基于AI的预测建模以及使用SFOA方法对黄麻/玻璃混合层压板钻孔性能的多目标优化

《Materials Today Communications》：AI-Driven Predictive Modeling and Multi-Objective Optimization of Drilling Performance in Jute/Glass Hybrid Laminates Using SFOA

　　阿伊莎·劳维西（Aissa Laouissi）| 纳赛尔·阿尔萨利赫（Naser Alsaleh）| 阿斯玛·本赫拉迪（Asma Benkhelladi）| 萨菲·卡乌拉（Safi Khaoula）| 海瑟姆·布梅迪里（Haithem Boumediri）| 亚辛·卡尔米（Yacine Karmi）| 萨巴·阿塔雅（Sabbah Ataya）| 吉多·迪贝拉（Guido Di Bella）

阿尔及利亚博尔杰布阿雷里杰大学（University of Bordj Bou Arreridj）科学与技术学院机械工程系，邮编34033

摘要：随着人们对环境可持续性的认识日益增强，含有可生物降解成分的复合材料的研发速度显著加快。在这一背景下，此类材料的加工，尤其是钻孔作业，由于结构异质性和热机械特性的复杂性，面临着巨大的科学挑战。本研究通过分析材料相关参数和工艺相关参数的组合对钻孔行为的影响，探讨了一种黄麻/玻璃混合复合材料的加工特性。这些参数包括用作化学表面处理的小苏打浓度、所使用的玻璃纤维类型、组分纤维之间的混合比例以及切削条件（如进给速度、主轴转速和钻头直径）。通过一系列钻孔实验，评估了三个关键指标：切削区域的峰值温度、铣削孔的表面质量以及钻孔开口的同心度偏差。随后对选定的输入参数与实验结果进行了系统相关性分析，以揭示控制加工过程的最重要因素。基于这些发现，利用机器学习和人工智能方法构建了预测模型。研究结果表明，玻璃纤维类型对表面粗糙度影响最大，主轴转速主要控制切削温度，而钻头直径是影响同心度误差的主要因素。在预测准确性方面，H-DNN-IGWO混合模型在所有测试方法中表现出优异的性能，平均绝对误差范围在0.055%到4.30%之间。

1. 引言

近年来，由于天然纤维增强聚合物基复合材料的显著优势（如低密度、竞争性成本、可生物降解性以及可与某些合成复合材料相媲美的特定机械性能），科学界和工业界对其兴趣日益浓厚[1]。然而，尽管具有这些优点，生物复合材料仍存在局限性，尤其是其机械强度和疲劳耐久性低于玻璃纤维、碳纤维或凯夫拉纤维增强的材料，这限制了其在关键结构应用中的使用。为克服这些缺点，目前的研究主要聚焦于混合化方法，即结合天然纤维（如亚麻、大麻、黄麻、剑麻或菠萝纤维）与合成纤维[2]。这种方法的关键在于开发出既能实现环境可持续性、轻量化、低成本，又能保证高机械性能、提高热稳定性和增强纤维均匀性的平衡配置，同时需考虑加工过程中的约束因素，尤其是钻孔操作[3]。Yazman等人[4]研究了对称混合堆叠对单向碳纤维增强塑料（OD CFRP）、玻璃纤维增强塑料（GFRP）和混合复合材料钻孔性能的影响。Erhan等人[5]指出，BFRP管的堆叠顺序会影响机械性能和钻孔效果，[±90/±30/±60]?的堆叠顺序性能最佳，但所需的推力较大。Yazman[6]发现，在钻孔连续纤维增强GFRP管时使用支撑结构可以减少分层、孔边损伤和表面粗糙度，并略微增加推力，同时有助于防止层间裂纹的扩展。

钻孔混合复合材料是一项重大的技术挑战，因为材料具有异质性，植物纤维具有各向异性，聚合物基体与增强纤维之间存在明显差异[7][8]。这些特性容易导致钻孔出现质量缺陷，如分层、过度粗糙以及圆形度、圆柱度和同心度等几何缺陷[9][10]。这些缺陷不仅影响尺寸精度，还降低组件的机械强度和耐久性。此外，由于刀具与材料之间的摩擦产生的切削温度会促使基体软化并使纤维偏移，进一步恶化钻孔质量[11]。

