喜歡就充值下載吧。。。資源目錄里展示的全都有，，下載后全都有,,請放心下載，原稿可自行編輯修改 【QQ：414951605 可咨詢交流】=====================
喜歡就充值下載吧。。。資源目錄里展示的全都有，，下載后全都有,,請放心下載，原稿可自行編輯修改 【QQ：1304139763 可咨詢交流】=====================
喜歡就充值下載吧。。。資源目錄里展示的全都有，，下載后全都有,,請放心下載，原稿可自行編輯修改 【QQ：1304139763 可咨詢交流】=====================
大連交通大學(xué)2017屆本科生畢業(yè)設(shè)計(jì)外文翻譯
基于人工神經(jīng)網(wǎng)絡(luò)模型和期望改進(jìn)函數(shù)法的注塑成型工藝參數(shù)優(yōu)化
收到：2008年10月16日/接受日期：2009年9月24日/在線發(fā)布：2009年11月20日＃施普林格出版社倫敦有限公司2009。
摘要：在本研究中，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化方法，以優(yōu)化注塑過程。優(yōu)化過程旨在最小化注塑部件的翹曲，其中工藝參數(shù)是設(shè)計(jì)變量。 Moldflow Plastic Insight軟件用于分析注塑件的翹曲。模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間均被視為工藝參數(shù)。人工神經(jīng)網(wǎng)絡(luò)和實(shí)驗(yàn)設(shè)計(jì)（DOE）方法的組合用于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應(yīng)過程是通過預(yù)期的改進(jìn)來實(shí)現(xiàn)的，這是一個(gè)填充的抽樣標(biāo)準(zhǔn)。雖然美國能源部規(guī)模小，但是這個(gè)標(biāo)準(zhǔn)可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機(jī)蓋和掃描儀的調(diào)查。結(jié)果表明，提出的自適應(yīng)優(yōu)化方法可以有效降低注射成型件的翹曲。
關(guān)鍵詞：注塑成型；優(yōu)化；實(shí)驗(yàn)設(shè)計(jì)；人工神經(jīng)網(wǎng)絡(luò)；預(yù)期改進(jìn)功能。
1介紹
注塑成型是生產(chǎn)塑料制品中最廣泛使用的工藝。注塑模具可分為填充，填充后和開模三個(gè)階段[1]。在生產(chǎn)過程中，翹曲是最重要的質(zhì)量問題之一，特別是塑殼制品。其中一些研究成果已經(jīng)證明了薄殼塑料件的優(yōu)化[2-9]，可以通過修改零件的幾何形狀或改變模具的結(jié)構(gòu)或調(diào)整工藝參數(shù)來減小翹曲。零件設(shè)計(jì)和模具設(shè)計(jì)通常在產(chǎn)品開發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數(shù)是最可行和最合理的方法。塑料注射成型中的一個(gè)重要問題是在制造前預(yù)測和優(yōu)化翹曲。許多文獻(xiàn)一直用于翹曲優(yōu)化。 Lee和Kim [10]利用改進(jìn)的復(fù)合法優(yōu)化了壁厚和工藝條件，以減少翹曲程度并減少翹曲的70％以上。 Sahu等人[11]優(yōu)化工藝條件，通過組合實(shí)施改進(jìn)復(fù)合法和實(shí)驗(yàn)設(shè)計(jì)來減少翹曲。他們的研究結(jié)果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴且費(fèi)時(shí)的，因?yàn)樗麄儓?zhí)行許多昂貴的功能評估。與這些方法相比，Taguchi方法[12-14]更容易執(zhí)行和可以分析有效因素，但只能得到工藝參數(shù)更好的組合，而不是設(shè)計(jì)空間中的最優(yōu)解。翹曲是過程參數(shù)的非線性隱性函數(shù)，通常由解決方案用無限元方程估計(jì)。一般來說，復(fù)雜的任務(wù)通常需要巨大的計(jì)算成本。因此，為了降低翹曲優(yōu)化中的計(jì)算成本，許多研究人員引入了Kriging替代模型，人工中性網(wǎng)絡(luò)（ANN），響應(yīng)面法和支持向量回歸等代替模型。高等[15-17]通過將克里金替代模型與改進(jìn)的矩形網(wǎng)格法和預(yù)期改進(jìn)（EI）函數(shù)方法相結(jié)合，優(yōu)化了工藝條件以減少翹曲。 Kurtaran等人將遺傳算法與神經(jīng)網(wǎng)絡(luò)和響應(yīng)面法結(jié)合起來，以優(yōu)化過程參數(shù)來減少塑料部件的翹曲[18,19]。 Zhou等[20]使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結(jié)果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計(jì)算成本，遺傳算法可以有效地接近全局最優(yōu)設(shè)計(jì)。
