人工神经网络用于模拟火花等离子体烧结粉的机械和微结构性质
Katarzyna Peta1, Jakub Wiśniewski2, Piotr Siwak1
1Institute of Mechanical Technology, Poznań University of Technology, 1 Rychlewskiego, 61-131 Poznań, Poland.
Materials (Basel, Switzerland)
|March 14, 2026
概括
本研究介绍了一种人工智能驱动的方法,使用火花等离子烧结 (SPS) 来优化316L不钢的性能. 开发的人工神经网络 (ANN) 模型准确预测智能制造的机械和微观结构特征.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 人工智能的人工智能
背景情况:
- 316L不钢的表面功能对于工业应用至关重要.
- 闪电等离子烧结 (SPS) 是一种先进的制造技术.
- 优化材料性能需要理解复杂的参数关系.
研究的目的:
- 开发基于人工智能的模型,以优化316L不钢的机械和微结构性质.
- 建立SPS参数和材料特性之间的关系.
- 为工业实施验证预测模型.
主要方法:
- 使用人工神经网络 (ANN) 进行建模.
- 进行受控实验,收集SPS参数 (温度,时间) 和材料特性 (密度,多孔性,硬度,碳化物区域深度) 的数据.
- 使用R2 (>0.95) 和SSE (<0.02) 评估模型性能.
主要成果:
- 开发了ANN,准确地建模了SPS参数和316L不钢特性之间的关系.
- 实现了高模型性能,R2>0.95和SSE<0.02.
- 验证了用于工业用途的预测模型的可靠性.
结论:
- 这种人工智能驱动的方法有效地模拟和优化了通过SPS生产的316L不钢的性能.
- 经过验证的预测模型适用于智能制造应用.
- 这种方法提高了在先进制造中对材料性能的控制和可预测性.