针对这些限制，近期关于天然纤维和混合纤维复合材料钻孔的研究主要集中在两个方面：一方面是切削参数、几何形状和钻头类型对钻孔质量和几何形状的影响；另一方面是基体类型、增强材料及填充剂的影响[12][13]。以往的研究主要集中在优化混合复合材料的切削参数，以减少几何缺陷并提高钻孔质量。统计方法、先进的优化技术以及基于机器学习和人工神经网络的预测技术已被成功应用于确定最佳钻孔条件。这些策略不仅能够减少粗糙度和几何缺陷，还能控制温度并延长切削工具的使用寿命。

Nassar等人[14]的研究专注于钻孔用枣椰纤维增强的聚丙烯基复合材料，探讨了主轴转速、钻头直径和进给速度的影响。分析表明，钻头直径对孔入口和出口处的分层程度的影响约为进给速度的三倍。通过响应面优化（RSM）、模糊逻辑和人工神经网络的优化显著降低了分层现象，证明了这种复合材料在工业应用中的潜力。Elhadi等人[15]也发现，在钻孔环氧树脂基黄麻/椰纤维复合材料时，进给速度是影响分层的主要因素，并指出低进给速度和适当的切削角度可以有效减少缺陷，同时提高钻孔的圆形度和圆柱度。Arslane等人[16]通过综合考虑多个指标（切削力、粗糙度、温度和分层情况），采用TOPSIS多标准方法优化了自然纤维复合材料的钻孔参数，找到了最佳配置（硬质合金钻头、适中转速和低进给速度），从而减少了缺陷并提高了加工质量。Raj等人[17]的研究表明，在钻孔天然纤维混合复合材料时，钻头角度是决定性参数。优化后的条件显著降低了推力，同时保证了良好的钻孔质量。Saravanakumar等人[18]研究了用Al?O?填料和蛋壳增强的香蕉纤维混合复合材料的钻孔过程，发现最佳配置（6毫米钻头、1420转/分钟的主轴转速和0.1毫米/转的进给速度）可最小化推力、扭矩和分层。Erturk等人[19]研究了切削温度对GFRP复合材料钻孔的影响，使用HSS-TiN钻头并在优化条件下显著降低了分层和切削力，同时发现较低的切削温度能延长工具寿命并减少热损伤。Kumar和Saha[20]的研究表明，亚麻纤维复合材料具有最佳的机械性能，而PALF复合材料则较弱。在混合材料中，H7型复合材料在抗拉强度、抗弯强度和抗冲击强度方面表现优异，同时具有良好的耐湿性和耐化学性。Saha等人[21]开发了用于汽车车门的碳/大麻/ Ramie混合复合材料，并利用机器学习预测其抗冲击性能和成本。Kar等人的研究[22]证实了涂层的TiN和TiCrN钻头能有效减少分层、粗糙度和圆形度误差。Benyettou等人[23]发现钻头尖端角度对枣椰纤维复合材料的钻孔质量影响显著，115°的钻头在圆形度和圆柱度方面表现最佳。Maou等人[24]研究了枣椰纤维增强生态友好的生物复合材料的钻孔过程，发现钻头直径是影响分层的主要因素。通过RSM和NSGA-II + SQP优化方法限制了分层现象，同时保证了良好的圆形度和圆柱度。

