公开(公告)号：CN109877168B

公开(公告)日：2020-12-11

申请号：CN201910288914.5

申请日：2019-04-15

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  陈栋 ,  侯纪新

IPC分类号： B21B37/58

摘要： 本发明实施例公开了一种建立特厚板轧制力模型的方法。该建立特厚板轧制力模型的方法包括步骤构造速度场，计算轧制功率并且将其最小化，计算温升，在变形抗力模型中引入温升，在轧制力模型中嵌入温升进而获得轧制力相关参数。本发明实施例在计算过程中引入温升的变形抗力模型，有效地提高轧制力的预测精度，从而能够有效地对轧制生产进行指导。

公开(公告)号：CN113569343A

公开(公告)日：2021-10-29

申请号：CN202110544669.7

申请日：2021-05-19

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  车立志 ,  田文皓

IPC分类号： G06F30/17 ,  G06F30/27 ,  G06N3/08 ,  G06N3/12 ,  G06F119/14

摘要： 本申请涉及一种板材轧制厚度的控制方法、装置、系统及存储介质，其中方法包括：基于预先建立的目标轧制力预测模型，预测得到目标轧制力；所述目标轧制力预测模型为根据预先建立的轧制力理论模型与基于实际轧制参数预先训练得到的神经网络模型分别进行轧制力预测，并基于乘法补偿原则，根据轧制力理论模型和神经网络模型的预测误差得到的误差修正系数对所述轧制力理论模型进行修正后得到的；将所述目标轧制力输入预先建立的厚度预测模型，得到目标板材的预测厚度；基于所述目标板材的预测厚度与目标厚度的偏差，调整轧制参数，直至所述偏差达到预设范围，得到最终用于目标板材轧制过程的轧制参数。本申请可以解决板材厚度控制精度低的问题。

公开(公告)号：CN109933955A

公开(公告)日：2019-06-25

申请号：CN201910307993.X

申请日：2019-04-18

申请人： 苏州大学

发明人： 章顺虎 ,  刘刚 ,  尤凤翔 ,  姜兴睿 ,  邓磊

IPC分类号： G06F17/50

摘要： 本发明公开了一种拉拔模具的工艺优化方法。本发明实施例所提供的一种拉拔模具的工艺优化方法构建了一种有利于金属流动的曲面拉拔模的模面函数并且基于该曲面拉拔的模面函数获得拉拔力的计算表达式，拉拔模具在应用本发明提供的这种曲面拉拔模时，有效地降低了最大应力及外加拉拔力，从而有利于提升拉拔制品的质量、成材率以及减少了能量消耗。

公开(公告)号：CN116230073B

公开(公告)日：2024-09-20

申请号：CN202211596492.6

申请日：2022-12-12

申请人： 苏州大学

发明人： 梁中洁 ,  朱斐 ,  邓磊 ,  戴雨豪

IPC分类号： G16B15/20 ,  G16B40/00 ,  G16B45/00 ,  G06F18/213 ,  G06F18/25

摘要： 本发明公开了一种融合生物物理特征的蛋白质翻译后修饰位点功能串扰的预测方法，从PhosphoSitePlus、iPTMnet、EPSD及CPLM数据库获取蛋白质序列及翻译后修饰位点信息；从Uniprot、AphaFold数据库获取蛋白质序列和结构数据信息；构建蛋白质翻译后修饰功能串扰预测模型，利用该预测模型对蛋白质翻译后修饰位点功能串扰信息进行预测。本发明在引入动力学特征及蛋白质‑蛋白质互作图特征等基于生物物理特征的基础上，整合全连接网络模型、图嵌入模型及随机森林模型，构建一个主动学习的翻译后修饰功能串扰的预测模型；相比于其它翻译后修饰功能串扰模型具有较高的预测准确性。

公开(公告)号：CN111291513B

公开(公告)日：2024-01-05

申请号：CN202010073923.5

申请日：2020-01-22

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  姜兴睿

IPC分类号： G06F30/23 ,  G06F30/27 ,  G06F30/17 ,  G06N3/0499 ,  G06N3/084 ,  G06F111/10 ,  G06F119/14

摘要： 本发明实施例公开了一种基于BP神经网络的差厚板轧制力的预测方法。该预测方法包括采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；将上述所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；根据上述的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。

