针对Ti6Al4V材料在磨料水射流加工中切削深度预测的不同神经网络架构的建模与计算优化

《Scientific Reports》：Modelling and computational optimization of different neural network architectures for prediction of depth of cut in abrasive water jet machining of Ti6Al4V

　　

摘要

本研究提出了一种优化后的神经网络，用于预测钛Ti6Al4V 5级材料在磨料水射流加工过程中的切削深度。实验中采用了五个工艺参数：水压（W_p）、移动速度（T_s）、喷嘴到出口的直径（N/O_dia）、磨料质量流量（A_mf）以及磨料出口尺寸（A_os）。实验采用基于田口方法的L₂₇正交数组设计，从而得到了描述该加工过程的回归方程。研究使用了两种神经网络架构来对切削深度进行建模：一种为单隐藏层网络（NN₁），其神经元数量在1到10之间变化；另一种为深度神经网络（NN_D），通过调整神经元数量和隐藏层数量来确定最优网络结构。优化过程中采用了四种不同的激活函数，即S形函数、高斯函数、双曲正切函数以及线性函数。用于训练和测试神经网络模型的数据是基于实验数据通过回归方程生成的，而非直接实验测量值。评估这两种神经网络架构的性能时采用了两个指标：均方根误差（RMSE）和决定系数（\(\:{R}^{2}\)）。实验结果表明，这两种神经网络模型都能准确预测切削深度，但NN_D在精度方面表现更好，测试时的RMSE降低了12.5%，决定系数提高了4.2%。在所使用的激活函数中，高斯函数在两种神经网络架构中的表现都优于其他函数，因其对称的响应特性能够反映喷射能量在中心处达到峰值并向外逐渐减弱的分布情况，从而有效捕捉非线性的切削行为。扫描电镜分析结果也支持了计算结果，显示在较高切削深度下，加工表面会出现具有稳定沟槽的微切削特征，而较低切削深度则会出现微耕作现象和脊状结构。等高线图进一步表明，Ti6Al4V材料的磨料水射流加工过程中的切削深度主要受水压和移动速度的影响，这证明了优化后的NN_D架构能够有效把握该加工过程背后的物理机制。