后续研究关注切削参数优化和多标准分析。Shah等人[25]发现，在钻孔玄武岩纤维增强复合材料时，进给速度对推力和分层影响最大，而钻头几何形状和主轴转速主要影响温度。Yarar等人[26]比较了不同类型的复合材料（环氧-玻璃、环氧-玄武岩和混合材料），发现材料类型主要影响温度，而进给速度控制推力。混合复合材料通常更高效，能够降低切削力和温度。?zsoy等人[27]分析了用TiN/TiAlN涂层钻头干钻玄武岩/玻璃混合复合材料的效果，发现材料类型对推力、温度和孔质量具有决定性影响。Kiratli和G?k?e[28]使用RSM和GRA优化了环氧树脂增强单向玻璃纤维和纳米粘土复合材料的钻孔过程，得出进给速度是最关键参数，其次是主轴转速，优化这些参数能有效减少分层。Kumar等人[29]研究了环氧/黄麻复合材料，并应用多种优化方法（RSM、GRA、GA、TLBO），发现进给速度主要影响推力，而主轴转速和钻头直径影响粗糙度。此外，多项研究采用数值模拟预测和优化复合材料钻孔过程。Liu等人[30]提出了用于热塑性碳纤维编织复合材料的3D FEM热机械模型，证实钻头直径是影响孔安全性的关键因素。?sik等人[31]使用元启发式方法（模拟退火和遗传算法）找到了CFRP复合材料的理想钻孔条件，实现了最小的粗糙度。Magyar和Geier[32]的研究表明，在钻孔BFRP和CFRP复合材料时，推力主要取决于材料类型，其次是进给速度，而主轴转速影响较小。Kanthamraj等人[33]发现钻孔PALF/香蕉纤维复合材料时，钻头直径是影响推力和分层的关键参数。ANN模型可靠地预测了钻孔质量，证明较小的钻头直径能获得更好的结果。Saha等人[34]研究了四种不同环氧树脂基竹纤维复合材料（S1–S4，含30%纤维），其中S2复合材料综合性能最佳（抗拉强度144.76 MPa、储能模量8.82 GPa、玻璃化转变温度111.72°C、吸水率4.49%），并推荐其用于汽车应用。S1复合材料具有低密度（1.02 g/cm3）和高储能模量（6.98 GPa），S3复合材料孔隙率最低（1.2%），S4复合材料成本低廉。Barik等人[35]采用了综合方法（MOORA、TOPSIS、VIKOR）优化了CFRP复合材料的钻孔过程，发现转速和钻头尖端角度对孔质量影响显著。Ge[36]比较了CF/PEKK（热塑性）和CF/环氧（热固性）复合材料的钻孔效果，发现CF/PEKK材料产生的推力和温度更高，但分层和孔质量更好，且孔径偏差较小。Ilhan[37]优化了PEKK/CFRP材料的钻孔过程，发现分层程度与进给速度成正比，并与主轴转速有关；开发的模型可有效优化参数以限制分层现象。Kannan等人[38]研究了香蕉纤维和椰壳复合材料的钻孔过程，发现壳填料比例是影响推力和分层的主要因素。Ouarhim[39]比较了层间和层内黄麻/玻璃混合复合材料的性能，发现堆叠顺序影响吸水率，层间复合材料吸水更多，实验结果与理论预测基本吻合（误差约10%）。艾哈迈德等人[40]的研究表明，在高强度混凝土中添加混合钢纤维/玄武岩纤维可以提高其热机械性能，其中0.5%的纤维含量能够获得最佳效果；而过量的纤维由于聚集效应会降低混凝土的强度。克拉克森等人[41]的研究显示，原位纤维尺寸调整能够提高拉伸强度（约40%），同时玻璃纤维层压复合材料的弯曲刚度显著增加（最高可达231%），从而在刚度和振动阻尼之间取得了平衡。普拉索布和萨西库马尔[42]的研究指出，填充ZrO?的黄麻/环氧复合材料在零下温度下也表现出更高的强度和更好的能量耗散性能。库马尔等人[43]发现，使用微波钻孔技术对香蕉纤维复合材料进行钻孔速度快（4-6秒），且无缺陷产生，纤维含量会影响钻孔速度和孔的质量。最后，雅卡等人[44]研究指出，对于玄武岩纤维增强的复合材料，使用切屑切割钻头并结合添加海洛斯石纳米管可以显著提高材料的加工性能，降低分层现象（-14.5%）、推力（-23.5%）以及表面粗糙度。

尽管有大量关于钻孔天然纤维复合材料的研究，但对于切削参数、切削温度、表面粗糙度和几何缺陷之间相互作用的理解仍然有限。在这些异质性和各向异性材料上进行加工时，同时控制圆度、圆柱度、同心度和粗糙度，并减少局部加热仍然是一个主要挑战。因此，本研究的目的是实验性地研究切削参数、钻头直径以及聚合物基体的混合复合材料（黄麻/玻璃）的制造条件对切削温度、表面质量和钻孔孔同心度缺陷的影响，并优化工艺以提高钻孔质量。为此，采用了基于机器学习的先进预测建模技术，结合了元启发式优化方法。预测性能通过多个误差指标（R2、SI、OBJ、RMSE、MAPE和MAE）进行评估，并通过散点图、直方图、蜘蛛图和泰勒图等可视化工具进行补充说明。

本研究的特点在于应用了Superb Fairy-Wren优化算法（SFOA）来优化黄麻/玻璃复合材料的钻孔过程。通过结合实验设计和机器学习，SFOA在全局搜索和局部搜索之间提供了有效的平衡，这一机制受到Superb Fairy-Wren鸟类协作行为的启发。这种创新的应用结合了近期开发的算法和几乎未被研究的环保复合材料，提高了优化效率，并为混合复合材料的可持续钻孔提供了实际指导。

