机器学习辅助的进化优化孔质量和表面完整性在聚碳酸的磨砂式喷水钻井中
J Bharani Chandar1, C Rathinasuriyan2, N Lenin3
1Department of Mechanical Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Morai, Tamil Nadu, 600 062, India.
Scientific reports
|March 11, 2026
概括
磨砂式喷水加工 (AWJM) 有效地钻孔聚碳酸,随机森林模型准确预测性能. 萨尔普队伍优化为优越的孔质量确定了最佳设置,展示了一个强大的ML优化框架.
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
- 计算工程 计算工程 计算工程
背景情况:
- 压式喷水加工 (AWJM) 是聚合物基材料的关键非传统方法,提供诸如低热降解等优势.
- 在AWJM的挑战包括管理尺寸不准确性和表面损伤,特别是在精密钻井应用中.
- 聚碳酸是一种广泛使用的工程材料,需要控制的加工过程.
研究的目的:
- 调查磨削式喷水加工 (AWJM) 的性能,用于在聚碳酸中钻孔.
- 开发和比较用于预测钻探结果的机器学习 (ML) 模型.
- 使用进化算法优化AWJM过程参数,以提高孔质量.
主要方法:
- 进行了125个全因子实验试验,其中包括水压,阻隔距离和横行速率.
- 使用坐标测量机和基于笔的造型仪来测量角,圆形和表面粗度.
- 开发和评估了四个ML模型,包括随机森林 (RF),并使用了优化算法 (BBO,PSO,SSO,TWO).
主要成果:
- 随机森林 (RF) 模型表现出高预测精度,R2值高达0.92和低RMSE.
- 索尔普群群优化 (SSO) 被确定为最佳优化器,产生最佳设置 (Wp = 250 MPa,Sd = 1.5 mm,Tr = 300 mm/min).
- 最佳设置显著减少了道偏差,改善了圆形性和增强了表面粗度,预测值与实验结果密切匹配.
结论:
- 集成的ML和优化框架提供了一种强大的方法来提高AWJM在聚碳酸上的性能.
- 准确地预测和优化AWJM参数对于实现所需的尺寸精度和表面完善至关重要.
- 该研究验证了SSO在优化复杂加工过程中的有效性,为非传统制造业的进步做出了贡献.
