通过数据驱动的预测谷粒大小和外围粗粒缺陷形成的智能挤出
Marco Negozio1, Lorenzo Donati2, Adrian H A Lutey3
1Department of Engineering for Industrial Systems and Technologies (DISTI), University of Parma, Parco Area delle Scienze, 181/A, 43124, Parma, Italy. marco.negozio@unipr.it.
Scientific reports
|March 20, 2025
概括
本研究引入了一种数据驱动的机器学习方法,用于预测挤出型材的粒度和外围粗粒度 (PCG) 缺陷. 与传统技术相比,这种方法提高了预测准确性和效率.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 机器学习应用 机器学习应用
背景情况:
- 优化挤压AA6XXX汽车型材的机械和碰撞性能需要了解粒度演变和外围粗粒 (PCG) 缺陷形成.
- 这种分析的常规实验方法耗时,资源密集,经常导致保守的过程参数,限制了生产效率.
研究的目的:
- 开发和验证一种基于数据的方法,用于预测AA6XXX合金配置文件中的颗粒大小和PCG形成.
- 与现有的分析模型相比,提高微结构预测的准确性和效率.
- 展示这些预测在智能制造环境中的应用.
主要方法:
- 结合有限元法 (FEM) 模拟数据与实验微观结构观测.
- 训练机器学习 (ML) 算法,特别是人工神经网络 (ANN),用于分类和回归任务.
- 在各种挤出条件下从两个不同的AA6082合金型号收集了超过22,000个数据点,并进行了超参数优化.
主要成果:
- 与分析模型 (10.1%虚假负面,18.1%虚假阳性) 相比,拟的ML模型实现了显著提高PCG形成预测准确度 (5.8%虚假负面,3.9%虚假阳性).
- 颗粒大小预测的准确性要高得多,平均平方误差 (MSE) 为9.77μm2,而分析模型的误差为48.3μm2.
- 生成的PCG和粒度大小图说明了预测模型的实际应用.
结论:
- 数据驱动的ML方法提供了一个更准确和更有效的替代方案,用于预测挤出型材中的粒径和PCG形成.
- 这种方法可以为优化制造流程和提高汽车零部件质量做出重大贡献.
- 开发的预测地图是智能制造环境的宝贵工具,可以更好地控制工艺和材料设计.