2. 材料与方法
2.1 材料
在本研究中，选择了黄麻（J）和玻璃纤维作为聚酯树脂基体中的增强材料。这些增强材料有随机排列（RG）和编织（WG）两种形式，如图1所示。为了确保树脂的充分且均匀聚合，在树脂中加入了0%至2%的催化剂。在制备复合板材之前，黄麻纤维经过了表面处理，使用了三种不同浓度的碳酸氢钠（NaHCO3）溶液：0%、15%和30%，浸泡时间为12小时。随后进行了中和处理，然后用清水彻底冲洗纤维，并将其干燥至质量稳定。选择这种碳酸氢钠处理方法是因为它比传统的氢氧化钠（NaOH）处理更为温和且环保，旨在保护纤维的晶体结构，同时改善纤维与基体的结合。复合层压板是通过压缩成型工艺制备的。层压配置包括交替的对称序列，如J/J/J、J/WG/J、J/RG/J、RG/J/RG和WG/J/WG。为了确保实验的严谨性和材料的高均匀性，通过质量平衡计算将纤维体积分数（Vf）控制在35 ± 2%范围内。固化过程在180°C的温度下进行，压力为5 MPa。按照ASTM D2734的标准，最终复合板材的孔隙含量（Vv）低于3%。根据ASTM D792的测量方法，复合板材的厚度为5 ± 0.2 mm，密度在1.3至1.6 g/cm3之间。通过实验表征得出的组成材料的主要机械和物理性能如下表所示。

2.2 实验程序
所有钻孔实验均在CTX Beta 2000 TC CNC加工中心进行，使用的复合试样尺寸为150 mm × 15 mm。所选切削工具为高速钢（HSS）抛物线螺旋钻头，点角为130°，螺旋角为30°，直径分别为6 mm、8 mm和10 mm。表面粗糙度（Rq）通过Surftest PCE-RT1200接触式轮廓仪根据ISO 4287:2021 [45]标准进行测量，测针行程长度为2.5 mm，截止长度为0.8 mm。考虑到黄麻/玻璃复合材料的各向异性以及可能由加工引起的缺陷（如纤维拔出），采用了多平面采样策略。在每个钻孔孔的内周沿三个相隔120°的不同平面进行了三次独立测量，然后将这些测量的平均值计算出来，并附带95%的置信区间，以确保表面轮廓的统计代表性并最小化局部不规则性的影响[46],[47]。由此得到的平均值被用于后续分析。切削区域内产生的峰值温度由FLIR T650sc 559 12552红外热像仪捕获，该相机配备640 × 480像素的探测阵列和动态多光谱成像（MSXR）技术，能够测量-40 °C至650 °C范围内的温度。根据材料规格，发射率设置为0.85。相机距离切削区500 mm，观察角度约为45°。目标测量区域定义为刀具与工件的直接接触区域，钻孔过程中持续进行温度采集。每次钻孔过程中记录的最大温度值被保留用于分析。

根据ISO 1101:2017 [48]标准，同心度描述了圆柱形零件的实际轴线与参考轴线之间的偏差。它要求公差表面的圆形截面的中点位于指定直径的 tolerance 圆柱体内，且与参考轴线同轴。在钻孔操作中，这一参数是刀具导向精度、加工过程稳定性和孔的几何质量的关键指标。高同心度缺陷可能导致组装困难、过早磨损和不良的机械负荷分布。在本研究中，同心度缺陷C使用Hexagon制造的七轴绝对六足测量臂V2p 8820进行测量，并通过与RDS软件结合来获取和处理测量探头的数据。钻孔后的试样用硅胶材料固定在测量台上，以确保其稳定性并防止任何可能影响测量精度的运动。对于每个测试孔，预先定义了一个对应于试件入口表面的参考平面。然后通过在每个孔内表面均匀分布的四个点来确定同心度C。为了提高结果的可靠性，每个测量在相同的实验条件下重复三次，平均值用于分析。

