《Modelling》:Lean Management, Discrete Event Simulation, and Virtual Reality in Hemodialysis Units: A Scoping Literature Review and Evidence Gap Analysis
Joseph Jabbour,
Jalal Possik,
Adriano O. Solis,
Charles Yaacoub,
Sina Namaki Araghi and
Gregory Zacharewicz
编辑推荐:
一个基于人工神经网络(ANN)模型的研究方案将用于预测AA8090合金摩擦搅拌增材制造(FSAM)的显微硬度(VHN)和抗拉强度(TS)。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°
一个基于人工神经网络(ANN)模型的研究方案将用于预测AA8090合金摩擦搅拌增材制造(FSAM)的显微硬度(VHN)和抗拉强度(TS)。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)。使用5折交叉验证和分组验证(LOPCO、LOFLO-RPM和LOFLO-TA)评估模型鲁棒性水平。在5折交叉验证下,ANN的平均R2值分别为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,而在物理单位测试中,MAE值分别为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性相符,如ANN模型在训练、交叉验证、内部测试和独立验证上表现一致所示。特征重要性分析表明,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模型是一个可靠且完善的系统,可用于优化和复制AA8090合金上其他摩擦搅拌处理方法的过程。
摩擦搅拌增材制造(Friction Stir Additive Manufacturing, FSAM)是摩擦搅拌焊接(Friction Stir Welding, FSW)的先进形式,通过堆叠同尺寸板材并利用旋转工具摩擦生热实现塑性变形与层间结合。AA8090合金作为第二代Al-Li合金,密度低于常规铝合金(如2014和2024)达10%,模量高出11%以上,在轻量化领域具有应用潜力。过程参数(旋转速度、行进速度、倾斜角)直接影响FSAM制件的显微硬度(VHN)和抗拉强度(TS),但现有研究未系统建立参数与力学性能间的预测模型,尤其缺乏对最佳参数组合的定量优化。为此,研究人员基于人工神经网络(Artificial Neural Network, ANN)构建预测框架,旨在填补这一空白,为FSAM工艺提供可靠的过程优化工具。该论文发表在《Modelling》。
为开展研究,研究人员采用了响应面法-中心复合设计(RSM-CCD)生成74组实验数据,构建三层隐藏层(3-6-6-2拓扑)的ANN模型,使用Adam优化器和均方误差(Mean Squared Error, MSE)损失函数进行训练。通过5折交叉验证、留一参数组合验证(LOPCO)、留一因子水平验证(LOFLO-RPM和LOFLO-TA)以及7组独立外部实验评估鲁棒性。利用Pearson相关系数和随机森林(Random Forest, RF)特征重要性分析参数影响,辅以置换重要性(Permutation Importance, PI)和偏依赖(Partial Dependence, PD)图进行可解释性分析。此外,通过6组三重复实验量化实验噪声,3组中水平插值实验测试模型插值能力。所有实验均在V.1.0型FSP机上进行,板材为AA8090,工具为H13工具钢(圆柱形轮廓)。
研究结果如下:
**3.1 模型性能**:模型在归一化训练中达到MAE=0.26和R
2=0.97,训练损失从0.97降至0.1,学习曲线显示训练与验证损失收敛且间隙小,表明模型未过拟合,成功学习了物理趋势。5折交叉验证平均R
2为0.940±0.015(VHN)和0.920±0.020(TS),标准偏差低,验证了数据稳定性。
**3.2 ANN学习曲线**:通过分析训练与验证损失曲线,确认模型具有良好的泛化能力,未出现显著过拟合,即使在有限数据下也能捕捉输入与输出的隐含关系。
**3.3 预测能力**:VHN预测R
2=0.939、MAE=1.0、RMSE=2.0;TS预测R
2=0.919、MAE=2.0、RMSE=2.0。实际值与预测值线性拟合显示高度重合。Pearson相关分析表明旋转速度(RPM)与VHN(r=0.65)和TS(r=0.55)相关性最高。随机森林特征重要性显示RPM对VHN和TS的贡献分别为48%和42%,行进速度(SPEED)次之,倾斜角(TA)最小。两种方法一致确认RPM为最主导参数。
**3.4 相关系数**:统计图显示RPM与VHN和TS呈最强线性正相关,SPEED和TA影响较弱。
**3.5 验证**:7组独立验证实验显示VHN的MAE=0.486,TS的MAE=0.90,误差低且一致,证明模型对新参数组合的泛化能力。基线模型对比中,当前ANN(3-6-6-2)优于简单ANN(3-4-4-2)及线性回归、支持向量回归、XGBoost等经典模型。输入消融分析表明剔除RPM导致R
2下降最大(VHN损失27%),确认RPM的关键作用。残差诊断显示随机散点,无系统偏差;Bootstrap法提供95%置信区间,量化预测不确定性。
**3.6 分组交叉验证**:LOPCO导致R
2下降6-7%,LOFLO-RPM下降24-27%(证明RPM极端重要),LOFLO-TA仅下降2-4%(证明TA影响最弱),进一步验证了参数重要性层次。
**3.7 可解释AI技术**:置换重要性确认RPM得分最高;偏依赖图显示RPM对VHN和TS呈强非线性递增趋势,而SPEED和TA影响平缓。
**3.8 三重复实验**:两参数设置下的三次重复实验标准差低(如VHN标准差0.5-1.0),证明实验测量重复性良好,模型误差与固有噪声可分离。
**3.9 中水平插值运行**:三个中水平参数(M1-M3)的预测值与实验值绝对误差小(VHN最大0.3,TS最大1.5),表明模型具有优秀的插值能力,成功学习了输入与输出间的隐含物理关系。模型预测的平均VHN为121.66,平均TS为329.66 MPa。最大误差对应参数组合:VHN为1500 rpm/65 mm/min/1°,TS为2000 rpm/65 mm/min/1°。
研究讨论部分指出,实验值与预测值图中出现的尖峰与凹陷可能源于两个因素:未考虑轴向力和工具几何等过程参数(这些参数同样影响热量生成与材料流动),以及FSAM机器振动导致RPM成为潜在离群点。结论部分翻译如下:模型表现出稳定且优异的预测性能,通过5折交叉验证确认,VHN平均R
2为0.940±0.015,TS为0.920±0.020。VHN的MAE、RMSE和R
2分别为1.0、2.0和0.939;TS分别为1.0、2.0和0.919。对7种新参数组合的验证测试显示低且一致的误差,证明模型预测新参数组合的能力。RPM被识别为最主导的过程参数,其移除导致模型精度严重下降(R
2损失高达27%)。置换重要性和偏依赖分析表明RPM对VHN和TS具有最高重要性得分。实验值与预测值图中的尖峰/凹陷可归因于过程中机器振动,证明RPM是系统中潜在的离群点。中水平插值测试表明模型学习了输入与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。当前模型仅限三个过程参数,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。此外,屈服强度、疲劳分析、伸长率和表面粗糙度等输出参数也可进一步研究。