基于带有灰狼优化算法的反向传播神经网络,预测女性秒激光蚀刻参数
Yuhui Liu1, Duansen Shangguan1, Liping Chen1
1School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan 430074, China.
Micromachines
|August 29, 2024
概括
工程师现在可以快速预测激光蚀刻参数,使用一个新的反向传播神经网络 (BPNN),优化了灰狼算法 (GWO). 这种人工智能模型准确地预测了表面特征,在工业激光加工中节省了大量的时间和能量.
科学领域:
- 材料科学与工程 材料科学与工程
- 人工智能的人工智能
- 制造业 制造技术 制造技术
背景情况:
- 为工业应用优化激光处理参数是复杂且耗时的.
- 由于复杂的机制,现有的激光处理分析模型是有限的.
研究的目的:
- 开发激光蚀刻参数和表面特征的预测模型.
- 为了减少使用人工智能优化激光过程所需的时间和能量.
主要方法:
- 开发了一个与灰狼优化 (GWO) 算法集成的反向传播神经网络 (BPNN).
- 在Python中利用Keras API进行模型开发.
- 在30W激光源的实验数据上训练并验证了GWO-BPNN模型.
主要成果:
- 该GWO-BPNN模型准确地预测了多输入激光蚀刻参数 (能量,扫描速度,曝光次数).
- 该模型准确地预测了多输出表面特征 (深度,宽度).
- 获得了超过0.90的R平方 (R2) 得分,表明了出色的预测准确性.
结论:
- 开发的GWO-BPNN模型为预测激光蚀刻结果提供了快速而准确的解决方案.
- 这种由人工智能驱动的方法有助于工程师优化激光处理,减少实验力度和资源消耗.
