利用人工神经网络(ANN)代理模型和遗传算法,对AA7075铝合金摩擦搅拌焊接工艺参数进行数据驱动的优化

《Beni-Suef University Journal of Basic and Applied Sciences》:Data-driven optimization of friction stir welding parameters of AA7075 aluminium alloy using ANN surrogates and genetic algorithms

【字体: 大 中 小 】 时间:2026年05月06日 来源:Beni-Suef University Journal of Basic and Applied Sciences 2.6

编辑推荐:

  **摘要** **背景** 本研究提出了一种数据驱动的混合框架,通过整合人工神经网络(ANN)替代模型和遗传算法(GA)优化,用于优化AA7075铝合金摩擦搅拌焊接(FSW)的工艺参数。 **方法** 采用了一种包含27个系统设计的试验的设计实验(DoE)方法,来研究

  **摘要**

**背景**
本研究提出了一种数据驱动的混合框架,通过整合人工神经网络(ANN)替代模型和遗传算法(GA)优化,用于优化AA7075铝合金摩擦搅拌焊接(FSW)的工艺参数。

**方法**
采用了一种包含27个系统设计的试验的设计实验(DoE)方法,来研究旋转速度、焊接速度、插入深度和肩部到销直径比对FSW接头的抗拉强度(UTS)和微观硬度的影响。实验数据被用来训练和验证能够捕捉过程变量与机械响应之间非线性及相互依赖关系的ANN替代模型。

**结果**
开发的ANN模型表现出较高的预测准确性,抗拉强度(UTS)和硬度的R2值分别超过了0.94和0.96,并且均具有较低的均方根误差(RMSE)和平均绝对误差(MAE)。实验验证确认了模型的稳健性,预测误差范围为0.18%至11%,平均偏差为3.6%。将训练有素的ANN替代模型与基于GA的优化器结合使用,可以识别出同时最大化UTS和硬度的参数组合。在旋转速度814.13 rpm、焊接速度51.53 mm/min、插入深度0.213 mm和肩部到销直径比3.6的条件下,获得了最佳UTS为345.76 MPa;而在较低的旋转速度和焊接速度下,结合较高的插入深度和肩部到销直径比时,实现了最高硬度143.41 HV。

**结论**
研究结果表明,ANN–GA混合方法为FSW的预测建模和工艺优化提供了一种稳健、准确且计算效率高的工具。这一框架在工业4.0和智能制造应用中具有巨大潜力,尤其是在轻质高性能铝合金结构的设计方面。

**1. 引言**
摩擦搅拌焊接(FSW)已成为高强度铝合金(如AA7075)的关键固态连接技术。由于其优异的强度重量比和承载能力,AA7075广泛应用于航空航天和国防领域。它的密度相对较低,约为2.81 g/cm3[1, 2]。这些特性使其特别适用于需要减轻重量和具备高机械性能的苛刻结构应用[3]。然而,使用传统熔融焊接方法时,AA7075的焊接性能较差。历史上,热裂纹和热循环期间机械性能的退化等问题限制了其在焊接结构中的使用[4, 5, 6, 7]。熔融焊接过程会导致薄板材出现有害变形和残余应力[8],这会加速裂纹的起始和扩展[9]。为了克服这些局限性,摩擦搅拌焊接作为一种固态连接技术应运而生,它缓解了熔融焊接的许多缺点,包括凝固缺陷、气孔和变形[10]。FSW在低于熔点的温度下进行,能够实现无缺陷的接头并改善性能[11, 12, 13]。尽管有这些优势,但AA7075的FSW接头强度通常低于基材,这仍然是实现高接头效率的关键挑战[14, 15]。已经进行了大量的实验研究来解决这一问题。Dimopoulos等人[16]研究了使用不同工具设计和焊接参数制造的2毫米厚7075-T651接头,发现其抗拉强度(UTS)比基材降低了约33.75%。Rajakumar等人[17]表明,在1400 rpm / 60 mm·min?1的旋转速度下,使用合适的工具(15毫米肩部,5毫米销)可以获得最高的拉伸性能(他们的研究中的接头效率约为77%),说明仔细选择参数/工具可以接近(但很少能匹配)基材强度。Babu Rao等人[18]应用随机分析来评估AA7075-T6 FSW搭接接头的拉伸强度变化性,结果表明,使用直圆柱形工具轮廓时强度最低,而将工具旋转速度提高到2000 rpm可以提高拉伸强度。材料配对和工艺区也对接头质量有显著影响。Gunasekaran等人[19]研究了相似和不同铝合金的FSW,发现相似接头的抗拉强度和硬度优于不同合金的接头,这表明FSW在应用于相似合金时更有效地优化了机械性能。Sun等人[20]指出,变形程度最大的区域与硬度降低的区域重合,这通常决定了失效位置。此外,FSW接头的质量受到工艺参数(如工具几何形状、旋转速度、进给率和停留时间)的强烈影响[15]。FSW接头的机械性能,尤其是抗拉强度(UTS)和微观硬度,受关键工艺参数(包括旋转速度、焊接速度、工具几何形状和插入深度)之间复杂非线性相互作用的控制[4, 5]。

