Al-Mg-Ti合金材料利用神经网络和回归模型研究

Al-Mg-Ti合金材料利用神经网络和回归模型研究了增强和变形对赤泥纳米颗粒增强铝基复合金材料体积磨损的影响。采用sigmoid函数的激活函数，RMSE和MAPE, 4个输入参数，7个和6个神经元的2个隐含层，1个输出参数，即124个训练数据和20个测试数据。Al-Mg-Ti合金材料回归模型和人工神经网络模型的R2和MAPE分别为0.9775和0.989,MAPE分别为12.96和7.30%，人工神经网络模型的RMSE为0.3177。他们观察到，ANN方法对复合金材料磨损率的预测与数学回归模型具有极好的一致性，可以有效地减少时间、精力和成本。

Al-Mg-Ti合金材料采用人工神经网络和统计模型对挤压铸造工艺制备的A413/B4C复合金材料的硬度、极限抗拉强度和屈服强度进行建模。用18个数据进行测试，用9个数据进行测试，用双曲正切函数和线性传递函数作为激活函数，用算法和梯度下降动量BP算法作为训练算法。Al-Mg-Ti合金材料有三个输入层，三个输出层和50 + 50个神经元在两个隐藏层。训练和测试前数据在0-1范围内归一化。MSE、R和预测百分比误差作为系统的性能指标。他们用算法观察到最优的结构是隐含层数和神经元数为2，结果与实验值吻合较好。

Al-Mg-Ti合金材料采用33个3个水平3个因子的全设计因子设计输入变量与结果变量之间的联系，采用方差分析的实验设计(DOE)来确定各因子对响应的显著性。压力分别为70、105和140 MPa，模具预热温度分别为150、225和300℃，B4C率分别为4、8和12 wt.%。R2值为95.25%，调整后的R2值为93.83%，表明模型的有效性较高。挤压压力对力学性能影响较大，贡献约44-46%，B4C wt.%影响约33-43%，模具预热温度影响约9-16%。响应的p值均小于0.005。模具的压力、B4C速率和预热温度的最佳配比分别为140 MPa、12 wt.%和225℃，才能获得最大的力学性能。