阿曼废氢转化基础设施的评估:一种用于循环经济整合的混合整数规划方法 Sharif H. Zein

《Modelling》:Evaluation of Waste-to-Hydrogen Infrastructure in Oman: A Mixed-Integer Programming Approach for Circular Economy Integration Sharif H. Zein

【字体: 大 中 小 】 时间:2026年03月31日 来源:Modelling 1.8

编辑推荐:

  一项基于人工神经网络(ANN)模型的研究将用于预测AA8090合金搅拌摩擦增材制造(FSAM)的显微硬度(VHN)和抗拉强度(TS)。所考虑的过程参数为旋转速度(1000、1500、2000 rpm)、行进速度(45、65、85 mm/min)和倾斜角(0°、

  
一项基于人工神经网络(ANN)模型的研究将用于预测AA8090合金搅拌摩擦增材制造(FSAM)的显微硬度(VHN)和抗拉强度(TS)。所考虑的过程参数为旋转速度(1000、1500、2000 rpm)、行进速度(45、65、85 mm/min)和倾斜角(0°、1°、2°)。研究人员进行了90次物理实验(74 + 7 + 6 + 3),其中74次实验借助ANN建模的中心复合设计生成,7次独立实验用于验证结果,6次重复实验,以及3次中水平插值实验。在74次建模运行中,60个样本用于训练,14个用于内部测试,7个单独的建模运行专门用于外部测试。基于Adam优化器创建了ANN模型,损失函数采用均方误差(MSE)。通过5折交叉验证和分组验证(LOPCO、LOFLO-RPM、LOFLO-TA)评估模型稳健性。在5折交叉验证下,ANN的平均R2值分别为VHN 0.940、TS 0.920。在归一化训练中,模型达到了MAE = 0.26和R2 = 0.97,而物理单位测试中VHN和TS的MAE分别为1.0和2.0。这些结果表明ANN模型具有较高的预测能力和泛化能力,体现在ANN模型在训练、交叉验证、内部测试和独立验证上性能一致。特征重要性分析显示,旋转速度是影响抗拉强度和显微硬度最显著的因素。所构建的ANN模型是一个可靠且合理的系统,可用于优化和复制AA8090合金上其他搅拌摩擦加工方法的过程。
**研究背景与问题**

搅拌摩擦增材制造(FSAM)是搅拌摩擦焊(FSW)的先进形式,通过逐层堆叠板材并利用非消耗性工具旋转与前进产生的摩擦热使材料塑化,实现层间冶金结合。FSAM构件的性能高度依赖于工艺参数,包括旋转速度(RPM)、行进速度(SPEED)和倾斜角(TA)。现有研究表明,RPM控制热量输入与材料混合,SPEED决定每单位长度的热输入,TA影响材料流动,但三者对力学性能的交互作用尚不明确。此外,AA8090铝锂合金具有低密度(比2014/2024铝合金低≤10%)和高模量(高>11%)的优势,在航空航天领域潜力巨大,但其在FSAM工艺中的性能预测缺乏系统模型。传统实验方法耗时且成本高,亟需高效的数据驱动方法。人工神经网络(ANN)具备处理非线性复杂问题的能力,但应用于FSAM特定合金(如AA8090)的预测研究有限,且现有工作未系统评估模型外推能力与工艺参数主导性。本研究旨在填补这一空白:基于实验数据构建ANN模型,预测FSAM AA8090合金的显微硬度(VHN)和抗拉强度(TS),并量化各工艺参数的影响程度,为工艺优化提供可靠工具。

**研究人员开展的研究**

研究人员以AA8090合金为对象,系统进行了90组物理实验(包括74组基于响应面法-中心复合设计(RSM-CCD)建模实验、7组独立验证、6组重复实验、3组中水平插值实验),测量VHN和TS。基于TensorFlow 2.x与Keras API构建3-6-6-2拓扑结构的ANN模型(输入层3神经元:RPM、SPEED、TA;两个隐藏层各6神经元;输出层2神经元:VHN、TS),使用Adam优化器、MSE损失函数、ReLU激活函数,训练100个epoch。通过5折交叉验证(CV)、分组验证(LOPCO、LOFLO-RPM、LOFLO-TA)评估稳健性;采用Pearson相关系数与随机森林(RF)特征重要性分析参数影响;通过排列重要性(PI)和偏依赖(PD)图进行可解释AI验证;独立验证与中水平插值测试泛化能力。论文发表在《Modelling》。