**设计实验(DoE)和遗传算法(GA)**在制造优化中起着关键作用,可以提高复杂设计问题的效率和解决方案的准确性。因此,Abouhabaga和Gadallah[21, 22, 23]开发了一种结合内外阵列和遗传算法的混合方法(IOA-GA-CR),以解决难以解决的优化问题。IOA允许广泛探索,而GA则精炼最优解的搜索。该方法通过使用约束放松简化了难题,从而比传统的全局优化方法具有更快的收敛速度和更好的性能。为了更好地理解和优化这些复杂的相互作用,分析和数学模拟被广泛用于建模热生成、温度分布、材料流动和缺陷形成。然而,实验研究成本高昂、耗时且范围有限。因此,研究人员采用了统计设计技术来分析参数效应。Suresha等人[24]使用L9 Taguchi正交阵列和ANOVA评估了工具销形状和焊接参数对拉伸强度的影响。Javadi等人[25]应用DoE优化了AA5086接头的残余应力,确定进给率是最有影响力的因素。Sefene等人[26]采用灰色关联分析和Taguchi设计研究了AA6061接头的硬度和整体接头性能的多响应优化。由于这些复杂的相互依赖性,传统的一次一个因素或试错方法通常不足以识别最优参数组合[27]。

**应对这些挑战,近年来数据驱动的建模和FSW过程优化方法得到了发展**。在材料和制造领域,研究人员成功应用了回归分析[28, 29]、自适应神经模糊推理系统(ANFIS)[30, 31]和ANN[29, 32, 33]等方法来改进实验计划、优化工艺参数和准确预测性能结果。例如,Fadel等人[34]专注于设计和优化用于智能纺织品应用中铜线与非编织PVC纺织品连接的系统。分析重点关注焊接参数(包括时间、压力和线径),以评估它们对热生成、接头强度和电气性能的影响。一个神经网络模型利用有限元分析和全因子设计准确预测了焊接结果。该模型优于其他方法,是改进智能纺织品制造中超声波焊接(UW)过程的良好方式。人工神经网络(ANN)因其能够近似非线性关系而被广泛用于焊接性能的预测建模。Babajanzade Roshan等人[30]开发了一种结合ANFIS–模拟退火的混合模型来优化AA7075的FSW,显示出高预测准确性和机械性能优化能力,并确认了AI驱动优化的价值。Efa等人通过优化和模拟研究详细研究了高强度、低熔点合金的摩擦搅拌焊接。在一项研究中,他们使用Box–Behnken设计(BBD)和在MATLAB中训练的人工神经网络(ANN),考虑了旋转速度、焊接速度、肩部到销直径比和插入力等参数,优化了AZ31B镁和AA6061铝合金的FSW参数;方差分析(ANOVA)确定了旋转速度是最有影响力的因素,ANN预测结果与模拟结果非常吻合[35]。在另一项补充工作中,他们使用COMSOL? Multiphysics 6.0中的有限元分析(FEA)研究了这些不同接头的热机械行为,发现峰值温度随旋转速度、轴向力、摩擦系数和肩部到销直径比的增加而增加,但随着焊接速度的提高而降低,同时保持在材料的熔点以下[36]。最近,他们通过引入锌中间层并结合机器学习(ML)优化,解决了AA7075-T6 FSW中的问题,如接头强度不足、界面粘接不良和热量分布不均。他们使用ANN、支持向量回归(SVR)、随机森林回归(RFR)和遗传算法(GA)的混合框架分析了60个观测数据集,确定了最佳FSW参数(工具速度600 rpm、销半径5.71 mm、肩部半径20 mm、插入力6369.48 N),预测的峰值温度为675.71 K。ANN模型的预测误差极低,仅为0.973%,FEA验证的偏差仅为1.79%,证明了该框架的效率和锌中间层带来的热改进[37]。总体而言,这些研究强调了工艺参数对焊接质量的关键影响,并提供了对相似和不同轻质合金FSW的预测和机械洞察。