在這項(xiàng)研究中，模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間被認(rèn)為是工藝參數(shù)。 拉丁超立方體設(shè)計(jì)（LHD）獲得小尺寸實(shí)驗(yàn)設(shè)計(jì)，并通過MoldFlow Plastic Insight軟件評估翹曲值。 提出了基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化。 自適應(yīng)過程由EI函數(shù)執(zhí)行，其可以自適應(yīng)地選擇附加采樣點(diǎn)以改善代理模型并找到最佳值[17]。 這種方法被視為有效的全局優(yōu)化[21]。 數(shù)值計(jì)算結(jié)果表明，該方法可有效降低翹曲。
圖1：ANN模型的配置
圖2：結(jié)合ANN / EI優(yōu)化的流程圖
圖3：蜂窩電話蓋板的中平面模型
2人工神經(jīng)網(wǎng)絡(luò)
ANN是非線性問題的模擬和預(yù)測的強(qiáng)大工具。 神經(jīng)網(wǎng)絡(luò)包括許多高度互聯(lián)稱為神經(jīng)元的處理單元。每個(gè)神經(jīng)元對加權(quán)輸入求和，然后對所得到的和應(yīng)用線性或非線性函數(shù)以確定輸出，并且它們都被分層排列并通過過度連接組合。 典型的ANN是反向傳播網(wǎng)絡(luò)（BPN）[22-26]，已被廣泛應(yīng)用于許多研究領(lǐng)域。 BPN具有分層的前饋網(wǎng)絡(luò)架構(gòu)，每層的輸出直接發(fā)送到上層的每個(gè)神經(jīng)元。 雖然BPN可以有多層次，但所有的模式識別和分類任務(wù)都可以用三層BPN來實(shí)現(xiàn)[27]。
表1：工藝參數(shù)范圍
圖4：優(yōu)化前蓋的翹曲
通過向網(wǎng)絡(luò)反復(fù)呈現(xiàn)一系列輸入/輸出模式集來訓(xùn)練BPN。神經(jīng)網(wǎng)絡(luò)通過調(diào)整其神經(jīng)元之間的權(quán)重來逐漸“學(xué)習(xí)”輸入/輸出關(guān)系的興趣，以最小化實(shí)際和預(yù)測輸出模式之間訓(xùn)練集的誤差。培訓(xùn)后，使用不在訓(xùn)練集中的一組單獨(dú)的數(shù)據(jù)來監(jiān)控網(wǎng)絡(luò)的性能。當(dāng)均方誤差（MSE）達(dá)到最小值時(shí)，網(wǎng)絡(luò)訓(xùn)練被認(rèn)為是完整的，權(quán)重是固定的。本文采用一層隱藏三層ANN模型，模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（tin），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）都被視為輸入變量，翹曲被認(rèn)為是輸出變量。因此確定ANN的輸入層和輸出層的神經(jīng)元數(shù)。通過試驗(yàn)確定中間層的神經(jīng)元數(shù)。輸入層和隱層之間的傳遞函數(shù)為“Logsig”，隱層和輸出層之間的傳遞函數(shù)為“Purelin”，列車功能函數(shù)為trainlm，性能函數(shù)為MSE，學(xué)習(xí)周期為50,000，學(xué)習(xí)速率為0.05，動(dòng)量因子為0.9。本文使用的ANN的配置如圖1所示1。
圖5：優(yōu)化后蓋的翹曲
表2：優(yōu)化結(jié)果
3 EI方法
ANN可以被用作從觀察數(shù)據(jù)“學(xué)習(xí)”的任意函數(shù)近似機(jī)制。 ANN用于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替了優(yōu)化過程中仿真程序的昂貴分析和重新分析。一般來說，近似函數(shù)可能具有許多極值點(diǎn)，使得采用此類函數(shù)的優(yōu)化算法收斂于局部最低。這里介紹了EI算法，以接近全局優(yōu)化解決方案。EI涉及計(jì)算改進(jìn)給定的點(diǎn)。它是用于檢測確定性函數(shù)的全局最小值的順序設(shè)計(jì)策略的啟發(fā)式算法[17,21]。 它可以平衡本地和全球搜索。 在某些點(diǎn)x進(jìn)行采樣之前，Y（x）的值是不確定的。 候選點(diǎn)x處的Y（x）通常用分布，并且使用ANN預(yù)測器給出方差。如果當(dāng)前的最佳函數(shù)值為Ymin，則可以實(shí)現(xiàn)ANN預(yù)測器的改善。
這種改善的可能性由正常密度給出：
(1)
然后，通過整合密度來發(fā)現(xiàn)改進(jìn)的預(yù)期值：
(2)
圖6：掃描儀型號
表3工藝參數(shù)范圍
使用積分方程 2可以寫成：
(3)
其中Φ和f是正態(tài)累積分布功能和密度函數(shù)分別和
(4)
