期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
计算机应用基于机器学习模型的中锰钢临界温度A1和A3的预测
1
作者 张志业 王焱 +4 位作者 张彪 季泽 刘亚良 张明赫 冯运莉 《金属热处理》 北大核心 2025年第2期268-277,共10页
为便于中锰钢热处理工艺的设计,开发了用于中锰钢临界温度A_(1)、A_(3)预测的机器学习模型。通过Thermal-Calc模拟软件获取496组不同成分中锰钢临界温度数据,以Mn、Al、C成分作为输入特征,以相变温度A_(1)和A_(3)作为输出目标。采用均... 为便于中锰钢热处理工艺的设计,开发了用于中锰钢临界温度A_(1)、A_(3)预测的机器学习模型。通过Thermal-Calc模拟软件获取496组不同成分中锰钢临界温度数据,以Mn、Al、C成分作为输入特征,以相变温度A_(1)和A_(3)作为输出目标。采用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R^(2))3种指标对模型预测效果进行评价。从7种机器学习模型(LR、DT、SVM、GPR、Boosting、Bagging以及ANN)中筛选出了预测A_(1)的GPR模型和A_(3)的GPR、ANN模型。结果表明,预测A_(1)的GPR模型具有足够精度,为预测A_(1)的最优模型。采用网格搜索法对预测A_(3)的初步模型进行超参数调节,从而获得A_(3)的最优模型(单层ANN模型)。针对所应用文献中中锰钢的化学成分,利用最优模型对A_(1)、A_(3)进行预测,得到A_(1)、A_(3)预测值与实测值的总体MAE分别为9.95℃和13.57℃,最低差距分别为0.30℃和6.20℃,表明模型精准度高,可用于中锰钢临界温度的预测。 展开更多
关键词 机器学习 中锰钢 临界温度 参数调节
原文传递
X射线荧光光谱法测定铁矿石中SiO_(2)含量的校准曲线的评估 被引量：1
2
作者 赵超 王钊 +2 位作者 刘双龙 王玉娟 付亚凤 《理化检验（化学分册）》 CAS CSCD 北大核心 2023年第4期467-470,共4页
SiO_(2)是铁矿石主要杂质成分之一,是评价铁矿石品质的重要指标,常采用X射线荧光光谱法[1]测定其含量。测定前,需要先用具有一定浓度水平范围的标准样品系列建立校准曲线,校准曲线性能检验不仅是方法确认和验证的重要内容,还是测量溯源... SiO_(2)是铁矿石主要杂质成分之一,是评价铁矿石品质的重要指标,常采用X射线荧光光谱法[1]测定其含量。测定前,需要先用具有一定浓度水平范围的标准样品系列建立校准曲线,校准曲线性能检验不仅是方法确认和验证的重要内容,还是测量溯源的有效途径,获得满意测量结果的基础。大多数日常检测中,仅用校准曲线的相关系数作为曲线质量的评判准则是不够的,这是因为相关系数只能说明数据点是否近似在一条直线上,而不能评估校准曲线的精密度和准确度。 展开更多
关键词 X射线荧光光谱法 校准曲线 杂质成分 日常检测 评判准则 标准样品 浓度水平 铁矿石
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部