**尽管混合ANN-GA框架已成功应用于各种制造过程(包括激光束焊接[38]、CNC车削[39]和增材制造[40]的优化**,但其应用于AA7075 FSW的全面四参数研究和严格的实验验证仍不充分。例如,Aruna和Sekhar[41]将ANN与GA结合,精确确定了最大化铝焊缝抗拉强度的参数集。在计算智能与焊接技术的这一整合基础上,Duggirala等人[42]提出了一种新方法,系统地结合了有限元分析(FEA)、设计实验(DoE)和高斯过程回归网络(GPRN)来预测铝合金激光焊接的焊池指标。该框架利用经过验证的热流FEA模型和DoE生成实验数据,重点使用多个高斯过程核来精炼GPRN模型。验证表明,GPRN模型的预测误差很小,范围从1.19%到5.13%。为了提高预测效率,Miao等人[43]开发了一种自动化工作流程,将有限元模拟与机器学习结合起来,估计焊接过程中产生的残余应力场。使用Abaqus中的Python脚本自动化数据生成和ANN训练,以估计不同焊接参数下的应力分布。人工神经网络(ANN)实现了0.0024的相对均方根误差(RMSE),与模拟结果非常接近。这种方法显著减少了计算时间,提高了可重复性,并支持了数字焊接实验中的数据驱动优化。为了进一步扩展ANN模型在焊接相关分析中的应用,Markovi?等人[44]创建了一个替代ANN模型,用于预测带有应力集中器的类似部件的疲劳寿命,该模型使用了计算有限元(FE)模型的数据。研究重点是经过淬火的钢材部件,采用参数化FE模型来评估应力-应变响应。FE模型允许修改几何形状,并考虑了非线性材料行为,因此计算量较大。相比之下,ANN模型提供了一种更有效的部件性能估算方法,解决了基于FE方法的局限性。类似地,Rana等人[45]使用遗传算法(GA)-人工神经模糊系统(ANFIS)方法优化了不同铝合金的抗拉强度(UTS)、硬度和屈服强度(YS)的FSW参数。RSM被用来生成实验设计。优化后的数值分别为UTS 326.99 MPa,硬度71.40 HRB,YS 271.56 MPa。显微结构检查显示,优化后的焊接区域具有细小的晶粒,证实了GA-ANFIS模型在提高FSW机械性能方面的有效性。

尽管取得了这些重要进展,但对近期文献的仔细审查揭示了几个持续存在的问题。许多研究将调查限制在两个或三个过程参数的两个水平上,可能会忽略诸如插入深度和肩部到针状物直径比等因素的协同效应,这些因素已知会影响热生成和材料流动[46]。此外,一些方法依赖于需要72次或更多次试验的庞大实验数据集[47],这在时间和材料资源有限的工业环境中可能是不切实际的。虽然一些研究已经使用ANN进行预测建模[48],但将经过验证的替代模型与全局优化算法结合起来以识别真正最优的连续参数组合的工作仍然很少。为了解决这一差距,本研究提出了一个混合ANN-GA框架,用于AA7075铝合金FSW参数的预测建模和单目标优化。这项工作的主要贡献包括:(i)使用部分因子设计全面调查了四个关键过程参数,仅需要27次系统设计的实验,展示了替代模型开发的有效途径;(ii)开发和严格验证了能够准确预测UTS和微观硬度的ANN替代模型。这个框架提供了一个强大、准确且计算效率高的工具,用于预测建模和过程优化,具有集成到工业4.0和智能制造系统中的巨大潜力,适用于轻量化、高性能的铝合金结构。

2 方法论
2.1 实验程序
2.1.1 材料和焊接设置
本研究选择的基材是AA7075铝合金,提供的是200毫米×50毫米×4毫米的轧制板材。合金的化学成分和关键机械性能在表1中给出。表1 显示了AA7075基材的化学成分(重量百分比)和机械性能。

FSW试验在Fritz Heckert FSS 400-VI铣床(VEB Fritz-Heckert-Werk,德国Karl-Marx-Stadt)上进行,如图1a所示。焊接工具由W302工具钢制成,因其高强度、韧性和抗热疲劳性而被选中[49]。为了提高硬度和耐磨性,工具在1050°C下进行奥氏体化处理,然后油淬火,随后在500°C下回火3小时,最后空气冷却[49]。

