在直接ANN中选择网络参数 在FFF过程中获得的粗度的ANN建模
Irene Buj-Corral1, Maurici Sivatte-Adroer2, Lourdes Rodero-de-Lamo3
1Department of Mechanical Engineering, Barcelona School of Industrial Engineering (ETSEIB), Universitat Politècnica de Catalunya, Av. Diagonal, 647, 08028 Barcelona, Spain.
Polymers
|January 11, 2025
概括
这项研究优化了人工神经网络 (ANN) 模型,用于预测合丝制造 (FFF) 中的表面粗度. 具有7个神经元和55%训练数据的弹性反向传播算法实现了最佳准确性,突出显示了足够数据的重要性.
科学领域:
- 制造业 工程 制造工程
- 材料科学 材料科学 材料科学
- 计算智能是一种计算智能.
背景情况:
- 表面粗度是制造业的关键质量指标,特别是在增材制造工艺中,如化丝制造 (FFF).
- 人工神经网络 (ANN) 提供了一种强大的方法来建模复杂的关系,例如那些影响FFF表面粗度的关系.
- 网络网络模型的性能对其内部参数和训练数据的特征敏感.
研究的目的:
- 调查关键的人工神经网络 (ANN) 参数对合丝制造 (FFF) 表面粗度预测准确性的影响.
- 确定ANN参数的最佳配置,包括神经元数量,训练算法和数据分割比率,用于表面粗度建模.
- 分析数据集大小对ANN在FFF表面粗性背景下的预测性能的影响.
主要方法:
- 进行了125次合丝制造 (FFF) 实验,使用不同的定向角度,层高度和打印温度来测量平均粗度 (Ra).
- 使用反向传播算法开发和评估多层感知神经网络模型.
- 系统地测试了不同的ANN配置:不同的隐藏层神经元 (4-7),训练算法 (莱文伯格-马奎特,弹性反向传播,缩放结合梯度) 和数据分割 (70%-15%-15% vs. 55%-15%-30%).
主要成果:
- 最优的预测性能,以最低的平均绝对误差 (MAE) 表示,是使用具有7个神经元和55%的训练数据分割的弹性反向传播算法实现的.
- 随着培训数据集的大小的减少,观察到预测准确度的显著下降,这强调了大量数据的必要性.
- 该研究确定了特定的ANN参数设置,可为FFF工艺提供高度准确的表面粗度预测.
结论:
- 选择适当的ANN参数,特别是训练算法,神经元数量和数据分区策略,对于FFF中准确地预测表面粗度至关重要.
- 足够的训练数据对于在预测表面粗性方面提供强大可靠的ANN模型性能至关重要.
- 这项研究为优化FFF打印参数和ANN模型设计提供了宝贵的见解,以提高表面质量.
关键词:
在FDM的FDM.FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF聚乳酸是一种多乳酸.人工神经网络的人工神经网络反向传播算法算法反向传播算法数据集的分布数据集的分布.多层感知器多层感知器神经元的神经元的数量.表面的粗度 表面的粗度训练算法的训练算法