方程式的第一個(gè)術(shù)語3是區(qū)別當(dāng)前最小響應(yīng)值Ymin和預(yù)測值在x處的值，由改進(jìn)的概率。因此，當(dāng)最小時(shí)，第一項(xiàng)是大的。第二術(shù)語是預(yù)測誤差σ（x）和正常密度的乘積函數(shù)f（u）。正常密度函數(shù)值大當(dāng)誤差σ（x）大時(shí)，并且接近Ymin從而預(yù)期的改善將趨于一般其預(yù)測值小于Ymin或很多預(yù)測不確定性。
這種填充采樣方法有一些優(yōu)點(diǎn)：（1）它可以智能地添加采樣點(diǎn)來改善ANN，所以它允許從小觀察數(shù)據(jù)“學(xué)習(xí)”；（2）可以避免搜索相對較大的區(qū)域功能值，降低計(jì)算成本；（3）它也可以避免添加一些靠近彼此的點(diǎn)設(shè)計(jì)空間并保持ANN預(yù)測的穩(wěn)定性。
4基于改進(jìn)ANN的翹曲優(yōu)化方法
圖7：優(yōu)化前掃描儀翹曲
4.1翹曲優(yōu)化問題
翹曲最小設(shè)計(jì)問題可以描述為如下：
查找 x1,x2, ... Xm
最大化 (5)
服從
其中過程參數(shù)x1; x2; ... ; xm是設(shè)計(jì)變量和和是下限和上限第j個(gè)設(shè)計(jì)變量。目標(biāo)函數(shù)由等式3和4得出，其中Ymin和是電流最小值和翹曲的預(yù)測值。
4.2收斂標(biāo)準(zhǔn)
收斂標(biāo)準(zhǔn)在此滿足：
(6)
其中Δr是給定的收斂公差，Ymin是樣本中的最小函數(shù)值。左邊是一個(gè)最大預(yù)期改善之間的比例最小功能值。因此，Δr可以不給出考慮幅度，Δr= 0.1％。
4.3優(yōu)化程序的實(shí)現(xiàn)
實(shí)現(xiàn)綜合ANN模型和EI功能方法如圖1所示2。
表4：優(yōu)化結(jié)果
5手機(jī)蓋翹曲優(yōu)化和掃描儀
5.1優(yōu)化問題
在本節(jié)中，兩次翹曲優(yōu)化的結(jié)果舉例說明。這些旨在顯示集成ANN模型的效率和準(zhǔn)確性EI功能方法
第一個(gè)例子是手機(jī)套。它是由3,780個(gè)三角形元素離散，如圖1所示 3。其長度，寬度，高度和厚度分別為130，55，11和1 mm。該材料是聚碳酸酯（PC）/丙烯腈 - 丁二烯 - 苯乙烯。
模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（錫），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）被認(rèn)為是設(shè)計(jì)變量。 量化目標(biāo)函數(shù)翹曲（x）通過平面外位移，它們是兩者之和最大上下變形參考Moldflow Plastics Insight中的默認(rèn)平面軟件。約束由下部和上部組成對表1中給出的設(shè)計(jì)變量的約束模型，在這里用于近似翹曲（x），即由方程式 2。
模具溫度范圍和熔體溫度是基于Moldflow Plastics推薦的值洞察力，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間由制造商的經(jīng)驗(yàn)決定。
首先，LHD選擇十個(gè)樣品，然后用Moldflow Plastics Insight軟件對每個(gè)樣品設(shè)計(jì)翹曲所對應(yīng)的值進(jìn)行運(yùn)行，得出最后一個(gè)翹曲與變形的近似函數(shù)關(guān)系，利用人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建工藝參數(shù)仿真，代替昂貴的仿真分析優(yōu)化迭代。
解決了基于EI函數(shù)的優(yōu)化問題在這里使用順序二次規(guī)劃[28]。預(yù)期的改進(jìn)表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過1000個(gè)隨機(jī)選擇點(diǎn)和EI函數(shù)值計(jì)算來構(gòu)造近似執(zhí)行數(shù)學(xué)函數(shù)。找出EI最大點(diǎn)，然后將功能值選擇為一個(gè)初始設(shè)計(jì)。在此外，樣品中具有最小翹曲值的點(diǎn)被選擇為另一個(gè)初始設(shè)計(jì)，即兩個(gè)優(yōu)化過程在每個(gè)迭代執(zhí)行。在與仿真分析比較，這些過程消耗的時(shí)間非常短，可以忽略。
圖8：優(yōu)化后掃描儀翹曲
需要20次迭代才能獲得優(yōu)化解， 結(jié)果見表3。圖4和圖5顯示優(yōu)化前后的翹曲值，分別為（表2）。
第二個(gè)例子是掃描儀。 蓋子離散由8,046個(gè)三角形元素組成，如圖1所示。它是由PC模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（錫），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）作為設(shè)計(jì)變量。通過平面外位移量化目標(biāo)函數(shù)翹曲（x），這是最大和最小的變形參考在Moldflow Plastics Insight軟件默認(rèn)的平面的總和。約束由上下限組成，設(shè)計(jì)變量見表3。