2.3 实验设计
本研究的主要目的是评估六个关键参数（化学处理浓度（CC）、钻头直径（DD）、进给速度（Vf）、主轴转速（N）、玻璃纤维类型（TF）以及混合比例（H，通过不同的层压配置定义）对三个钻孔引起的响应的影响：表面粗糙度（Rq）、切削区域的峰值温度（T）和加工孔的同心度偏差（C）。实验设计采用了Taguchi正交数组L54（2 × 3?），适用于一个两水平因子和五个三水平因子。因子按照Taguchi的线性图分配到独立列中，以保持正交性。实验运行完全随机化，以避免系统偏差。虽然没有进行完全重复实验，但每个响应都测量了三次，并使用平均值来确保测量的重复性。为此，在不同的实验条件下进行了54次钻孔测试，输入参数的变化总结在表2中。实验程序示意图见图2。

表2. 输入参数水平
| 参数 | 水平 |
|------------------|--------------|
| 化学处理浓度 CC (%) | 0(-1) | 15(0) | 30(+1) |
| 钻头直径 DD (mm) | 6(-1) | 8(0) | 10(+1) |
| 进给速度 Vf (mm/min) | 100(-1) | 200(0) | 300(+1) |
| 主轴转速 N (rpm) | 500(-1) | 1000(0) | 1500(+1) |
| E型玻璃纤维 TF | RG(-1)/WG(+1) | J-J-J(-1) | J-G-J(0) | G-J-G(+1) |
| 混合比例 H | | | |

3. 结果与讨论
54次钻孔测试的结果分别关于表面粗糙度（Rq）、切削区域产生的最高温度（T）和同心度误差（C），汇总在表3中。粗糙度测量结果显示Rq值在1.54至4.64 μm之间，切削区域的温度范围为345至374 K。同心度的测量值在0.001至0.153 mm之间。统计分析表明，T的平均值为361.1 K，标准差为12.8，95%置信区间为357.6至364.6 K；C的平均值为0.047 mm，标准差为0.042 mm，95%置信区间为0.036至0.058 mm；Rq的平均值为2.76 μm，标准差为1.09 μm，95%置信区间为2.464至3.056 μm。这些结果表明测量变异性相对较低，且在测试条件下平均值具有统计可靠性。

表3. 钻孔测试的表面粗糙度（Rq）、切削温度（T）和同心度（C）的实验结果。

4. 结论
综上所述，化学处理浓度、钻头直径、进给速度、主轴转速、玻璃纤维类型和混合比例等因素对钻孔表面粗糙度、切削区域温度和孔同心度偏差都有显著影响。实验结果表明，选择合适的参数可以显著提高钻孔质量和加工精度。通过相关分析（如相关矩阵分析），可以看出输入变量之间的线性关系，例如切削速度与切削区域温度之间存在强正相关（r = 0.79），这与高速下切削力放大导致热量产生增加的现象一致。表面粗糙度与进给速度也有强相关性（r = 0.64），因为较高的进给速度会加剧机械应力，从而降低加工表面的质量。此外，温度与粗糙度之间的中等程度相关性（r = 0.46）表明温度升高会影响材料的加工形态。这些结果进一步强调了参数选择的有效性，增强了方法的稳健性和结果的可靠性。孔径（D）与同心度（C）和温度（r=0.39）之间存在中等程度的正相关，表明孔径的增加会降低几何精度并增加切削力，从而产生更高的温度[53]、[54]。同心度与化学处理百分比（CC）（r = ?0.37）、旋转速度（N）（r = ?0.34）、玻璃纤维类型（TF）（r = ?0.33）和混合比例（H）（r = ?0.31）存在中等程度的负相关，这表明孔的几何形状受到材料特性和工艺参数的强烈影响[55]。相比之下，某些关系，如TF–T、H–T和Rq–H，几乎为零，表明这些变量之间没有显著的线性相关性。使用NaHCO3作为NaOH的温和且环保的替代品有助于改善这些现象，因为它可以减少非纤维素杂质，同时保持纤维的晶体结构[56]、[57]。这种处理间接体现在同心度误差的降低和表面质量的提高上，突出了纤维-基体之间更好的互锁性和界面处更有效的应力传递[58]。本研究中观察到的表面粗糙度和几何精度的变化与混合系统中的已知失效模式一致。根据Giasin等人的研究[59]，不同纤维层（如交替的黄麻层和玻璃纤维层）之间的过渡会导致材料去除不均匀以及由于天然纤维和合成纤维之间的硬度差异而引起的局部纤维拔出。这种堆叠顺序是复合材料机械性能和后续加工性的主要决定因素[60]。此外，此处使用的特定板几何形状会影响工具-材料界面处的机械载荷分布，这一现象与比较性研究结果一致，即钻孔引起的应力在很大程度上取决于增强材料的结构和边界条件[61]。图3。

