神经网络模型在SiC涂层制备中的应用

无机材料学报

神经网络模型在SiC涂层制备中的应用

徐志淮; 李贺军; 姜开宇

西北工业大学碳／碳复合材料研究所; 西安 710072

收稿日期:1999-06-22 修回日期:1999-07-20 出版日期:2000-06-20 网络出版日期:2000-06-20

A Neural Network Model for Silicon Carbide Coating Fabrication on Surface of C/C Composites

XU Zhi-Huai; LI He-Jun; JIANG Kai-Yu

College of Material; Northwestern Polytechnical University; Xi an 710072; China

Received:1999-06-22 Revised:1999-07-20 Published:2000-06-20 Online:2000-06-20

摘要/Abstract

摘要： 材料表面抗氧化涂层的质量是限制碳／碳复合材料作为高温结构材料使用的关键．本文运用人工神经网络技术建立了CVD－SiC涂层制备工艺的过程模型，以解决该过程影响因素众多、相互作用关系复杂、难以对制备过程进行有效的预测和控制的问题．研究结果表明：所建立的神经网络模型，可以比较准确和全面地反映各工艺因素对SiC-CVD过程的影响大小及内在规律；模型对工艺参数与沉积速率之间关系的预测与实验结果相吻合；证实了将人工神经网络模型应用于抗氧化涂层的制备过程的控制和工艺优化是有效和可行的．

关键词: C／C复合材料, SiC涂层, 神经网络, 模型

Abstract: The quality of silicon carbide coating is the key factor for the utilization of carbon-carbon
composites as thermal structural materials. In order to optimize and control the deposit process, a neural network(NN) model for SiC-CVD
process was developed. The outputs of NN model were found to be best fit with the sample data’s (<0.35%). With the help of the NN model, a series of predictions about the deposit condition-results were made.
Finally, the predication about the influence of Ar on the deposit rate predicted by ANN model was identical well with the experimental
results, which shows that the model established by ANN can mirror the parameters-results relationships and inner regularity in the
SiC-CVD process.

Key words: carbon-carbon composites, SiC coating, artificial neural network, modeling

中图分类号:

O484

徐志淮,李贺军,姜开宇. 神经网络模型在SiC涂层制备中的应用[J]. 无机材料学报.

XU Zhi-Huai,LI He-Jun,JIANG Kai-Yu. A Neural Network Model for Silicon Carbide Coating Fabrication on Surface of C/C Composites[J]. Journal of Inorganic Materials.

964

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	1	0	0	963

来源	本网站	其他网站

次数	139	825
比例	14%	86%

摘要

1910

最新录用	在线预览	正式出版

0	0	1910

来源	本网站	其他网站

次数	59	1851
比例	3%	97%

[1]	全文心, 余艺平, 方冰, 李伟, 王松. 管状C/SiC复合材料高温空气氧化行为与宏细观建模研究[J]. 无机材料学报, 2024, 39(8): 920-928.
[2]	方光武, 谢浩元, 张华军, 高希光, 宋迎东. CMC-EBC损伤耦合机理及一体化设计研究进展[J]. 无机材料学报, 2024, 39(6): 647-661.
[3]	李宗晓, 胡令祥, 王敬蕊, 诸葛飞. 氧化物神经元器件及其神经网络应用[J]. 无机材料学报, 2024, 39(4): 345-358.
[4]	孟雨婷, 王雪梅, 章淑娴, 陈志炜, 裴艳中. Bi₂Te₃基热电材料的单带和双带传输特性转变[J]. 无机材料学报, 2024, 39(11): 1283-1291.
[5]	郭凌翔, 唐颖, 黄世伟, 肖博澜, 夏东浩, 孙佳. C/C复合材料高熵氧化物涂层抗烧蚀性能[J]. 无机材料学报, 2024, 39(1): 61-70.
[6]	李彦冉, 谢叮咚, 蒋杰. 离子氧化物晶体管阵列多级痛觉敏化仿生研究[J]. 无机材料学报, 2023, 38(4): 429-436.
[7]	陈雷, 胡海龙. 柔性PDMS基介电复合材料的电场及击穿损伤形貌演变规律研究[J]. 无机材料学报, 2023, 38(2): 155-162.
[8]	张爱梅, 朱佳佳, 方天诚, 潘茜茜. Al³⁺掺杂对La_0.8Sr_0.2Mn_1-_xAl_xO₃电输运性能的影响[J]. 无机材料学报, 2023, 38(2): 148-154.
[9]	孙铭, 邵溥真, 孙凯, 黄建华, 张强, 修子扬, 肖海英, 武高辉. RGO/Al复合材料界面性质第一性原理研究[J]. 无机材料学报, 2022, 37(6): 651-659.
[10]	王路平, 卢占会, 魏鑫, 方明, 王祥科. 改进的灰色模型在光催化数据预测中的应用[J]. 无机材料学报, 2021, 36(8): 871-876.
[11]	冯明星, 王斌, 徐鹏宇, 涂兵田, 王皓. 基于键价模型的MgAl₂O₄透明陶瓷热机械性能预测[J]. 无机材料学报, 2021, 36(10): 1067-1073.
[12]	吴小军,杨杰,郑蕊,张兆甫,杨毅. 烧蚀型面结构对CVI+HPIC工艺制备针刺C/C喉衬等离子烧蚀性能的影响[J]. 无机材料学报, 2020, 35(6): 654-660.
[13]	姚西媛, 李克智, 任俊杰, 张守阳. 混合前驱体制备高织构三维C/C复合材料的微观结构及疲劳行为[J]. 无机材料学报, 2020, 35(5): 589-592.
[14]	胡丽芳,刘柳,何杰,孙志鹏,陈小平. Ni-Ti-LDHs纳米片对阿司匹林的负载与缓释[J]. 无机材料学报, 2020, 35(2): 165-172.
[15]	邵笑,刘睿恒,王亮,初靖,白光辉,柏胜强,顾明,张丽娜,马伟,陈立东. 服役条件下方钴矿基热电元件的界面应力分析[J]. 无机材料学报, 2020, 35(2): 224-230.