《Modelling》:Predictive Modeling of Microhardness and Tensile Strength for Friction Stir Additive Manufacturing of AA8090 Alloy Using Artificial Neural Network
D. A. P. Prabhakar,
Arun Kumar Shettigar,
Mervin A. Herbert and
Rashmi Laxmikant Malghan
编辑推荐:
一项基于人工神经网络(ANN)模型的研究被提出,用于预测AA8090合金搅拌摩擦增材制造(FSAM)的显微硬度(VHN)和拉伸强度(TS)。考虑的工艺参数为转速(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)模型的研究被提出,用于预测AA8090合金搅拌摩擦增材制造(FSAM)的显微硬度(VHN)和拉伸强度(TS)。考虑的工艺参数为转速(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(Central Composite Design)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,另外7次独立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)。模型稳健性通过5折交叉验证和分组验证(LOPCO、LOFLO-RPM和LOFLO-TA)进行评估。在5折交叉验证下,ANN的平均R2值为0.940(VHN)和0.920(TS)。在归一化训练中,模型达到MAE = 0.26和R2 = 0.97,而物理单位测试中分别产生MAE值为1.0和2.0(VHN和TS)。这些结果与ANN模型的高预测能力和泛化能力一致,体现在模型在训练、交叉验证、内部测试和独立验证上的均匀性能。特征重要性分析显示,转速是影响拉伸强度和显微硬度的最重要因素。所构建的ANN模型是一个可靠且健全的系统,可用于优化和复制AA8090合金上其他搅拌摩擦加工方法的工艺。
论文解读:基于人工神经网络的AA8090合金搅拌摩擦增材制造性能预测研究
**研究背景与问题**
搅拌摩擦增材制造(FSAM)是一种基于搅拌摩擦焊(FSW)的先进增材制造技术,通过逐层堆叠板材并利用旋转搅拌工具产生的摩擦热和塑性变形实现材料连接。该技术于1999年由D. White提出并获专利,后被波音(2006年)和空客(2012年)采用。FSAM过程中,工艺参数(如转速、行进速度、倾斜角)直接影响成形件的微观组织和力学性能,例如显微硬度(VHN)和拉伸强度(TS)。然而,这些参数与力学性能之间存在复杂的非线性关系,传统经验模型或解析模型难以精确描述。
AA8090是一种第二代Al-Li合金,含2.3 wt.% Li,密度较常规2014/2024铝合金低≤10%,模量高>11%,在航空航天领域具有重要应用。已有研究(如Shyamlal等)探讨了FSW工艺参数对AA8090-T87力学性能的影响,但缺乏针对FSAM工艺的系统性预测建模。此外,现有模型(如响应面法、回归模型)在捕捉非线性交互效应方面存在局限。因此,有必要开发一种高精度、可泛化的预测工具,以优化FSAM工艺参数并降低实验成本。
基于上述问题,研究人员开展了本项研究,旨在利用人工神经网络(ANN)建立AA8090合金FSAM过程中显微硬度和拉伸强度与工艺参数(转速、行进速度、倾斜角)之间的预测模型,并通过多种验证手段评估其稳健性。研究论文发表在《Modelling》期刊。
**主要关键技术方法**
研究人员基于响应面法-中心复合设计(RSM-CCD)生成74组工艺参数组合(转速1000-2000 rpm、行进速度45-85 mm/min、倾斜角0°-2°),并额外进行7组独立验证实验、6组重复实验(评估噪声)和3组中水平插值实验(评估插值能力)。构建了拓扑结构为3-6-6-2的ANN模型(输入层3节点:转速、行进速度、倾斜角;两个隐藏层各6节点;输出层2节点:VHN、TS),采用ReLU激活函数、Adam优化器(学习率0.001)和均方误差(MSE)损失函数,训练100个epoch,批次大小8,并应用5折交叉验证及分组交叉验证(LOPCO、LOFLO-RPM、LOFLO-TA)评估泛化能力。此外,采用Pearson相关系数和随机森林(RF)特征重要性分析识别关键参数,并结合置换重要性(PI)和偏依赖(PD)图进行可解释性验证。