3.2. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DT-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.2. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DT-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DT-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DT-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DT-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DTN-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DTN-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DTN-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来检测模式、识别趋势并预测未来事件[63]。在机械加工领域，这些预测方法非常重要，因为它们可以帮助预测关键参数，如切削力、表面粗糙度和工具磨损，从而优化质量、生产率和工具寿命[64]。在这项工作中，钻孔技术参数的预测依赖于从机器学习和人工智能中选取的各种方法的组合，这些方法的选择旨在平衡模型的可解释性、预测的稳健性和泛化能力。传统方法，如决策树（DT）和支持向量机（SVM），分别具有易于过拟合的显式层次结构和依赖于核选择的高维稳健性[65]、[66]。为了提高它们的预测性能，开发了结合改进型灰狼优化器（IGWO）元启发式算法的混合版本H-DTN-IGWO和H-SVM-IGWO，以自动优化超参数，但代价是复杂性的增加[67]、[68]。类似地，H-DNN-IGWO利用了深度神经网络（DNN）的建模能力，并通过元启发式优化进行了增强，这提高了准确性，但需要大量的计算资源。更高级的模型包括图神经网络（GNN），能够处理复杂的关系结构，但需要大量的标注数据，以及自动机器学习神经架构搜索（NAS），它可以自动设计高性能的神经架构，但计算负担较大[69]。最后，集成提升方法，如轻量级梯度提升（LSBOOST）和极端梯度提升（XGB），以其效率和处理大规模异构数据集的能力而脱颖而出，尽管在可解释性方面仍有局限，并且容易过拟合[70]、[71]、[72]。
图3显示了输入变量的相关性矩阵。

3.3. 钻孔参数的预测建模
机器学习是人工智能的一个分支，它能够在无需特定编程的情况下基于数据进行预测和决策[62]。它使用回归、决策树、神经网络和集成等方法来因此，这些结果进一步强调了混合模型和集成方法，特别是H-DNN-IGWO，在有限的实验基础上提供了最佳的可靠性。图8。下载：下载高分辨率图像（585KB）下载：下载全尺寸图像。图8。使用泰勒图比较预测模型的性能。所进行的比较分析（R2、回归、散点指数、误差雷达和泰勒级数图）清楚地展示了混合模型和集成方法相对于简单模型的优越性。然而，除了预测准确性之外，在工程背景下选择模型时还需要考虑几个关键标准，如可解释性、计算成本以及对有限数据集的鲁棒性。基本模型如DT和SVM由于其在小型数据集（54次试验）中捕捉复杂关系的能力有限而表现不佳。尽管如此，它们在可解释性和实现便捷性方面仍具有优势，这对于初步分析或对现象的本质理解很有帮助。相比之下，通过元启发式算法优化的混合模型（H-DT-IGWO、H-SVM-IGWO、H-DNN-IGWO）以及集成方法（XGB、LSBoost）在准确性和鲁棒性之间提供了更令人满意的折中。通过IGWO进行超参数优化显著提高了泛化能力，尤其是在传统模型容易过拟合或表现不佳的小型数据集上。此外，集成方法如XGB和LSBoost因其稳定性和通过聚合多个弱模型来减少预测方差的能力而脱颖而出，这使它们特别适合需要可靠结果的工业应用。关于更高级的模型，如H-DNN-IGWO、GNN和NAS，虽然它们提供了非常高的预测性能，但其较高的计算成本和有限的可解释性在工业环境中可能成为重大限制，特别是在实时应用或物理分析现象时。因此，模型的选择取决于所需在简单性和性能之间的权衡：当需要物理解释和简单实现时，可能会优先选择经典模型；而在需要高准确性和鲁棒性时，特别是像本研究考虑的那样数据集有限的情况下，混合模型和集成方法（尤其是H-DNN-IGWO和XGB）似乎是最合适的解决方案。

