基于机器学习的Ti-29Nb-13Ta-4.6Zr (TNTZ) 微EDM的预测建模
Shahid Ali1, Didier Talamona1, Asma Perveen2
1Mechanical and Aerospace Engineering, Nazarbayev University, 010000, Astana, Kazakhstan.
Scientific reports
|July 2, 2025
概括
研究人员探索了微电放电加工 (μ-EDM) 用于生物相容的合金. 机器学习模型,特别是人工神经网络 (ANN),准确地预测了性能,克服了传统模拟的局限性.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造过程 制造过程 制造过程
- 生物相容性材料 生物相容性材料
背景情况:
- 虽然Ti-6Al-4V合金很有用,但由于 (Al) 和 (V) 的存在,造成了毒性问题.
- 对生物相容的合金的需求越来越大,这些合金包含诸如 (Zr), (Ta) 和 (Nb) 等元素.
- 这些先进合金的传统加工具有挑战性和低效率,特别是在微量级.
研究的目的:
- 为了评估新型TNTZ (Ti-29Nb-13Ta-4.6Zr) 合金的微电放电加工 (μ-EDM) 性能.
- 研究关键输入参数 (电压,电容) 对μ-EDM输出响应 (VMR,OC,CErr,SFR) 的影响.
- 开发和比较机器学习模型 (MLR,DTR,ANN) 以准确预测μ-EDM性能.
主要方法:
- 在TNTZ合金上使用碳化电极进行了微电放电加工 (μ-EDM) 实验.
- 关键参数有所变化:电压 (80-130 V) 和电容 (10-400 nF) 在恒定输入速率 (0.09 mm/s) 的情况下.
- 机器学习算法,包括多重线性回归 (MLR),决策树回归器 (DTR) 和人工神经网络 (ANN),用于预测建模.
主要成果:
- 人工神经网络 (ANN) 模型与MLR和DTR相比,显示出更高的预测准确性.
- 安恩实现了0.99的高R平方 (R2) 值和0.0245.5的低规范化根平均平方误差 (NRMSE).
- 该ANN模型预测了μ-EDM性能,误差小于5%,有效地处理实验变化.
结论:
- μ-EDM是一种可行的技术,用于加工先进,生物相容的TNTZ合金.
- 机器学习,特别是ANN,提供了一种强大而准确的方法来预测和优化μ-EDM过程参数.
- 开发的ANN模型可以可靠地指导加工设置,以高效地微型制造TNTZ合金.