**研究结果**
**3.1 模型性能**
通过5折交叉验证,ANN模型对VHN和TS的平均R2值分别为0.940±0.015和0.920±0.020,表明模型对未见数据具有稳定预测能力。归一化训练中MAE=0.26、R2=0.97,物理单位测试中MAE分别为1.0(VHN)和2.0(TS)。
**3.2 ANN学习曲线**
学习曲线显示训练损失与验证损失迅速收敛且间隙稳定,验证了模型未发生过拟合,成功学习了输入-输出间的隐含物理规律。
**3.3 预测能力**
内部测试结果显示:VHN预测R2=0.939、MAE=1.0、RMSE=1.0;TS预测R2=0.919、MAE=2.0、RMSE=2.0。实际值与预测值线性拟合图高度对齐。
**3.3.1 参数相关性分析(线性重要性)**
Pearson相关系数显示,转速(RPM)与VHN(r=0.65)和TS(r=0.55)均呈最高正相关,行进速度(SPEED)次之,倾斜角(TA)最弱。
**3.3.2 随机森林特征重要性**
RF分析表明,RPM是影响VHN和TS的最重要参数(贡献率分别为48%和42%),SPEED次之,TA最小。该排序与Pearson相关性分析一致,双重验证了RPM的主导地位。
**3.5 验证**
针对7组全新工艺参数组合的独立验证实验,ANN模型预测值与实测值间MAE为0.486(VHN)和0.90(TS),误差低且稳定,证明模型具有良好的泛化能力。
**3.5.1 基线模型与ANN消融**
与线性回归、支持向量回归、XGBoost等基线模型以及简化的ANN(3-4-4-2)对比,当前ANN(3-6-6-2)结构取得最高R2值,表明适度的模型复杂度有助于捕捉非线性交互。
**3.5.2 输入消融分析**
剔除RPM导致模型R2下降最大(VHN降27%,TS降24%),进一步证实RPM的关键作用;剔除TA仅引起2-4%下降,说明其影响最弱。
**3.5.3 残差诊断与不确定性估计**
残差图呈现随机分布,无系统性偏差;Bootstrap聚合方法给出95%置信区间,量化了预测不确定性。
**3.6 分组交叉验证稳健性**
LOPCO(留一参数组合)导致R2下降6-7%;LOFLO-RPM(留一转速水平)导致R2下降24-27%;LOFLO-TA(留一倾斜角水平)仅下降2-4%。分组验证再次确认RPM是模型准确性的决定性因素。
**3.7 可解释人工智能(XAI)技术**
置换重要性(PI)分析显示RPM对VHN和TS的PI得分最高;偏依赖(PD)图揭示了RPM对两个输出变量均呈强非线性正影响,与RF分析一致。
**3.8 三重复实验噪声量化**
两组工艺参数下的三重复实验(各3次)显示低标准差(SD),验证了测量数据的可重复性,即模型误差与实验噪声可分离。
**3.9 中水平插值运行测试**
三组中水平参数(M1-M3)的插值实验中,ANN预测值与实测值高度吻合,绝对值误差仅0.3(VHN)和1.5(TS),表明模型具有良好的内插能力。最终平均预测值为VHN=121.66、TS=329.66 MPa。
**讨论与结论**
讨论部分指出,模型中出现的少量预测值与实测值之间的尖峰/低谷可能源于未纳入的工艺参数(如轴向力、工具几何形状)以及FSAM设备振动导致的转速波动。结论部分总结如下:
模型表现出稳定且优异的预测性能,经5折交叉验证确认,VHN和TS的平均R2分别为0.940±0.015和0.920±0.020。VHN和TS的MAE、RMSE和R2误差分别为1.0、2.0、0.939和1.0、2.0、0.919。针对7组新参数组合的独立验证显示了低且一致的误差,证明模型能够预测新工艺参数组合。RPM被确认为唯一主导工艺参数,其剔除导致模型精度急剧下降(R2损失高达27%)。PI和PD分析表明RPM对VHN和TS均具有最高重要性分数。中水平插值测试表明模型学习了输入与输出间的隐含关系,显微硬度和拉伸强度的平均预测值分别为121.66 VHN和329.66 MPa。当前模型仅限三个工艺参数,未来工作可纳入工具几何、轴向力、预热冷却及道次数等参数,并探索屈服强度、疲劳分析、延伸率及表面粗糙度等其他输出响应。