**主要关键技术方法**

1. **中心复合设计(CCD)与实验设计**:基于响应面法(RSM)的CCD生成74组实验条件(含因子点、轴向点、中心点),覆盖RPM(1000、1500、2000 rpm)、SPEED(45、65、85 mm/min)、TA(0°、1°、2°)的全因子空间,确保数据代表性。
2. **人工神经网络(ANN)建模**:采用3-6-6-2拓扑结构,ReLU激活函数,Adam优化器,MSE损失函数,Min-Max归一化输入,80/20训练测试划分,100 epoch训练,并通过5折CV、分组CV(LOPCO、LOFLO-RPM、LOFLO-TA)评估泛化能力。
3. **特征重要性分析**:结合Pearson相关系数(线性)和随机森林(RF)特征重要性(非线性交互)量化参数影响;使用排列重要性(PI)和偏依赖(PD)图进行可解释AI验证。
4. **验证策略**:7组独立实验用于外推验证,6组重复实验量化实验噪声,3组中水平插值测试内插能力。样本来源为CRF, NITK Surathkal实验室的FSAM实验。

**研究结果**

**3.1 模型性能**:ANN模型训练后达到MAE=0.26、R2=0.97;5折CV平均R2分别为VHN 0.940、TS 0.920,低标准差证明稳定性。

**3.2 ANN学习曲线**:训练与验证损失曲线收敛平稳,间隙小,表明未过拟合且成功学习物理趋势。

**3.3 预测能力**:VHN预测R2=0.939、MAE=1.0、RMSE=1.0;TS预测R2=0.919、MAE=2.0、RMSE=2.0。Pearson相关系数显示RPM与VHN(r=0.65)和TS(r=0.55)最强正相关;RF特征重要性显示RPM贡献最大(VHN 48%,TS 42%),SPEED次之,TA最弱。两种方法一致性确认RPM为主导参数。

**3.4 特征重要性相关性系数**:图7(原文)直观展示RPM正向线性关联;图8(原文)显示RF非线性重要性排序RPM>SPEED>TA。

**3.5 验证**:7组独立验证中,VHN的MAE=0.486,TS的MAE=0.90,误差低且一致。分组CV测试:LOPCO(留一参数组合)R2下降6-7%,LOFLO-RPM(留一RPM水平)R2下降24-27%,LOFLO-TA(留一TA水平)R2仅下降2-4%,定量确认RPM最敏感。基线模型与ANN消融实验表明3-6-6-2结构最优;输入消融分析显示去除RPM导致R2最大下降。残差诊断呈随机散点,Bootstrap法给出95%置信区间。

**3.6 分组交叉验证**:进一步验证模型稳健性与外推能力,见表12(原文)。

**3.7 可解释AI技术**:PI分析确认RPM排列重要性最高;PD图揭示RPM对VHN和TS的非线性强影响,与RF结果一致。

**3.8 三重复实验量化噪声**:2组参数各3次重复,低标准差(SD)证明实验重复性良好(见表13原文)。

**3.9 中水平插值测试**:M1-M3中水平参数下预测与实测VHN和TS值高度吻合,绝对误差低(VHN 0.3,TS 1.5),证明模型内插能力优异。最终预测平均值:VHN 121.66,TS 329.66 MPa。误差最大参数组合:VHN(1500 rpm, 65 mm/min, 1°)、TS(2000 rpm, 65 mm/min, 1°)。

**讨论与结论**

**讨论部分总结**:研究发现RPM是决定性参数,其变化对模型精度影响最大(LOFLO-RPM导致R2下降27%)。实验中出现的预测值与实测值的尖峰/骤降现象可能归因于机器振动或未考虑参数(如轴向力、工具几何),使RPM成为潜在离群点。模型当前仅涵盖三个参数,未纳入轴向力、工具几何、预热冷却、道次等,限制了全面性。

**研究结论**:该ANN模型通过5折交叉验证(平均R2:VHN 0.940±0.015,TS 0.920±0.020)及独立验证(7组新参数组合,MAE小且一致)证实了稳定且优异的预测性能。VHN的MAE、RMSE、R2分别为1.0、2.0、0.939;TS分别为1.0、2.0、0.919。RPM被确定为最主导工艺参数,其移除导致模型精度严重下降(R2损失高达27%)。PI和PD分析也确认RPM的PI分数最高。预测与实测值图中的尖峰/骤降可归因于加工过程中的机器振动,证明RPM是系统中的潜在离群点。中水平插值测试显示模型已学习输入输出之间的隐含关系。显微硬度和抗拉强度的平均预测值分别为121.66 VHN和329.66 MPa。当前模型仅限三个参数,未来工作可纳入工具几何、轴向力、预热冷却及道次等参数,并探索屈服强度、疲劳分析、延伸率和表面粗糙度等输出。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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