涂层与未涂层Al6061磨损预测中基于树(Tree-Based)模型与神经网络(Neural Network)模型性能比较

《Results in Surfaces and Interfaces》:Performance Comparison of Tree-Based and Neural Network Models for Wear Prediction in Coated and Uncoated Al6061

【字体: 大 中 小 】 时间:2026年03月24日 来源:Results in Surfaces and Interfaces 6.2

编辑推荐:

  本研究比较了机器学习(ML)与深度学习(DL)模型在预测未涂层Al6061、等离子喷涂粉煤灰-氧化铝(flyash-Al2O3)涂层及粉煤灰-碳化硅(flyash-SiC)涂层干滑动磨损方面的性能。研究人员采用包括随机森林(Random Forest, RF)

  
本研究比较了机器学习(ML)与深度学习(DL)模型在预测未涂层Al6061、等离子喷涂粉煤灰-氧化铝(flyash-Al2O3)涂层及粉煤灰-碳化硅(flyash-SiC)涂层干滑动磨损方面的性能。研究人员采用包括随机森林(Random Forest, RF)、XGBoost及LightGBM在内的集成(Ensemble)模型,以及多层感知器(Multilayer Perceptron, MLP)回归器、反向传播神经网络(Backpropagation Neural Network, BPNN)和深度神经网络(Deep Neural Network, DNN)等神经网络模型,基于载荷、滑动速度和滑动距离变化的实验数据进行训练。数据集进行标准化处理并按80%训练集与20%测试集划分。采用决定系数(Coefficient of Determination, R2)、平均绝对误差(Mean Absolute Error, MAE)和均方根误差(Root Mean Square Error, RMSE)评估模型性能。ML回归器能准确预测未涂层合金特性,R2得分高于0.97,但在涂层试样上性能有所下降。RF精度下降最显著,尤其在flyash-SiC涂层上(R2= 0.736)。梯度提升(Gradient Boosting)模型表现出更好的鲁棒性,LightGBM对未涂层、flyash-Al2O3及flyash-SiC试样分别取得R2值0.977、0.936和0.794。神经网络在涂层体系上优于基于树的方法,MLP和DNN的R2值最高可达0.992,且MAE和RMSE更低。SEM分析佐证了预测结果:未涂层合金磨损严重,flyash-Al2O3涂层表面损伤极小,flyash-SiC涂层出现开裂与剥落。
论文解读:涂层与未涂层Al6061磨损预测中基于树模型与神经网络模型性能比较
研究背景与意义
磨损是机械系统中关键的材料退化机制,常受摩擦、磨粒/ abrasion、冲击或腐蚀环境影响,严重制约零部件服役寿命。Al6061铝合金因高比强度、良好可焊性及耐蚀性广泛用于航空航天与汽车领域,但其表面较软、易发生粘着与磨粒磨损,且在中等温升下强度下降,限制了其在恶劣工况的应用。等离子喷涂陶瓷或工业副产品粉煤灰(flyash)基复合涂层(如flyash–Al2O3和flyash–SiC)可提高表面硬度和耐磨性,但涂层引入的非均匀微观结构使磨损行为呈高度非线性。传统经验模型与有限元分析难以刻画此类随机性磨损过程。虽已有研究单独应用集成学习(RF、XGBoost、LightGBM)或人工神经网络(Artificial Neural Network, ANN)预测材料行为,但针对涂层与未涂层Al6061在同数据集下系统对比树基(Tree-Based) ML模型与神经网络(Neural Network) DL模型的研究尚少。为此,研究人员以Taguchi L27正交阵列干滑动磨损实验数据为基础,系统训练并评估RF、XGBoost、LightGBM、MLP、BPNN及DNN共六种回归模型,结合SEM形貌分析验证预测结论,探讨不同AI驱动方法对复杂摩擦学行为的捕捉能力。该论文发表于《Results in Surfaces and Interfaces》。
主要关键技术方法
