《Polymers》:Tailoring Polyvinyl Alcohol/Carnauba Wax Film Properties Through Plasticizer Selection: A Pathway to Optimized Biodegradable Materials
Abodunrin Tirmidhi Tijani and
Ademola Monsur Hammed
编辑推荐:
摘要:本研究以环氧树脂(EPAX hard and tough clear resin)增材制造赛车双横臂悬架立柱(upright/suspension knuckle)为研究对象,研究人员结合试验设计(Design of Experiments, DOE)、
摘要:本研究以环氧树脂(EPAX hard and tough clear resin)增材制造赛车双横臂悬架立柱(upright/suspension knuckle)为研究对象,研究人员结合试验设计(Design of Experiments, DOE)、响应面法(Response Surface Methodology, RSM)及多层感知器(Multilayer Perceptron, MLP)神经网络建立预测模型,以刚度与重量之比(stiffness-to-weight ratio)为优化目标,通过有限元分析(Finite Element Analysis, FEA)模拟不同几何参数组合下的力学性能。研究人员采用二阶多项式回归模型拟合输入变量(主销内倾角kingpin angle、轮毂长度hub length等6个参数)与输出响应的关系,利用梯度为零条件定位最优配置,并以Pearson相关系数评估变量显著性;同时构建含两个隐藏层(各10个神经元,ReLU激活函数)的MLP网络,使用Adam优化器进行450轮训练,对比验证RSM与ANN模型的预测精度。结果表明,RSM可快速锁定近似最优区间且避免过拟合,MLP能更精确捕捉非线性关系,二者结合可有效指导轻量化高性能悬架立柱的设计,为高要求赛车部件增材制造参数化设计提供量化依据。
论文解读:《Polymers》——基于RSM与MLP神经网络的环氧树脂赛车悬架立柱拓扑优化研究
一、研究背景与立项依据
赛车悬架立柱(upright/suspension knuckle)是连接转向节、轮毂与悬架摆臂的关键承载部件,需在承受垂向载荷(30 N表面分布力及2 MPa钢丝调整压力)的同时尽可能降低质量以提升车辆动态响应。传统经验设计难以兼顾刚度与轻量化的最优平衡。增材制造(Additive Manufacturing, AM)使复杂拓扑结构的实现成为可能,但需依赖系统的参数化建模与性能预测方法。现有研究缺乏针对光固化环氧树脂(photopolymer resin)悬架立柱的系统优化流程。为此,研究人员以EPAX硬韧透明树脂打印样件为对象,引入试验设计(Design of Experiments, DOE)、响应面法(Response Surface Methodology, RSM)与人工神经网络(Artificial Neural Network, ANN / Multilayer Perceptron, MLP)构建"仿真—建模—优化"一体化框架,旨在通过数值模拟确定6个几何设计参数(如kingpin inclination angle、hub length等)对刚度—重量比(stiffness-to-weight ratio,定义为输出目标值)的影响规律并获取最优配置。
二、关键技术方法概述
研究人员采用DOE生成250组随机参数组合(覆盖各变量设计限值),每组在有限元软件中执行静力学分析获取最大垂向位移及质量,计算刚重比。RSM部分使用二阶回归模型 y = β0+ Σβixi+ Σβiixi2+ Σi< />βijxixj+ ε 拟合数据,通过?f(x?)=0 求驻点定位最优区域,并用决定系数 R2= Cov(X,Y)/(σXσY) 及Pearson相关系数检验显著性。神经网络部分构建6输入—2×10神经元ReLU隐藏层—1输出(刚重比)的MLP,450 epoch、batch size=45、学习率 η=0.01,Adam优化器,反向传播按链式法则 ?L/?wij= (?L/?aj)(?aj/?zj)(?zj/?wij) 更新权重 θt+1= θt? η?θL(θ),并以训练/验证集监控收敛。两模型结果交叉比对验证预测能力。
三、研究结果
2.1. Response Surface Methodology (RSM) Applied to the Suspension Upright Optimization
研究人员将设计矩阵 X 与响应向量 y 按 y = Xβ? + ε 做线性回归估计 β?,得到包含线性项、平方项及交叉项的二阶响应面。分析表明当仅考虑线性效应时可退化为超平面,引入二次项和交互项可表征非线性曲率且不易过拟合。令 ?f(x1,…,xn) = 0 解得驻点对应理论最优几何组合。Pearson相关系数中 R2> 0.95 说明模型与仿真数据高度吻合,主效应与交互效应得以量化,确认kingpin angle与hub length对刚重比影响最为显著。
2.2. Pearson Correlation Coefficient as a Screening Tool
单变量分析下研究人员计算 Cov(X,Y)/(σXσY),发现若干输入参数与刚重比的线性相关度达0.95–0.98,低计算误差证实严格性。通过该指标剔除弱相关变量,缩减后续RSM与MLP建模维度。
2.3. Introduction to Neural Networks and Main Formulas Used in the Study
研究人员搭建前馈MLP,输入层6节点对应6个几何参数(归一化至[0,1]),两隐藏层各10节点选用Rectified Linear Unit(ReLU, f(x)=max(0,x))激活函数(优于sigmoid与tanh),输出层1节点为刚重比预测值。采用监督学习(supervised learning)与反向传播(backpropagation)按式(7)链式法则分解损失函数 L 对权重 wij的偏导,Adam优化器自适应调节学习率,训练450轮后均方误差(MSE)收敛。设置 η=0.01 保证稳定下降,若 η=0 则 θt+1=θt=θ0不更新。网络经训练后能泛化预测未知参数组合的刚重比。
四、讨论与结论
研究人员对比发现:RSM凭借显式多项式可快速给出物理可解释的敏感因子排序与近似最优点,适合初筛与设计空间探索;MLP经充分训练后对强非线性区域预测残差更小,弥补了RSM在响应面扭曲区域的局限。二者互为验证提高了优化可靠性。最终确定的最优几何参数组合使悬架立柱在满足30 N与2 MPa工况下最大垂向位移约束的同时,刚重比提升显著(具体数值依数据库拟合结果)。研究表明,结合DOE–RSM–MLP的流程可有效用于光固化环氧树脂增材制造高性能赛车部件的拓扑参数优化,为小批量定制化赛车零件的结构设计提供了可量化、可复现的方法学参考,亦证明聚合物基复合材料在受力运动部件中经合理设计可达到竞技级性能要求。