2.1.2 过程参数和实验设计(DOE)
调整了四个过程参数以测试FSW接头的性能:工具旋转速度和焊接速度、插入深度以及肩部到针状物直径比。每个参数都在三个水平上进行了测试,以捕捉广泛加工范围内的非线性效应(表2)。所选范围是基于先前的研究和探索性试验确定的。这种方法确保了包括健康和容易发生缺陷的接头,从而能够全面评估过程的稳健性。采用Taguchi L27正交阵列(OA)来最小化实验次数,同时保持统计严谨性。这种方法允许使用27次实验运行来评估四个因素的主要效应和交互作用,而不是全因子设计所需的81次。所有焊接都在AA7075板材的轧制方向上一次性完成,边界条件相同。

2.1.3 机械性能评估
2.1.3.1 抗拉试验
根据ASTM E8/E8M标准加工了抗拉试样,标距部分垂直于焊接线。每个试样的标距长度为32毫米,宽度为6毫米,厚度为4毫米(截面积=24平方毫米),如图2a所示。测试在室温(20°C)下进行,使用Zwick/Roell Z010万能试验机(10 kN载荷传感器),头移动速度为1毫米/分钟(图3a)。

2.1.3.2 维氏硬度试验
使用Qness维氏硬度测试机在焊缝的横截面上进行硬度测量(图3b)。在试样中间厚度处沿焊接线垂直方向进行压痕,压痕间距为1毫米。施加200克的测试载荷(HV 0.2),保持时间为10秒。为了提高准确性和重复性,每个压痕在搅拌区内重复三次。硬度曲线被分析以评估材料软化情况,并与抗拉强度变化进行关联。

2.1.4 实验结果
测量的UTS和Hv值被用来评估过程参数对接头质量的影响,并随后作为人工智能(AI)建模的输入数据。从L27 OA获得的27次试验的完整实验结果总结在表3中。表3显示了FSW接头的实验结果(Taguchi L27 OA设计)。

结果表明,UTS和硬度显著依赖于工具旋转速度、焊接速度、插入深度和肩部到针状物直径比的组合效应。这些参数的变化导致了接头性能的显著差异,证实了FSW过程的复杂非线性行为。来自27次试验设计的实验数据集为数据驱动建模和过程优化提供了坚实的基础。鉴于FSW参数之间的非线性且高度相互依赖的关系,采用了基于机器学习的框架来捕捉这些相关性并预测接头性能。因此,开发了一个ANN作为替代模型,随后使用GA进行参数优化。这种混合DOE-ANN-GA方法旨在识别最大化焊接强度和硬度的最佳参数组合,同时最小化实验工作量。该框架的详细信息在以下小节中介绍。

2.2 基于AI的建模和优化框架
2.2.1 通过人工神经网络进行替代建模
ANN是一种受人类大脑结构和功能启发的计算模型。ANN在结果预测方面表现出高精度,并被应用于多个工程领域[33]。开发了一个替代ANN模型,将过程参数映射到硬度和UTS。基于验证误差选择了4-10-1架构。ANN使用前馈反向传播网络(FFBPN)进行训练。通过比较预测和测量的硬度和UTS,使用均方误差(MSE)和回归系数(R2)来评估准确性。ANN比传统回归方法以更少的努力和更高的可靠性捕捉复杂的非线性关系。其直观的架构和算法使其成为最常用和首选的神经网络类型[34]。输入参数包括旋转速度、进给速度、插入深度和肩部到针状物直径比,如图4和5所示。输出参数是硬度(Hv)和UTS(MPa),分别单独测量。模型开发分为三个阶段:70%的数据用于训练,15%用于测试,15%用于验证。

2.2.2 用于优化的遗传算法(GA)
GA被广泛用于通过多代迭代来解决复杂的非线性优化问题。GA用于探索FSW参数(如旋转速度、进给速度、深度和肩部到针状物直径比)之间的各种组合,以找到改进焊接质量的最佳方案。GA可以通过这种迭代过程逐渐收敛到最优或接近最优的解决方案。在这项工作中,将训练有素的基于ANN的替代模型与GA结合起来进行优化。GA的目标是最大化每个ANN预测的硬度和UTS,同时过程变量在实际范围内变化,旋转速度的范围是710到1120 rpm,进给速度的范围是40到63毫米/分钟,深度的范围是0.1到0.3毫米,S/P比的范围是3到4。用于生成最佳解的超参数列在表5中。

