2013）时间序列系统建模中遗传规划模型选择标准的实证分析。摘自：2013年IEEE金融工程与经济计算智能会议（CIFEr）会议记录，新加坡，2013年4月16日至19日，第84-88页 [38] Garg A，Tai K（2013）使用遗传编程对非线性系统进行有效建模的稳健实验设计选择。在：2013年IEEE计算智能和数据挖掘系列研讨会论文集，新加坡，2013年4月16日至19日，第293-298页 [39] Garg A、Rachmawati L、Tai K（2013）《转向过程建模中遗传编程的分类驱动模型选择方法》。国际先进制造技术杂志69（5-8）：1137-1151·doi:10.1007/s00170-013-5103-x [40] Garg A、Bhalerao Y、Tai K（2013）《车削过程建模的经验建模技术综述》。国际J型号标识控制20（2）：121-129·doi:10.1504/IJMIC.2013.056184 [41] Garg A、Savalani MM、Tai K（2014），快速成型过程经验建模的最新技术。快速原型J（印刷中） [42] Gupta AK、Krishnamurthy HN、Singh Y、Prasad KM、Singh SK（2012）奥氏体不锈钢304动态应变时效状态本构模型的开发。马特·德斯45:616-627·doi:10.1016/j.matdes.2012.09.041 [43] Koza JR（1994）《遗传编程II：可重用程序的自动发现》。麻省理工学院，剑桥·Zbl 0850.68160号 [44] Garg A，Tai K（2012）《加工过程建模中的遗传编程综述》。摘自：2012年建模、识别和控制国际会议（ICMIC2012）会议记录，中国武汉，2012年6月24日至26日。IEEE，第653-658页 [45] Searson DP、Leahy DE、Willis MJ（2010）GPTIPS：用于多基因符号回归的开源遗传编程工具箱。摘自：2010年国际工程师和计算机科学家多方会议，第1卷，第77-80页·Zbl 1233.93097号 [46] Hearst MA、Dumais S、Osman E、Platt J、Scholkopf B（1998）支持向量机。Intell系统应用IEEE 13:18-28·doi:10.1109/5254.708428 [47] Hua S，Sun Z（2001）蛋白质亚细胞定位预测的支持向量机方法。生物信息学17:721-728·doi:10.1093/bioinformatics/17.8.721 [48] Kecman V（2001）学习和软计算：支持向量机、神经网络和模糊逻辑模型。麻省理工学院出版社，剑桥·Zbl 0994.68109号 [49] Byvatov E，Schneider G（2003）支持向量机在生物信息学中的应用。应用生物信息2:67 [50] Pelckmans K、Suykens JAK、Vangestel T、De Brabanter J、Lukas L、Hamers B等人（2002）LS-SVMlab:最小二乘支持向量机的MATLAB/C工具箱。辅导的。KULeuven-ESA，鲁汶 [51] Salgado DR，Alonso FJ（2007）基于电流和声音信号的过程中刀具磨损监测方法。国际机床制造杂志47:2140-2152·doi:10.1016/j.ijmachtools.2007.04.013 [52] Salgado DR、Alonso FJ、Cambero I、Marcelo A（2009）《使用车削振动的过程中表面粗糙度预测系统》。国际先进制造技术杂志43:40-51·doi:10.1007/s00170-008-1698-8 [53] Gou Z，Fyfe C（2004）多重共线性和函数数据的典型相关神经网络。神经网络17:285-293·Zbl 1076.68550号 ·doi:10.1016/j.neunet.2003.07.002 [54] Lucignano C、Montanari R、Tagliaferri V、Ucciardello N（2010）优化铝合金挤压的人工神经网络。J智能制造21:569-574·doi:10.1007/s10845-009-0239-0 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。