私密直播全婐app免费大渔直播,国产av成人无码免费视频,男女同房做爰全过程高潮,国产精品自产拍在线观看

  基于機器學習的人工神經網絡（ANN）適應復雜非線性系統，在智能識別不可見因素方面具有優勢，以此建立了具有實驗范圍外數據預測能力的ANN模型，預測了高速冷卻條件下聚丙烯的比體積，適應實際注射成型過程。

  聚合物的比體積是一個關鍵參數，作為一種基本材料性質，它提供了許多非常有前途的應用。然而，通常作為壓力（p）和溫度（T）的函數的比體積（v）不能滿足關于實驗結果的精度要求。此外，聚合物制品成型過程是一個快速冷卻過程，冷卻速率（dT/dt）對聚合物的pvT行為有顯著影響。然而，現今的商業測試設備無法獲得高冷卻率的pvT數據。因此，預測用于快速冷卻應用的聚合物的比體積仍然是一個挑戰。一些理論模型（如晶胞\晶格\空穴模型）只適用于描述聚合物液態pvT行為，且較復雜，難應用于實際生產。目前用于注射成型的pvT狀態方程都是基于pvT測試實驗數據的經驗模型，如Tait和Schmidt模型。另外，常規pvT模型沒有考慮冷卻速率的顯著影響，對制品收縮和翹曲的預測精度較低。注射成型過程中，模腔內聚合物溫度變化差異很大，靠近模腔壁面的冷卻速率可達3000°C/min，靠近制品中心的冷卻速率也高達60°C/min。商用PVT測試儀僅能達到30°C/min，且高速冷卻下的樣品內部溫度梯度很大，嚴重影響了測試精度。亟待構建考慮冷卻速率影響的高精度pvT模型，預測實驗無法測到的聚合物比體積及其隨壓力和溫度的變化。

  新開發的連續雙域pvT狀態方程（EoS）通過添加冷卻速率因子可以實現高冷卻速率條件的聚合物比體積預測，但是模型的數據擬合和參數回歸存在繁瑣和不確定性，可能由于局部極小現象而無法獲得最佳參數集。機器學習算法促進了通過數據驅動的聚合物科學，并有可能探索尚未發現的序列模式——過程依賴性�；跈C器學習的人工神經網絡（ANN）算法適應對復雜非線性系統建模，在智能識別不可見因素方面具有優勢，但鮮有通過ANN預測聚合物pvT關系的報道。因為ANN可很容易實現數據范圍內插值的良好預測，但對于超出訓練數據極值的外推并不有效。由于商用pvT測試儀在高速冷卻方面的局限性和低精度，通過ANN外推實驗范圍外的聚合物比體積是一個重大挑戰。

相關模型及方法對于降低實驗室和勞動力成本以及實現某些通過實驗可能無法實現的預測非常重要。該方法可以很容易地適用于預測其他聚合物的比體積，并在數值模擬、聚合物加工的智能過程控制和下一代機器的云計算方法方面具有良好的潛力。 

  以上研究成果以《Prediction of Specific Volume of Polypropylene at High Cooling Rates by Artificial Neural Networks》為題在材料領域權威期刊Industrial and Engineering Chemistry Research（Ind. Eng. Chem. Res. 2021, 60, 14434）上發表，且被選為“補充封面論文”。該論文第一作者和通訊作者為北京化工大學王建教授。

  論文鏈接： https://doi.org/10.1021/acs.iecr.1c02622