《Materials Today Communications》：A Multi-Criteria Framework for Optimizing Drilling Conditions in AFRP Composites Based on A BPNN-GA Intelligent Framework
编辑推荐：
芳纶纤维增强聚合物（AFRP）复合材料因其高比强度、耐腐蚀性和抗冲击性而越来越多地用于轻量化工程结构。然而，钻孔AFRP仍然具有挑战性，因为刀具几何形状、主轴转速、进给速度、纤维增强体和聚合物基体之间的相互作用可能产生过大的推力和扭矩以及分层损伤。本研究提出了
芳纶纤维增强聚合物（AFRP）复合材料因其高比强度、耐腐蚀性和抗冲击性而越来越多地用于轻量化工程结构。然而，钻孔AFRP仍然具有挑战性，因为刀具几何形状、主轴转速、进给速度、纤维增强体和聚合物基体之间的相互作用可能产生过大的推力和扭矩以及分层损伤。本研究提出了一种反向传播神经网络（BPNN）与遗传算法（GA）的集成方法，用于AFRP钻孔的多响应优化。钻孔实验采用L18 Taguchi正交阵列进行两次重复，通过改变刀具类型、主轴转速和进给速度。评估了四个参数，即推力（Fz）、扭矩（Mz）、剥离分层因子（Fde）和推出分层因子（Fdo）。为每个响应开发了独立的BPNN模型，随后将其用作GA优化中的预测引擎。开发的模型显示出可靠的预测能力，对Fz、Mz、Fde和Fdo的平均预测误差分别为4.251%、2.134%、1.892%和1.009%。GA确定了最佳钻孔条件为麻花钻，1500 rpm和25 mm/min，预测值为37.82 N（Fz）、78.44 N·mm（Mz）、1.181（Fde）和1.087（Fdo）。验证实验与预测结果高度吻合，平均值分别为37.83 N、78.45 N·mm、1.182和1.088。这些结果验证了所提出的BPNN-GA框架作为确定AFRP复合材料加工中损伤最小化钻孔参数的有效方法。
芳纶纤维增强聚合物（AFRP）复合材料因高比强度、耐腐蚀性和抗冲击性而广泛应用于航空航天、国防等轻量化结构。然而，AFRP钻孔时刀具几何、主轴转速（n）与进给速度（Vf）的相互作用会引发过大推力（Fz）、扭矩（Mz）及分层损伤（包括入口剥离分层因子Fde和出口推出分层因子Fdo）。现有研究多聚焦于中等至高进给率条件，对超低Vf系统研究不足，且常仅优化单一响应，缺乏多响应同时优化的集成框架。为此，研究人员提出一种基于反向传播神经网络（BPNN）与遗传算法（GA）的智能框架，旨在通过超低Vf条件、刀具类型对比及多响应协同优化，确定同时最小化Fz、Mz、Fde和Fdo的钻孔参数组合。通过L18 Taguchi正交实验（两次重复）采集数据，建立四个独立单输出BPNN模型，并以BPNN为适应度函数，GA搜索最优参数。最优条件为麻花钻、n=1500 rpm、Vf=25 mm/min，预测值与验证实验平均值的偏差均小于0.1%，证明该框架有效。论文发表于《Materials Today Communications》。
关键技术方法包括：（1）基于L18 Taguchi正交阵列的实验设计，在三轴CNC机床上进行，工件为12层芳纶织物/环氧树脂层压板（厚度3 mm），由PT Dirgantara Indonesia采用热压罐工艺制备；刀具为高速钢麻花钻（直径8 mm）和金刚石涂层空心钻（直径8 mm）。（2）独立单输出BPNN模型开发，采用Levenberg-Marquardt算法（trainlm）训练，隐藏层节点数对Fz（7）、Mz（12）、Fde（3）、Fdo（3）分别优化，通过MSE和回归系数（R）评估预测性能。（3）GA优化，种群规模100，交叉概率0.95，变异概率0.05，轮盘赌选择，最大迭代100代，以各BPNN输出之和作为适应度函数进行最小化。（4）用Kistler测力系统实时测量Fz和Mz，用Dino-Lite数字显微镜测量Fde和Fdo，用扫描电子显微镜（SEM）分析加工表面形貌。
**研究结果**
4.1 BPNN-Based Model Development
通过独立单输出BPNN模型，对各响应分别建模，最优隐藏层节点数和最小MSE分别为：Fz（7节点，MSE=0.00687）、Mz（12节点，MSE=0.00221）、Fde（3节点，MSE=0.01717）、Fdo（3节点，MSE=0.01375），平均预测误差均低于5%（分别为4.251%、2.134%、1.892%、1.009%），证明模型具有良好的预测准确性。
