神經(jīng)網(wǎng)絡算法下汽車鑄造性能優(yōu)化

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了神經(jīng)網(wǎng)絡算法下汽車鑄造性能優(yōu)化范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：為了進行汽車用高強鋁合金鑄造性能優(yōu)化，本文以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數(shù)，以合金的流動性作為輸出層參數(shù)，選用Purelin函數(shù)、Tansig函數(shù)和Trainlm函數(shù)分別作為神經(jīng)網(wǎng)絡模型的輸出層傳遞函數(shù)、隱含層傳遞函數(shù)、訓練函數(shù)，采用神經(jīng)網(wǎng)絡算法構(gòu)建了4×16×4×1四層拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡模型。進行了神經(jīng)網(wǎng)絡模型的學習訓練、預測分析以及未經(jīng)學習訓練樣本的驗證。結(jié)果表明，神經(jīng)網(wǎng)絡模型經(jīng)過8892次迭代運算后收斂，模型的相對訓練誤差是3.50%～6.41%，平均相對訓練誤差是4.76%；相對預測誤差是4.25%～5.56%，平均相對預測誤差4.88%。神經(jīng)網(wǎng)絡模型預測能力較強，預測精度較高，可以用于汽車用高強鋁合金鑄造性能優(yōu)化預測。

關鍵詞：鑄造性能；流動性；神經(jīng)網(wǎng)絡算法；高強鋁合金；優(yōu)化模型

鑄造鋁合金在輕量化進程不斷推進的今天具有廣闊的應用前景，也極具研究價值。林佳武等[1]進行了真空高壓鑄造鋁合金車身后縱梁輕量化設計。王永飛等[2]研究了ZL104鋁合金連桿半固態(tài)擠壓鑄造工藝。朱大智[3]研究了鑄造鋁合金車輪水冷模具。李家奇等[4]對ZL201鑄造鋁合金副車架熱裂傾向性進行了理論研究。張殿杰等[5]對薄壁輪輻鋁合金輪轂低壓鑄造工藝進行了計算機仿真及試驗驗證。索小娟等[6]分析了電磁鑄造攪拌頻率對汽車用A356鋁合金組織和性能的影響。陳仁桂等[7]研究了7075鋁合金2540mm×550mm規(guī)格扁錠鑄造工藝。但是，在工業(yè)化生產(chǎn)中鋁合金的鑄造性能特別重要，它是改善產(chǎn)品質(zhì)量，提高生產(chǎn)效率，降低生產(chǎn)成本的重要影響因素。但是鋁合金鑄造性能的影響因素眾多，如果單靠實物試驗將耗費大量的人力、物力和財力，且研發(fā)效率低下。神經(jīng)網(wǎng)絡是一種基于計算機的人工智能技術(shù)，在產(chǎn)品工藝和性能優(yōu)化等領域具有成功應用。于文濤等[8]基于神經(jīng)網(wǎng)絡技術(shù)進行了鋁合金汽車輪轂低壓鑄造工藝優(yōu)化。馮瑞等[9]基于應變補償和BP神經(jīng)網(wǎng)絡技術(shù)研究了BT25鈦合金本構(gòu)關系。王春暉等[10]基于BP神經(jīng)網(wǎng)絡技術(shù)構(gòu)建了BSTMUF601高溫合金蠕變本構(gòu)模型。但是，目前關于鋁合金鑄造性能的神經(jīng)網(wǎng)絡優(yōu)化還鮮有報道。為此，本文嘗試采用神經(jīng)網(wǎng)絡算法進行汽車用高強鋁合金鑄造性能優(yōu)化。

1神經(jīng)網(wǎng)絡模型

采用神經(jīng)網(wǎng)絡算法，構(gòu)建汽車用高強鋁合金鑄造性能優(yōu)化的神經(jīng)網(wǎng)絡模型。以Al-7Si-xM（x代表合金元素的百分含量，此處取值范圍0～1.0；M代表合金元素，在Cu、Mg、Ti、V四種合金元素中選擇其中一種）汽車用高強鑄造鋁合金為研究對象，采用4×16×4×1四層拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡模型，如圖1所示。模型由輸入層、輸出層和隱含層三大部分組成。其中輸入層旨在向神經(jīng)網(wǎng)絡模型輸入汽車用高強鋁合金鑄造性能優(yōu)化緊密相關的4個神經(jīng)單元（即4個輸入?yún)?shù)，分別為：合金元素、元素含量、熔煉溫度、澆注溫度）；隱含層旨在進行內(nèi)部運算，包括擁有16個神經(jīng)單元的隱含層1和4個神經(jīng)單元的隱含層2，隱含層數(shù)據(jù)間的傳遞選擇Tansig函數(shù)來實現(xiàn)；輸出層旨在輸出模型運算和預測分析結(jié)果，輸出層數(shù)據(jù)間的傳遞選擇Purelin函數(shù)來實現(xiàn)。上述4個輸入層參數(shù)取值如表1所示。為了減少模型計算量，提高計算效率和準確性，所有輸入?yún)?shù)進行了歸一化處理。以鋁合金流動性作為評價指標，輸出層參數(shù)選用合金的流動性，以熔融鋁合金液體的流程長度進行表征。為了避免模型計算結(jié)果超出系統(tǒng)限值，提高模型預測效果，對模型輸出參數(shù)進行了歸一化逆運算。

