Al-Mg-Ti合金材料利用神經(jīng)網(wǎng)絡(luò)和回歸模型研究

Al-Mg-Ti合金材料利用神經(jīng)網(wǎng)絡(luò)和回歸模型研究了增強(qiáng)和變形對(duì)赤泥納米顆粒增強(qiáng)鋁基復(fù)合金材料體積磨損的影響。采用sigmoid函數(shù)的激活函數(shù)，RMSE和MAPE, 4個(gè)輸入?yún)?shù)，7個(gè)和6個(gè)神經(jīng)元的2個(gè)隱含層，1個(gè)輸出參數(shù)，即124個(gè)訓(xùn)練數(shù)據(jù)和20個(gè)測(cè)試數(shù)據(jù)。Al-Mg-Ti合金材料回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型的R2和MAPE分別為0.9775和0.989,MAPE分別為12.96和7.30%，人工神經(jīng)網(wǎng)絡(luò)模型的RMSE為0.3177。他們觀察到，ANN方法對(duì)復(fù)合金材料磨損率的預(yù)測(cè)與數(shù)學(xué)回歸模型具有極好的一致性，可以有效地減少時(shí)間、精力和成本。

Al-Mg-Ti合金材料采用人工神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)模型對(duì)擠壓鑄造工藝制備的A413/B4C復(fù)合金材料的硬度、極限抗拉強(qiáng)度和屈服強(qiáng)度進(jìn)行建模。用18個(gè)數(shù)據(jù)進(jìn)行測(cè)試，用9個(gè)數(shù)據(jù)進(jìn)行測(cè)試，用雙曲正切函數(shù)和線性傳遞函數(shù)作為激活函數(shù)，用算法和梯度下降動(dòng)量BP算法作為訓(xùn)練算法。Al-Mg-Ti合金材料有三個(gè)輸入層，三個(gè)輸出層和50 + 50個(gè)神經(jīng)元在兩個(gè)隱藏層。訓(xùn)練和測(cè)試前數(shù)據(jù)在0-1范圍內(nèi)歸一化。MSE、R和預(yù)測(cè)百分比誤差作為系統(tǒng)的性能指標(biāo)。他們用算法觀察到最優(yōu)的結(jié)構(gòu)是隱含層數(shù)和神經(jīng)元數(shù)為2，結(jié)果與實(shí)驗(yàn)值吻合較好。

Al-Mg-Ti合金材料采用33個(gè)3個(gè)水平3個(gè)因子的全設(shè)計(jì)因子設(shè)計(jì)輸入變量與結(jié)果變量之間的聯(lián)系，采用方差分析的實(shí)驗(yàn)設(shè)計(jì)(DOE)來確定各因子對(duì)響應(yīng)的顯著性。壓力分別為70、105和140 MPa，模具預(yù)熱溫度分別為150、225和300℃，B4C率分別為4、8和12 wt.%。R2值為95.25%，調(diào)整后的R2值為93.83%，表明模型的有效性較高。擠壓壓力對(duì)力學(xué)性能影響較大，貢獻(xiàn)約44-46%，B4C wt.%影響約33-43%，模具預(yù)熱溫度影響約9-16%。響應(yīng)的p值均小于0.005。模具的壓力、B4C速率和預(yù)熱溫度的最佳配比分別為140 MPa、12 wt.%和225℃，才能獲得最大的力學(xué)性能。