基于机器学习预测的超声辅助搅拌铸造Al6061–B?C–ZrO?复合材料AWJM参数混合GRA–AHP优化方法

《Scientific Reports》：Machine learning prediction and hybrid GRA–AHP optimization of AWJM parameters of ultrasonic assisted stir cast Al6061–B\(_4\) C–ZrO\(_2\) composites

　　

摘要

本研究探讨了采用超声辅助搅拌铸造法制备的Al6061–0.5 wt.% B\(_4\)C–1 wt.% ZrO\(_2\)混合复合材料的磨料水射流加工性能。研究运用田口L27正交数组，系统分析了五种加工参数——磨料流量、水射流压力、磨料射流切割速度、距离以及磨料粒径在三种不同水平下的影响。材料去除率、表面粗糙度以及切口锥角被作为关键性能指标。实验结果表明，材料去除率介于7.86到15.24 mm\(\mu\)米之间，切口锥角则在0.142\(^\circ\)到0.309\(^\circ\)之间。通过方差分析确定了对性能有显著影响的加工参数，结果显示磨料流量是影响材料去除率的主要因素，而磨料射流切割速度则对表面粗糙度和切口锥角起主导作用。此外，研究还采用了灰关联分析与层次分析法相结合的多准则优化方法，以同时最大化材料去除率并最小化表面粗糙度和切口锥角。最优加工条件为：磨料流量为430克/分钟，水射流压力为280兆帕，磨料射流切割速度为80毫米/分钟，距离为1.5毫米，磨料粒径为120目。研究结果证明了所提出的混合优化框架在提升先进铝基混合复合材料磨料水射流加工性能方面的有效性。同时，研究人员还建立了包括支持向量回归、随机森林和多层感知器在内的机器学习模型，用以根据磨料水射流加工参数预测材料去除率、表面粗糙度及切口锥角等加工结果。在这些模型中，随机森林模型在预测材料去除率和表面粗糙度方面表现最佳，其对应的\(R^{2}\)值分别达到了0.9882和0.9919；而支持向量回归模型在预测切口锥角方面精度最高，\(R^{2}\)值为0.9955。较低的均方根误差和平均绝对百分比误差进一步证明了这些机器学习模型在预测磨料水射流加工结果方面的可靠性和稳定性。即便数据量有限，这些模型仍能展现出较高的预测精度，实验结果与预测结果之间也高度吻合。这些结果表明，基于机器学习的方法是用于评估和优化混合铝基复合材料磨料水射流加工性能的可靠工具。