2試驗材料及方法

以Al-7Si-xM汽車用高強鑄造鋁合金為基礎，隨機選取上述表1所示的24種組合進行鑄造試驗，獲得不同參數(shù)下鑄造的24個汽車用高強鋁合金試樣。熔煉在YFL-50型感應熔煉爐中進行，澆注模具采用自制模具，澆注前模具預熱溫度300℃。合金試樣采用自制金屬型模具進行澆注，測試試樣結(jié)構(gòu)及尺寸如圖2所示。在試驗過程中，將熔融的鋁合金液體澆入金屬鑄型中，測量出熔融鋁合金液體的流程長度。流程長度越大，說明試樣流動性越好，試樣鑄造性能越佳；反之，流程長度越小，說明試樣流動性越差，試樣鑄造性能越差。

3模型訓練及預測驗證

3.1模型訓練

汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型的訓練參數(shù)為：函數(shù)選擇Trainlm函數(shù)、速率設置0.02、動量因子設置0.8、期望誤差設置1×10-5、其它參數(shù)則選用Matlab系統(tǒng)默認值。從前述試驗獲得的24組試驗數(shù)據(jù)中隨機選取18組數(shù)據(jù)，作為訓練樣本數(shù)據(jù)，如表2所示。神經(jīng)網(wǎng)絡模型的訓練性能曲線如圖3所示。從表2和圖3可以看出，模型經(jīng)過8892次迭代運算后實現(xiàn)收斂，訓練性能曲線平滑，模型的相對訓練誤差（神經(jīng)網(wǎng)絡模型輸出訓練值和試驗值之差的絕對值與試驗值的百分比）在3.50%～6.41%，相對訓練誤差小于6.5%，平均相對訓練誤差4.76%，相對訓練誤差較小，模型具有較好的訓練性能，能較真實地反應神經(jīng)網(wǎng)絡模型各輸入?yún)?shù)（合金元素、元素含量、熔煉溫度、澆注溫度）與輸出參數(shù)（流動性）之間的內(nèi)在聯(lián)系，建立各輸入?yún)?shù)與輸出參數(shù)間的對應關系。

3.2模型預測驗證

汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型的預測驗證樣本數(shù)據(jù)來源于試驗所得數(shù)據(jù)中尚未學習訓練的剩余6組試驗數(shù)據(jù)。表3是汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型的驗證樣本具體數(shù)據(jù)以及驗證分析結(jié)果。從表3可以看出，神經(jīng)網(wǎng)絡模型的相對預測誤差（神經(jīng)網(wǎng)絡模型輸出預測值和試驗值之差的絕對值與試驗值的百分比）介于4.25%～5.56%，相對預測誤差小于6%，平均相對預測誤差4.88%。由此可以看出，本文構(gòu)建的汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型可以獲得較低的相對預測誤差，擁有較強的鑄造性能預測分析能力，同時還有比較優(yōu)異的預測精度，能準確地反映神經(jīng)網(wǎng)絡模型各輸入?yún)?shù)（合金元素、元素含量、熔煉溫度、澆注溫度）與輸出參數(shù)（流動性）之間的內(nèi)在聯(lián)系，建立各輸入?yún)?shù)與輸出參數(shù)之間的對應關系，可用于汽車高強鋁合金鑄造性能優(yōu)化預測。

4結(jié)論

（1）以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數(shù)，以Al-7Si-xM（x代表合金元素的百分含量，M代表合金元素）汽車用高強鑄造鋁合金流動性作為輸出層參數(shù)，選用Purelin函數(shù)、Tansig函數(shù)和Trainlm函數(shù)分別作為神經(jīng)網(wǎng)絡模型的輸出層傳遞函數(shù)、隱含層傳遞函數(shù)、訓練函數(shù)，建立了具有4×16×4×1四層拓撲結(jié)構(gòu)的高強鑄造鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型，完成了較高精度的汽車用高強鑄造鋁合金鑄造性能優(yōu)化預測。（2）汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型經(jīng)過8892次迭代運算后收斂，模型的相對訓練誤差介于3.50%～6.41%，平均相對訓練誤差4.76%。（3）汽車用高強鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡模型的相對預測誤差介于4.25%～5.56%，平均相對預測誤差4.88%，模型預測能力較強，預測精度較高，可以用于汽車用高強鋁合金鑄造性能優(yōu)化預測。

作者:葉進寶 陳建華 李相軍 單位:邯鄲職業(yè)技術(shù)學院 河南理工大學材料科學與工程學院