公开(公告)号：CN116230073A

公开(公告)日：2023-06-06

申请号：CN202211596492.6

申请日：2022-12-12

申请人： 苏州大学

发明人： 梁中洁 ,  朱斐 ,  邓磊 ,  戴雨豪

IPC分类号： G16B15/20 ,  G16B40/00 ,  G16B45/00 ,  G06F18/213 ,  G06F18/25

摘要： 本发明公开了一种融合生物物理特征的蛋白质翻译后修饰位点功能串扰的预测方法，从PhosphoSitePlus、iPTMnet、EPSD及CPLM数据库获取蛋白质序列及翻译后修饰位点信息；从Uniprot、AphaFold数据库获取蛋白质序列和结构数据信息；构建蛋白质翻译后修饰功能串扰预测模型，利用该预测模型对蛋白质翻译后修饰位点功能串扰信息进行预测。本发明在引入动力学特征及蛋白质‑蛋白质互作图特征等基于生物物理特征的基础上，整合全连接网络模型、图嵌入模型及随机森林模型，构建一个主动学习的翻译后修饰功能串扰的预测模型；相比于其它翻译后修饰功能串扰模型具有较高的预测准确性。

公开(公告)号：CN112711867B

公开(公告)日：2023-04-18

申请号：CN202110070446.1

申请日：2021-01-19

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  车立志

IPC分类号： G06F30/20 ,  G06N3/084 ,  G06N3/0499 ,  G06F119/14

摘要： 本发明实施例公开了一种融合理论模型和大数据模型的轧制力预测方法。该轧制力预测方法包括根据平辊轧制过程的特征，确定轧制力的理论模型；以实际生产数据作为研究对象，建立BP神经网络模型；以所述理论模型计算获得的轧制力预测值作为主值，基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数，基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型，基于所述整合模型计算最终的轧制力预测值。本发明提供的轧制力预测方法能够实现既继承理论模型的结构形式，又继承了大数据模型的精度，且便于实际应用。

公开(公告)号：CN112711867A

公开(公告)日：2021-04-27

申请号：CN202110070446.1

申请日：2021-01-19

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  车立志

IPC分类号： G06F30/20 ,  G06N3/08 ,  G06N3/04 ,  G06F119/14

摘要： 本发明实施例公开了一种融合理论模型和大数据模型的轧制力预测方法。该轧制力预测方法包括根据平辊轧制过程的特征，确定轧制力的理论模型；以实际生产数据作为研究对象，建立BP神经网络模型；以所述理论模型计算获得的轧制力预测值作为主值，基于平均误差乘法补偿原则将所述理论模型的轧制力预测误差与所述BP神经网络模型的轧制力预测误差进行比较并形成修正系数，基于所述修正系数融合所述理论模型和所述BP神经网络模型而获得整合模型，基于所述整合模型计算最终的轧制力预测值。本发明提供的轧制力预测方法能够实现既继承理论模型的结构形式，又继承了大数据模型的精度，且便于实际应用。

公开(公告)号：CN111291513A

公开(公告)日：2020-06-16

申请号：CN202010073923.5

申请日：2020-01-22

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  姜兴睿

IPC分类号： G06F30/23 ,  G06F30/27 ,  G06F30/17 ,  G06N3/08 ,  G06F119/14

摘要： 本发明实施例公开了一种基于BP神经网络的差厚板轧制力的预测方法。该预测方法包括采用有限元软件进行模拟，获得不同工艺参数条件下的轧制力数据；将上述所获得的轧制力数据分成两组，分别作为BP神经网络的训练集和测试集，并以逐步增长法确定出最佳的BP神经网络模型；根据上述的BP神经网络模型，预测差厚板的轧制力，并使其预报误差在10％以内。

公开(公告)号：CN109877168A

公开(公告)日：2019-06-14

申请号：CN201910288914.5

申请日：2019-04-15

申请人： 苏州大学

发明人： 章顺虎 ,  邓磊 ,  陈栋 ,  侯纪新

IPC分类号： B21B37/58

摘要： 本发明实施例公开了一种建立特厚板轧制力模型的方法。该建立特厚板轧制力模型的方法包括步骤构造速度场，计算轧制功率并且将其最小化，计算温升，在变形抗力模型中引入温升，在轧制力模型中嵌入温升进而获得轧制力相关参数。本发明实施例在计算过程中引入温升的变形抗力模型，有效地提高轧制力的预测精度，从而能够有效地对轧制生产进行指导。