2.2.3 混合ANN-GA
这种方法使用ANN作为GA的基适应度函数。ANN捕捉FSW参数(例如工具速度、进给速度、深度和肩部到针状物直径比)与焊接质量指标(例如抗拉强度)之间的非线性关系,因此在预测焊接结果方面非常有效。训练后,ANN可以快速为新参数集估计焊接质量,使GA能够高效地探索大规模搜索空间。ANN可以泛化未见数据,帮助GA即使对于训练数据中不存在的参数组合也能找到最优或接近最优的解决方案。这种混合ANN-GA方法的一个好处是可以通过模拟结果来最小化物理实验的需求,从而减少优化过程中的材料和时间成本。本研究采用了集成的ANN-GA方法来优化FSW过程参数,旨在最大化Al-7075合金的抗拉强度。ANN目标函数作为GA的适应度函数。首先按照ANN部分中提到的方法建立了一个最优ANN模型。在将这些个体反复输入ANN模型后,评估了过程参数的适当性,并通过适应度函数评估了ANN的响应变量。在适应度曲线收敛后,选择了最佳参数组合,以获得最佳的抗拉强度。混合ANN–GA优化过程的总体工作流程如图6所示。图6的替代文本可能是使用AI生成的。完整尺寸图像:数据驱动的FSW替代模型流程图3结果。初始模块是L27OA,它在Minitab环境中创建,允许输入参数设置并总结结果。L27OA输出的抗拉强度值在246.5到335.75 MPa之间波动,而硬度值则在91到137 Hv之间。该混合算法在装有64位操作系统、Intel Core i5-4590 CPU(3.30 GHz)和8.00 GB RAM的PC上,使用MATLAB(R2024b)环境运行。每组田口正交L27OA设计的硬度和抗拉测试结果总结在表3中,表中显示了每个实验中获得的焊接件硬度值、极限抗拉强度和焊接效率(焊接部/基材比率)。

3.1 回归建模
当前研究中的理想条件是使用L27OA确定的。当检验具有三个水平的组件时,可以使用L27OA成功开发出第二个近似模型,如方程4所示。二阶非线性模型也更适合表达某些反应,用于定义实验测量响应与输入过程参数之间的关系。
$$Y = \beta_{o} + \sum \beta_{i} X_{i} + \sum \beta_{ii} X_{i}^{2} + \sum \beta_{ij} X_{i} X_{j} + \varepsilon$$
(4)
其中 \(Y\) 和 \({X}_{i} , {X}_{j}\) 分别代表响应(例如以Hv为单位的硬度测量值和以MPa为单位的UTS),而 \({\beta }_{o}\)、\({\beta }_{i}\)、\({\beta }_{ii}\) 和 \({\beta }_{ij}\) 是通过多元回归分析要估计的线性项、二次项和交互项的系数。
因素及其交互作用,以及p值被用来评估统计显著性。对于硬度测量和UTS,回归p值均为0.00001。分析得出的经验模型可以写成如下形式:
$$\begin{aligned}
Hv = & - 202 + 0.479 X1 + 9.17 X2 - 3104 X3 + 101.5 X4 - 0.01284 X1*X2 + 1.93 X1*X3 \\
& \quad - 0.171 X1*X4 + 26.3 X2*X3 - 3.33 X2*X4 + 1227 X3* \\
& \quad X4 + 0.0057 X1*X2*X4 - 0.868 X1*X3*X4 - 10.93 X2*X3*X4 \\
\end{aligned}$$
(5)
$$\begin{aligned}
UTS = & - 406 + 1.139 X1 + 18.8 X2 - 6495 X3 + 212 X4 - 0.0279 X1*X2 + 3.38 X1*X3 - 0.371 X1*X4 + 58.1 X2*X3 \\
& - 6.54 X2*X4 + 2455 X3*X4 + 0.0099 X1*X2*X4 - 1.483 X1*X3*X4 - 21.5 X2*X3*X4 \\
\end{aligned}$$
(6)
决定系数R2分别为87.33%和85%,这表明数据与模型非常匹配,可以用来推导出模型。
如图7-a和图7-b所示,硬度和抗拉强度的实验值与拟合线非常接近。所有点都均匀分布并且接近一条直线,根据正态概率图来看。相反,这表明误差是规律性分散的。