模具溫度范圍和熔體溫度是基于Moldflow Plastics推薦的值洞察，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間由制造商的經(jīng)驗(yàn)決定。
圖9：每個(gè)因素對手機(jī)蓋翹曲的個(gè)體影響
初始十個(gè)樣本由LHD選擇；25次迭代后獲得最優(yōu)解。結(jié)果如表4所示。圖7和圖8分別表示優(yōu)化前后的翹曲。
6討論
表2和表4顯示了幾個(gè)工藝參數(shù)處于極限的邊界。 圖9和10顯示每個(gè)因素對翹曲的影響等，所有其他因素分別保持在最佳水平。
圖10：每個(gè)因素對掃描器翹曲的個(gè)別影響
圖9和10顯示了高熔體溫度和短注射時(shí)間是理想的。翹曲值隨著熔體溫度的變化，從260°C到300°C非線性減小。這是因?yàn)檩^低的熔體溫度流動(dòng)性不好，可能導(dǎo)致早期形成冷凍皮膚層，將產(chǎn)生更高的剪切應(yīng)力和阻塞流。如果沒有足夠的時(shí)間釋放剪切應(yīng)力，翹曲將增加。然而翹曲值隨注射時(shí)間非線性增加。對于薄壁注模部件，長注射時(shí)間可以增加冷凍表皮層與熔融芯層的比例。它可以阻止流動(dòng)，并導(dǎo)致更高的流量剪切應(yīng)力和材料中更多的分子取向。翹曲值僅改變包裝時(shí)間的周期，當(dāng)包裝時(shí)間長于某些值時(shí)，翹曲值幾乎不變。圖9和10還顯示，當(dāng)改變其他工藝參數(shù)（如包裝壓力，冷卻時(shí)間和模具溫度）時(shí)，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數(shù)的綜合影響，所有這些工藝參數(shù)應(yīng)通過優(yōu)化提供。
7結(jié)論
在本研究中，提出了一種綜合ANN模型和EI函數(shù)法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化過程可以從由一組采樣點(diǎn)訓(xùn)練的近似函數(shù)開始，然后通過EI函數(shù)將最佳采樣點(diǎn)添加到訓(xùn)練集中。優(yōu)化的每一次迭代包括訓(xùn)練近似函數(shù)和優(yōu)化EI函數(shù)。考慮到EI功能可以將相對意想不到的空間考慮在內(nèi)，以提高ANN模型的準(zhǔn)確性，并快速接近全局優(yōu)化解決方案。隨著應(yīng)用程序，手機(jī)蓋和掃描儀的調(diào)查，在優(yōu)化中只需要少量的Moldflow Plastics Insight分析，因?yàn)閮蓚€(gè)示例的第一次迭代需要一組幾個(gè)采樣點(diǎn)（只有十個(gè)采樣點(diǎn)）并且每次迭代的后續(xù)操作只將一個(gè)采樣點(diǎn)添加到集合中。數(shù)值計(jì)算結(jié)果表明，所提出的優(yōu)化方法對于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實(shí)例的設(shè)計(jì)變量限于模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間，但本方法也適用于更多的工藝參數(shù)。
然而，還有兩個(gè)問題。第一個(gè)是開發(fā)有效的優(yōu)化算法。因?yàn)镋I功能是具有尖銳峰值多模態(tài)的，所以很難找到最佳解決方案。第二個(gè)是針對一些優(yōu)化方法開發(fā)的，以確定BPN學(xué)習(xí)框架中的一些網(wǎng)絡(luò)參數(shù)，如學(xué)習(xí)周期，學(xué)習(xí)速率，動(dòng)量因子和隱藏神經(jīng)元數(shù)量，使網(wǎng)絡(luò)的收斂速度快速穩(wěn)定。計(jì)劃進(jìn)一步發(fā)展。
致謝：作者衷心感謝中國國家自然科學(xué)基金重大計(jì)劃（10590354）對這項(xiàng)工作的財(cái)政支持，并感謝Moldflow公司為本研究提供仿真軟件。
參考文獻(xiàn)
[1] Shen CY, Wang LX, Li Q (2007) Optimization of injectionmolding process parameters using
combination of artificial neural network and genetic algorithm method. J Mater Process
Technol138(2–3):412–418
[2] Kabanemi KK, Vaillancourt H, Wang H, Salloum G (1998)Residual stresses, shrinkage, and
warpage of complex injection molded products: numerical simulation and experimental
validation.Polym Eng Sci 38(1):21–37
