Page 141 - 机械工程材料2024年第十一期

汲高飞，等：基于响应面法和BP神经网络的7050铝合金腐蚀疲劳寿命预测及对比

LUO L Z，ZHOU K，ZHOU J，et al. Effect of different herbal tea［J］. Processes，2022，10（1）：125.

loading conditions on corrosion damage behavior of ［12］ 王小川. MATLAB神经网络43个案例分析 ［M］. 北京：
7050 aluminum alloy under synergistic effect of marine 北京航空航天大学出版社，2013.
atmospheric environment and tensile fatigue load［J］. WANG X C. Analysis of 43 cases of MATLAB neural
Surface Technology，2023，52（11）：291-299. network［M］. Beijing：Beihang University Press，2013.
［6］ 吴护林，罗来正，刘春苗，等. 高强铝合金在海洋大气 ［13］ MISRA K C，PAUL M，BHATTACHARJYA S.

环境与拉伸疲劳载荷协同作用下的腐蚀损伤行为对比 Probabilistic fatigue life assessment of steel rail-bridge in
研究［J］. 表面技术，2023，52（10）：220-228. dual response surface framework［J］. Structures，2023，
WU H L，LUO L Z，LIU C M，et al. Comparative study 53：677-692.
on corrosion damage behavior of high strength aluminum ［14］ 刘娜，刘鹏，高媛媛，等. 基于响应曲面优化的铝合金

alloys under synergistic effect of marine atmospheric 轮毂径向疲劳寿命预测［J］. 特种铸造及有色合金，
environment and tensile fatigue load［J］. Surface 2022，42（11）：1345-1350.
Technology，2023，52（10）：220-228. LIU N，LIU P，GAO Y Y，et al. Radial fatigue life
［7］ 魏雨晨，李旭东，刘治国，等. 6A02铝合金预腐蚀疲劳 prediction of aluminum alloy wheels based on response

寿命预测的损伤模型研究［J］. 环境技术，2022，40（2）： surface optimization［J］. Special Casting & Nonferrous
98-102. Alloys，2022，42（11）：1345-1350.
WEI Y C，LI X D，LIU Z G，et al. Research on damage ［15］ 刘治国，穆志韬，金平. LY12CZ腐蚀疲劳寿命的神经

model of pre-corrosion fatigue life prediction of 6A02 网络研究［J］. 装备环境工程，2008，5（3）：24-27.
aluminum alloy［J］. Environmental Technology，2022， LIU Z G，MU Z T，JIN P. Study of corrosion
40（2）：98-102. fatigue life of LY12CZ based on artificial neural
［8］ 王付胜，孔繁淇，王文平，等. 航空铝合金原位腐蚀疲 network［J］. Equipment Environmental Engineering，

劳性能及断裂机理［J］. 材料工程，2022，50（6）：149- 2008，5（3）：24-27.

156. ［16］ ZHONG X C，XIE R K，QIN S H，et al. A process-
WANG F S，KONG F Q，WANG W P，et al. In-situ data-driven BP neural network model for predicting
corrosion fatigue performance and fracture mechanism interval-valued fatigue life of metals［J］. Engineering
of aviation aluminum alloy［J］. Journal of Materials Fracture Mechanics，2022，276：108918.

Engineering，2022，50（6）：149-156. ［17］ WANG Y J，ZHU Z Y，SHA A X，et al. Low cycle
［9］ YUSUF M，FAROOQI A S，ALAM M A，et al. fatigue life prediction of titanium alloy using genetic

Response surface optimization of syngas production from algorithm-optimized BP artificial neural network［J］.
greenhouse gases via DRM over high performance Ni‒W International Journal of Fatigue，2023，172：107609.
catalyst［J］. International Journal of Hydrogen Energy， ［18］ ALAM M A，YA H，AZEEM M，et al. Modelling

2022，47（72）：31058-31071. and optimisation of hardness behaviour of sintered Al/
［10］ WITEK-KROWIAK A，CHOJNACKA K， SiC composites using RSM and ANN：A comparative

PODSTAWCZYK D，et al. Application of response study［J］. Journal of Materials Research and
surface methodology and artificial neural network Technology，2020，9：14036-14050.
methods in modelling and optimization of biosorption ［19］ 沈花玉，王兆霞，高成耀，等. BP神经网络隐含层单元

process［J］. Bioresource Technology，2014，160：150- 数的确定［J］. 天津理工大学学报，2008，24（5）：13-15.
160. SHEN H Y，WANG Z X，GAO C Y，et al. Determining
［11］ RITTISAK S，CHAROEN R，CHOOSUK N，et al. the number of BP neural network hidden layer

Response surface optimization for antioxidant extraction units［J］. Journal of Tianjin University of Technology，
and attributes liking from roasted rice germ flavored 2008，24（5）：13-15.

133