研究人员采用Taguchi L27正交阵列设计干滑动磨损实验,以载荷(Load, 20/40/60 N)、滑动速度(Sliding Velocity, 0.523/1.046/1.569 m/s)及滑动距离(Sliding Distance, 250/500/750 m)为输入变量,质量损失(Weight Loss, g)为输出,获取未涂层Al6061、大气等离子喷涂flyash–Al2O3涂层及flyash–SiC涂层试样的磨损数据各27组。数据集按8:2划分为训练集与测试集。特征与目标变量均采用StandardScaler标准化(零均值单位方差)。树基模型(RF、LightGBM、XGBoost)直接基于原始尺度数据训练;神经网络模型(MLP、BPNN含2个隐藏层32和16神经元、DNN含3个隐藏层128/64/32神经元)基于标准化数据训练,使用ReLU激活函数、Adam优化器、MSE损失函数,训练200 epoch、batch size 32。RF以原生多输出回归一次性预测三目标,LightGBM、XGBoost及MLP对各输出分别独立训练。固定随机种子保证可复现性,预测值逆变换回原量纲后计算R2、MAE、RMSE进行评估。磨损表面经SEM观察以 corroborate 预测趋势。
研究结果
3.1. SEM Studies of Coatings(涂层SEM研究)
研究人员通过SEM观察发现,flyash–Al2O3涂层呈现均匀致密微结构,裂纹与孔隙极少;flyash–SiC涂层则呈疏松堆积形态,存在明显孔隙与较弱颗粒结合。二者横截面显示约150 μm总厚度(含~50 μm NiCr打底层)且与基体结合良好。定量孔隙率分别约为8.1%(flyash–Al2O3)和8.5%(flyash–SiC),涂层中含硬质氧化物相可提升耐久性。
3.2. R2, MAE and RMSE of Different Regression Models(不同回归模型的R2、MAE和RMSE)
基于测试集评估结果:RF在未涂层试样表现优异(R2=0.976),但在涂层尤其是flyash–SiC上明显下降(R2=0.736),MAE与RMSE升高,表明其难捕捉涂层复杂表面相互作用。LightGBM对未涂层、flyash–Al2O3、flyash–SiC分别获R2=0.977、0.936、0.794,leaf-wise生长策略增强了对局部数据模式的拟合,较RF更稳健。XGBoost得分为R2=0.981、0.882、0.739,与LightGBM接近但对超参数敏感。MLP得R2=0.908、0.985、0.957,具良好非线性映射能力。BPNN得R2=0.867、0.930、0.944。DNN整体最优,R2分别为0.932(未涂层)、0.992(flyash–Al2O3)、0.973(flyash–SiC),且MAE与RMSE在所有模型中最低,证明其深层特征提取优势。散点图显示DNN预测值与真实值吻合度最高。误差条图表明神经网络在涂层条件下泛化误差更小,DNN尤其适用于描述载荷、速度与距离间复杂非线性耦合效应。
3.3. Microstructure Analysis of Worn Surfaces(磨损表面显微组织分析)
未涂层Al6061磨损表面见深犁沟、宽浅沟槽及大量塑性流变,为典型三体磨粒磨损与严重剪切变形。flyash–Al2O3涂层磨损面仅有稀疏微切削痕与局部划伤,主要为陶瓷基体脆性断裂且无明显塑性流变,表明涂层有效抑制材料去除。flyash–SiC涂层磨损面出现大量微裂纹、片状剥落与分层(delamination),属剥落磨损机制,伴随大块颗粒脱落导致较高质量损失。SEM结果与ML/DL预测趋势一致:未涂层磨损最重,flyash–Al2O3防护最佳,flyash–SiC介于其间但因分层失效磨损加剧。
讨论与结论翻译
本研宄对未涂层及等离子喷涂Al6061合金干滑动磨损预测中的ML与DL技术进行了比较分析。研究人员将集成回归器(RF、XGBoost和LightGBM)与神经网络模型(MLP、BPNN和DNN)基于包含载荷、滑动速度和滑动距离等关键摩擦学因素的数据集进行训练。在集成模型中,LightGBM对未涂层、flyash-Al2O3和flyash-SiC涂层分别取得R2值0.977、0.936和0.794,MAE与RMSE低于RF和XGBoost,准确性最高。RF虽对未涂层Al6061有效(R2=0.976),但在涂层体系中MAE和RMSE增大,反映其捕捉复杂表面相互作用的能力有限;XGBoost精度具竞争力但对超参数调优更敏感。神经网络模型在所有涂层类型中展现更优泛化能力,MLP和DNN的R2值最高分别达0.985和0.992,且MAE和RMSE持续最低,表明预测精度与鲁棒性更佳。SEM分析支持上述发现:未涂层Al6061呈严重磨粒磨损,flyash-Al2O3涂层表面损伤极小,flyash-SiC涂层有明显开裂与剥落。综合R2、MAE和RMSE评估表明,尽管集成学习方法适用于较简单磨损机制,但深度神经网络架构对因非线性及多变量摩擦学相互作用主导的复杂涂层体系提供更优的预测可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号