4.2 Regression Analysis of BPNN Prediction Performance
回归分析显示，各响应整体R值分别为0.98910（Fz）、0.99623（Mz）、0.97824（Fde）、0.96045（Fdo），训练、验证、测试R值均较高且接近，表明模型拟合良好，无过拟合或欠拟合现象。
4.3 Multi-Performance Optimization using GA
GA优化得到最优钻孔条件为麻花钻、n=1500 rpm、Vf=25 mm/min，BPNN预测值分别为Fz=37.82 N、Mz=78.44 N·mm、Fde=1.181、Fdo=1.087。
4.4 Validation Through Confirmation Experiments
两次验证实验平均值分别为Fz=37.83 N、Mz=78.45 N·mm、Fde=1.182、Fdo=1.088，与预测值偏差均不超过0.01单位（误差低于0.1%），验证了BPNN-GA框架的可靠性和实验可行性。
4.5 Influence of Drilling Parameters on Machining Responses
百分比贡献（PC）分析表明，刀具类型（Tt）是对Fz（60.46%）、Mz（59.57%）和Fde（68.91%）影响最显著的因素；而n对Fdo贡献最大（48.24%），其次是Tt（23.59%）和Vf（14.54%）。
4.6 Thrust force
等高线图显示Fz随Vf增大而增大，随n增大而减小。麻花钻的Fz始终低于空心钻，因其横刃接触面积小、排屑效率高，在更高n下优势更明显。
4.7 Torque
Mz变化趋势与Fz一致，麻花钻产生的Mz不到空心钻的一半，主要由于麻花钻更小的切削刃接触面积和更优的排屑能力。
4.8 Entry delamination factor
Fde随Vf增加和n降低而升高，麻花钻的Fde始终低于空心钻，刀具类型是主导因素。
4.9 Exit delamination factor
Fdo随Vf增加和n降低而增大，n是主要控制变量（48.24%），高n通过降低有效切削阻力和热软化效应减轻出口损伤。
4.10 Machining outcomes
综合表面图和PC分析确认，Tt主导Fz、Mz和Fde，n主导Fdo，各参数交互作用显著。
4.11 Digital Microscope Analysis of the Machined Surface
数字显微镜分析显示，优化条件下最大损伤面积约71 mm2，毛刺因子（附加损伤面积与名义面积之比）约为0.42。
4.12 SEM Analysis of the Machined Surface
SEM对比显示，优化前条件（预优化）出现严重纤维拔出、裂纹扩展和树脂涂抹；优化后（麻花钻、1500 rpm、25 mm/min）出口仅见局部轻微分层，纤维涂抹显著减少，无明显裂纹，与Fz、Mz、Fde、Fdo的降低一致。
**讨论与结论**
讨论部分指出，麻花钻的优越性源于其更有利的切削刃接触、顺畅的切屑排出和更低的切削阻力，而高n通过降低有效切削阻力和改善穿透阶段工艺稳定性进一步减少出口损伤。结论部分翻译如下：
本研究开发并验证了一个基于BPNN-GA的多响应优化框架，用于超低进给率条件下的AFRP钻孔。建立了四个独立单输出BPNN模型以预测Fz、Mz、Fde和Fdo，平均预测误差分别为4.251%、2.134%、1.892%和1.009%，回归分析确认所有模型拟合良好。百分比贡献分析与表面图显示，Tt是Fz（60.46%）、Mz（59.57%）和Fde（68.91%）的主导因素，而n是Fdo（48.24%）的主导因素。BPNN-GA得到的最优钻孔条件为麻花钻、1500 rpm和25 mm/min，预测值分别为Fz=37.82 N、Mz=78.44 N·mm、Fde=1.181、Fdo=1.087；验证实验结果高度吻合（平均值分别为37.83 N、78.45 N·mm、1.182、1.088），偏差极小。从加工机制角度，麻花钻表现更优，归因于其更有利的切削刃接触和排屑特性；高n通过降低有效切削阻力进一步减少出口损伤。本研究的主要工程意义在于，利用可解释且经实验验证的智能优化框架，可同时降低推力、扭矩和分层损伤，替代传统的单响应试错法参数选择。未来工作应扩展刀具几何、更宽的切削速度范围、刀具磨损效应和微观损伤量化。