[3] Hiroyuki K, Kiyohito K (1996) Warpage anisotropy, and par thickness. Polym Eng Sci
36(10):1326–1335
[4] Fan B, Kazmer DO, Bushko WC, Theriault RP, Poslinski A(2003)Warpage prediction of
optical media. J Polym Sci Part B:Polym Phys 41(9):859–872
[5] Akay M, Ozden S, Tansey T(1996)Predictionofprocess-inducedwarpage in injection molded
thermoplastics. Polym Eng Sci36(13):1839–1846
[6] Hiroyuki K, Kiyohito K (1996) The relation between thicknessand warpage in a disk injection
molded from fiber reinforced PA66. Polym Eng Sci 36(10):1317–1325
[7] Fahy EJ (1998) Modeling warpage in reinforced polymer disks.Polym Eng Sci
38(7):1072–1084
[8] Santhanam N, Chiang HH, Himasekhar K, Tuschak P, Wang KK(1991) Postmolding and
load-induced deformation analysisofplastic parts in the injection molding process. Adv Polym
Technol 11(2):77–89
[9] Yuanxian GU, Haimei LI, Changyo S (2001) Numerical simulation of thermally induced
stressand warpage in injection- molded thermoplastics. Adv Polym Technol 20(1):14–21
[10] Lee BH, Kim BH (1995) Optimization of part wall thicknesses toreduce warpage of
injection-molded parts based on the modified complex method. Polym Plast Technol Eng
34(5):793–811
[11] Sahu R, Yao DG, Kim B (1997) Optimal mold design methodologyto minimize warpage in
injection molded parts. Technical papers of the 55th SPE ANTEC Annual Technical
Conference,Toronto, Canada, April/May 1997, vol 3, pp 3308–3312
[12] Tang SH, Tan YJ, Sapuan SM, Sulaiman S, Ismail N, Samin R(2007) The use of Taguchi
method in the design ofplastic injection mould for reducing warpage. J Mater Process
Technol182(1–3):418–426
[13] Huang MC, Tai CC (2001) The effective factors in the warpageproblem of an
injection-molded part with a thin shell feature. J Mater Process Technol 110(1):1–9
[14] Liao SJ, Chang DY, Chen HJ, Tsou LS, Ho JR, Yau HT, Hsieh WH,Wang JT, Su YC (2004)
Optimal process conditions of shrinkage andwarpage of thin-wall parts. Polym Eng Sci
44(5):917–928
[15] Gao YH, Wang XC (2008) An effective warpage optimizationmethod in injection molding
based on the Kriging model. Int J Adv Manuf Technol 37(9–10):953–960
[16] Gao YH, Turng LS, Wang XC (2008) Adaptive geometry and process optimization for
injection molding using the Kriging surrogate model trained by numerical simulation. Adv