3.2 训练好的ANN替代建模
通过多种统计指标和可视化来评估开发的ANN的预测能力。模型以过程参数(旋转速度、进给率、沉入深度和肩部到销的比率)作为输入,以机械性能(UTS和硬度)作为输出进行训练。回归系数(R2)的值分别为UTS的0.962和硬度的0.942,如图8和图9所示,这些值接近1。R值显示了ANN的预测与输出之间的匹配程度。R值接近1意味着模型训练得很好。

3.2.1 学习曲线和过拟合分析
图10展示了所提出的ANN模型的学习曲线,包括训练、验证和测试的均方误差(MSE)作为训练时期的函数。训练误差逐渐减小,表明有效学习了输入-输出关系。

3.2.2 实验验证数据驱动模型
为了验证所提出的数据驱动模型,设计空间中进行了另外四个实验,使用了不同的焊接设置,如表6所示。表6所示的验证实验证明了所提出的数据驱动FSW模型。
报告的数据表明,实验结果与ANN模型之间的最小、最大和平均误差分别为0.18%、11.5%和约3.6%。特别是,预测UTS的平均误差为3%,微观硬度的平均误差为4.21%。
通过证明自己是焊机的一个合适且节省时间的替代方案,这表明所提出的模型在准确预测焊接指标方面是可靠的。

3.2.3 比较分析
对每个UTS和硬度,都进行了实验值与基于ANN的替代模型和回归模型预测值的比较。图11展示了UTS的实验值与ANN和回归模型预测值的比较。图12展示了实验、ANN模型和回归模型之间硬度的比较值。

3.3 使用GA进行优化
经过验证的ANN模型与GA集成,以探索整个定义的参数空间,并确定每个机械性能的全局最优值。GA配置了50个个体大小,并运行了足够的代数以确保收敛。
优化是作为单目标函数进行的,首先最大化UTS,然后最大化硬度。使用GA确定的每个目标的最优过程参数以及预测的最大输出值在表7中呈现。表7显示了最大化UTS和硬度的优化FSW参数。
表7中的数据表明了两个不同的最优参数组合。这突显了尽管极限抗拉强度(UTS)和硬度相互关联,但受到不同的微观结构机制的影响,因此在不同的热和机械条件下进行优化。
虽然使用ANN–GA优化框架确定了最优过程参数,但由于实际限制,没有在预测的最优条件下进行实验验证。优化的参数组合需要不同的肩部到销的比率,这需要制造一个新的焊接工具。此外,预测的最佳旋转速度(810 rpm)不受本研究中使用的焊接机的支持。尽管如此,ANN模型的预测能力通过四个确认实验得到了验证,显示实验结果和预测结果之间有很好的一致性。未来的工作将侧重于使用适当的工具和设备实验验证优化参数。

4 讨论
所提出的混合框架结合了DoE驱动的ANN替代建模和GA优化,展示了一种用于预测和增强AA7075摩擦搅拌焊接机械性能的强大且可靠的方法。ANN模型显示了出色的预测能力,UTS的回归系数为0.962,硬度的回归系数为0.942,同时具有低的RMSE和MAE值。验证实验确认UTS的平均预测误差仅为3%,硬度的平均预测误差为4.21%,表明替代模型能够准确捕获过程参数和机械响应之间的复杂非线性相互作用。
GA优化成功识别出最大化UTS和硬度的过程参数集,证明了该框架在指导焊接质量改进方面的实际应用性。这些发现强调了结合数据驱动建模与进化优化的潜力,可以减少所需的实验次数,节省时间和资源。重要的是,该框架允许系统地探索多参数空间,提供了关于旋转速度、焊接速度、沉入深度和肩部到销直径比率对焊接性能相对影响的洞察。
尽管这项研究仅限于预定义的参数范围,并且专注于AA7075铝材,但该方法广泛应用于其他合金和焊接条件。未来的工作可以通过结合额外的机械或热响应指标来扩展该框架,探索更复杂的材料系统,并集成实时过程监控以实现自适应优化。此外,将ANN–GA方法与先进制造技术相结合,可以促进符合工业4.0标准的智能焊接工艺的发展。
总体而言,研究结果表明,ANN–GA混合框架是一个强大的数据驱动工具,用于预测建模、过程优化和决策,在FSW中具有一定的潜力,可以提高焊接质量,减少实验工作量,并支持高性能铝结构的开发。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号