相关实验视频
Updated: May 20, 2025
09:13
Experimental Multiscale Methodology for Predicting Material Fouling Resistance
1.4K
基于神经网络的逆向传播预测模型用于碳酸的磁修复化学抛光
Huazhuo Liang1, Wenjie Chen1, Youzhi Fu1
1School of Mechatronic Engineering, Guangdong Polytechnic Normal University, Guangzhou 510665, China.
Micromachines
|March 27, 2025
概括
通过分析工艺参数,优化了碳化 (SiC) 的磁铁神经化学抛光. 一个反向传播 (BP) 神经网络准确地预测了材料去除速率和表面质量,有助于过程控制.
科学领域:
- 材料科学 材料科学 材料科学
- 表面工程是什么?表面工程是什么?
- 化学工程是化学工程的重要组成部分.
背景情况:
- 磁修化学抛光 (MRCP) 结合了机械和化学作用,用于增强表面加工.
- 单晶碳化 (SiC) 是半导体和高功率电子应用中的关键材料,需要精确的表面质量.
- 优化MRCP参数对于高效和高质量的SiC加工至关重要.
研究的目的:
- 调查关键工艺参数在SiC的MRCP过程中对材料去除率 (MRR) 和表面质量的影响.
- 使用反向传播 (BP) 神经网络开发MRR和表面粗性的预测模型.
- 为在线监测和优化SiC的MRCP流程建立一个框架.
主要方法:
- 在单晶SiC上对MRCP的实验分析,包括磨料大小,过氧化度,旋转速度,磨料度,碳酸铁粉度和加工间隙等不同参数.
- 开发和训练一个反向传播 (BP) 神经网络,以建模过程参数和抛光结果之间的关系.
- 使用实验数据验证预测模型,通过平均绝对百分比误差评估准确性.
主要成果:
- MRR与磨砂剂颗粒大小,过氧化度和旋转速度呈现出非单调的关系,最初增加,然后减少.
- 随着磨料和碳酸铁粉度更高,MRR显示持续增加.
- 增加加工间隙导致MRR下降,而表面粗度在增加之前最初下降.
结论:
- 该研究成功地确定了MRCP参数的最佳范围,以实现SiC所需的材料去除率和表面质量.
- 在预测MRR和表面质量方面,BP神经网络模型显示出高准确度 (平均绝对百分比误差<2%).
- 开发的预测模型对于SiC制造中的实时过程控制和优化非常有价值.