PolymTechnol 27(1):1–16Int J Adv Manuf Technol (2010) 48:955–962 961
[17] Gao YH, Wang XC (2009) Surrogate-based process optimization for reducing warpage in
injection molding. J Mater Process Technol 209(3):1302–1309
[18] Kurtaran H, Ozcelik B, Erzurumlu T (2005) Warpage optimization of a bus ceiling lamp base
using neural network model and genetical gorithm. J Mater Process Technol 169(10):314–319
[19] Kurtaran H, Erzurumlu T (2006) Efficient warpage optimization of thin shell plastic parts
using response surface methodology and genetic algorithm. Int Adv Manuf Technol
27(5–6):468–472
[20] Zhou J, Turng LS, Kramschuster A (2006) Single and multi objective optimization for
injection molding using numerical simulation with surrogate models and genetic algorithms.
Int Polym Process 21(5):509–520
[21] Jones DR, Schonlau M, Welch WJ (1998) Efficient globaloptimization of expensive
black-box functions. J Glob Optim 13 4):455–492
[22].Sadeghi BHM (2000) A BP-neural network predictor model for plastic injection molding
process. J Mater Process Technol103 (3):411–416
[23] Chow TT, Zhang GQ, Lin Z, Song CL (2002) Global optimization of absorption chiller
system by genetic algorithm and neural network. Energy Build 34(1):103–109
[24] Cook DF, Ragsdale CT, Major RL (2000) Combining a neural network with a genetic
algorithm for process parameter optimization. Eng Appl Artif Intell 13(4):391–396
[25] Ozcelik B, Erzurumlu T (2006) Comparison of he warpag optimization in the plastic injection
molding using ANOVA,neural network model and genetic algorithm. J Mater Process Technol
171(3):437–445
[26] ChenWC, Tai PH, Wang MW, Deng WJ, Chen CT(2008)neuralnetwork-based approach for
dynamic quality prediction in a plasticin jection molding process. Expert Syst Appl
35(3):843–849
[27] Woll SLB, Cooper DJ (1997) Pattern-based closed-looqualitycontrol for the injection
molding process. Polym Eng Sci 37(5):801–812
[28] Cheng J, Li QS (2009) A hybrid artificial neural network methodwith uniform design for
structural optimization. Comput Mech 44(1):61–71
H. Shi : Y. Gao : X. Wang (*)
State Key Laboratory of Structural Analysis for Industrial
Equipment, Dalian University of Technology,
Dalian,
116024 Liaoning, China
e-mail: guixum@dlut.edu.cn
16