3.4. SFOA钻孔参数的优化
多目标优化是解决需要同时满足多个相互冲突要求的工程问题的重要方法。与旨在找到单一解决方案的传统优化不同，这种方法强调了一组称为帕累托解的权衡方案，反映了性能、可靠性、能源成本和产品质量等不同标准之间的平衡。其优势在于能够探索解决方案空间并提供各种选择的全面视图，使工程师能够做出明智的决策，而不是拘泥于任意最优解。帕累托前沿成为一个战略参考点，展示了可能的权衡并突出了竞争目标之间的不可避免的紧张关系。在这种情况下，分析我们的结果尤为重要，因为它不是为了寻找单一的绝对解决方案，而是为了突出一系列最优方案，让用户可以自由地结合自己的偏好和约束。为此，使用了一种元启发式优化算法——Superb Fairy-wren Optimization Algorithm（SFOA）。
Jia等人[74]提出了Superb Fairy-wren Optimization Algorithm（SFOA），这是一种基于群体智能的新元启发式算法。该算法开发是为了模仿极佳拟鸲鸟的行为模式。SFOA包含三个阶段，模拟了对鸟类种群和生存至关重要的自然行为：
1. 幼鸟成长阶段（探索）：这个阶段模拟幼鸟通过广泛的位置变化快速学习，从而获得经验并促进对搜索空间的广泛探索。
2. 繁殖和喂养阶段（利用）：这个阶段模拟了合作繁殖和护理机制，其中在局部区域内的小范围移动可以实现高效利用。
3. 避免天敌阶段（适应性规避）：这个阶段描述了鸟类通过摇晃羽毛和发出警告声音来迷惑捕食者的防御机制，从而增加了SFOA探索的随机性，并帮助算法避开局部最优解。
这三个策略之间的平滑过渡由一个比例系数（r）控制，它作为种群密度的指标，以及一个计算出的风险因素（s），它代表环境安全性指标。这个框架将鸟类的觅食和生活行为转化为算法过程，有效平衡了在解决复杂优化问题时的探索和利用。像其他元启发式算法一样，SFOA通过生成初始潜在解决方案池来启动优化过程。
在本研究中，SFOA算法被应用于解决一个涉及三个主要输出响应的多目标优化问题：Rq、T和C。设计空间根据以下输入变量定义：CC、TF、H、DD、Vf、N以及切割材料的类型。目标函数使用结合了先进机器学习和优化策略的预测建模技术来定义。特别是应用了深度神经网络（DNN）来概括过程参数和测量响应之间的非线性关系。为了进一步提升预测能力，基于改进的灰狼优化器（IGWO）对DNN进行了优化。通过结合DNN的强大预测能力和IGWO的强大全局搜索能力，这种混合框架提供了一种高效可靠的建模方法，特别适用于问题需求。解决问题的主要步骤如图9所示，并适用于多目标优化。下载：下载高分辨率图像（355KB）下载：下载全尺寸图像。图9。提出的DNN–IGWO混合建模和优化方法的示意图。图10展示了不同目标函数组合（Rq–T、C–Rq和C–T）的帕累托前沿。这些表示反映了两个竞争标准之间的权衡，并界定了可能的性能范围。前沿上的每个点都对应一个非支配解决方案，即没有其他配置可以同时改善两个目标。因此，从一个点移动到另一个点必然会导致一个功能的改进而牺牲另一个功能，这突出了所考虑标准的对抗性质以及根据设计或性能优先级做出妥协选择的必要性。下载：下载高分辨率图像（470KB）下载：下载全尺寸图像。图10。不同目标函数组合（Rq–T、C–Rq和C–T）的帕累托前沿。帕累托图的分析突显了三个目标之间的显著权衡，即切割温度、表面粗糙度和同心度缺陷。在第一个图中，粗糙度的降低通常伴随着温度的升高，表明表面质量和热约束之间难以调和的折中。第二个图显示，最小化同心度往往会增加粗糙度，强调了这两个标准之间的直接冲突。第三个图证实了这一趋势，因为低同心度值与高粗糙度相吻合，强调了同时实现最佳性能的难度。最后，三维帕累托表示提供了三个目标之间妥协的总体视图，允许根据工程师的优先级可视化和识别平衡配置。表8中呈现的多目标优化的数值结果突出了最佳操作条件，这些条件是通过调整切割参数和复合材料参数根据首选的性能标准得出的。为了最小化表面粗糙度，条件1至5显示最合适的切割条件对应于进给速度Vf = 100 mm/min和旋转速度N = 500至918 rpm。这些性能与化学处理浓度在15%至20%之间、使用编织玻璃纤维以及G-J-G杂交率相关。然而，为了实现钻孔孔的最小同心度，条件6至10显示最佳结果是在更高的进给速度（Vf = 115至300 mm/min和N = 1022至1500 rpm）、化学浓度为30%、编织纤维增强和相同的G-J-G杂交率下获得的。

