优化2024-T3合金摩擦接使用随机森林,XGBoost和MLP机器学习技术
相关实验视频
Updated: Jun 28, 2025
07:18
Generating Lap Joints Via Friction Stir Spot Welding on DP780 Steel
Published on: August 13, 2019
6.9K
Piotr Myśliwiec1, Andrzej Kubit2, Paulina Szawara3
1Department of Materials Forming and Processing, Rzeszow University of Technology, al. Powst. Warszawy 8, 35-959 Rzeszów, Poland.
Materials (Basel, Switzerland)
|April 13, 2024
概括
这项研究利用机器学习优化了合金的摩擦接接 (FSW). 优化的参数实现了93%的联合效率,提高了接质量和工艺效率.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 计算材料科学科学 计算材料科学
背景情况:
- 摩擦接 (FSW) 是合金的关键固态连接工艺.
- 优化FSW参数对于实现高质量的接至关重要.
- 先进的分析技术可以提高接过程的优化.
研究的目的:
- 为了优化1.6毫米厚的2024T3合金板的摩擦接接 (FSW) 参数.
- 评估机器学习 (ML) 模型在预测和优化FSW参数方面的有效性.
- 为了在FSW过程中实现最大的关节强度和效率.
主要方法:
- 使用3x3的因数设计来研究工具旋转和接速度.
- 机器学习模型 (随机森林,XGBoost,MLP-ANN) 使用网格搜索进行了优化.
- 响应表面方法 (RSM) 用于参数优化和强度预测.
主要成果:
- ML模型在FSW的参数回归中实现了超过98%的准确性.
- 优化FSW参数使得相对于基材的联合效率达到93%.
- 静态拉力测试显示,在最终优化之前,基材的87%具有最大关节强度.
结论:
- 先进的分析技术,包括ML和RSM,显著提高FSW过程的增强.
- 优化FSW参数对于最大限度地提高合金的接质量和效率至关重要.
- 这项研究表明了优化固态接工艺的强大方法.