表8. 多目标优化结果及SFOA得到的相应最佳条件。
N°CC (%) D (mm) Vf (mm/min) N (rpm) TF HT (K) C (mm) Rq (μm)
目标1 19.52 6100 500 2333 8.10 873 60.01 99 190.91 99 27 Rq 最优 218.76 6100 500 2333 7.73 0162 0.01 99 430.92 31 1183 15.32 6100 918.36 2334 4.39 85 170.01 645 30.92 3238 416.11 6100 516.87 2333 7.33 97 410.02 0588 0.92 3918 520.38 6100 799.35 2334 2.36 745 30.01 6293 0.94 2450 6306 120.41 1500 2336 6.23 96110.00 0943 1.77 6784 C 最优 730 6288.14 1120.57 2335 9.19 1328 0.00 0920 3.54 4782830 6115.71 1500 2336 6.09 7483 0.00 0952 1.75 76989 30620 1.07 1187.75 2336 0.06 64580.00 0941 2.27 8796 1030 6300 1022 2335 9.77 1150.00 0816 3.46 12631106100 500 12328.95 9299 0.05 4945 1.25 8580 T 最优 1206 100 500 12328.97 33310.05 4574 1.26 6130 1306100 500 12328.97 67820.05 4340 1.26 75231406100 500 12328.97 98850.05 5894 1.24 7780 1506100 500 12329.00 10380.05 6296 1.24 3639 1624.50 6104.07 924.34 1334 8.97 5130 0.01 3892 1.14 2408
关于切割温度的降低，条件11至15表明最佳设置是Vf = 100 mm/min和N = 500 rpm，不使用化学添加剂，使用随机玻璃纤维和J-G-J杂交率。最后，当目标是找到粗糙度、同心度和温度之间的整体折中时，条件16至20建议采用Vf = 100 mm/min的进给速度，N = 559至924 rpm的旋转速度，化学浓度为14%至24%，并使用编织或随机玻璃纤维和G-J-G杂交率。总体而言，似乎满足所有目标的最佳工具直径是6 mm，这证实了它在平衡整体性能中的核心作用。

4. 结论
本研究定量研究并建模了一组材料和工艺相关参数如何影响混合复合材料钻孔过程中的三个关键响应：最大切割温度、表面质量和孔同心度偏差。考虑的因素包括表面化学处理、玻璃纤维类型、纤维混合比率，以及各种切割条件，如主轴速度、进给速度和钻头直径。通过基于人工智能和机器学习开发预测模型，并通过元启发式策略进行优化，确定了最具影响力的工艺参数并对其进行了排名。本研究的主要发现总结如下：
• 相关矩阵突出了输入参数和输出参数之间的线性关系：主轴速度对切割温度有显著影响，相关系数为0.79，证实了其在热量生成中的主导作用。
• 表面粗糙度与进给速度（0.64）有很强的相关性，表明提高进给速度会显著降低表面质量。
• 温度和粗糙度之间存在中等正相关（0.46），反映了热机械效应对表面质量的影响。
• 钻头的直径对同心度和温度有中等影响，相关系数约为0.39，表明较大直径会导致几何精度的下降。
• 同心度与化学处理（-0.37）、旋转速度（-0.34）、玻璃纤维类型（-0.33）和混合比率（-0.31）呈负相关，强调了材料属性对孔的几何质量的影响。
• 优化的混合模型和集成方法提供了最佳的预测性能，其中H-DNN-IGWO和XGB因其高准确性和鲁棒性而脱颖而出，MAPE范围从0.055%到4.30%，R2决定系数大于0.99，证明了模型优化和聚合对于小型数据集的有效性。
• 使用SFOA进行的多目标优化结果确定了最佳操作条件，结合了切割参数和复合材料特性，根据选定的性能标准。

利益声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。作者是该期刊的编委会成员/主编/副主编/客座编辑，并未参与编辑审查或发表本文的决定。

资金支持
这项工作得到了Imam Mohammad Ibn Saud伊斯兰大学（IMSIU）科学研究系的支持和资助（授权号IMSIU-DDRSP2603）。

CRediT作者贡献声明
Aissa Laouissi：写作 – 审稿与编辑，写作 – 原始稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式分析，数据整理，概念化。
Sabbah Ataya：写作 – 审稿与编辑，方法论，调查，资金获取。