前言:想要寫(xiě)出一篇引人入勝的文章?我們特意為您整理了神經(jīng)網(wǎng)絡(luò)算法下汽車鑄造性能優(yōu)化范文,希望能給你帶來(lái)靈感和參考,敬請(qǐng)閱讀。
摘要:為了進(jìn)行汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化,本文以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數(shù),以合金的流動(dòng)性作為輸出層參數(shù),選用Purelin函數(shù)、Tansig函數(shù)和Trainlm函數(shù)分別作為神經(jīng)網(wǎng)絡(luò)模型的輸出層傳遞函數(shù)、隱含層傳遞函數(shù)、訓(xùn)練函數(shù),采用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了4×16×4×1四層拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型。進(jìn)行了神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練、預(yù)測(cè)分析以及未經(jīng)學(xué)習(xí)訓(xùn)練樣本的驗(yàn)證。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)模型經(jīng)過(guò)8892次迭代運(yùn)算后收斂,模型的相對(duì)訓(xùn)練誤差是3.50%~6.41%,平均相對(duì)訓(xùn)練誤差是4.76%;相對(duì)預(yù)測(cè)誤差是4.25%~5.56%,平均相對(duì)預(yù)測(cè)誤差4.88%。神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)能力較強(qiáng),預(yù)測(cè)精度較高,可以用于汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化預(yù)測(cè)。
關(guān)鍵詞:鑄造性能;流動(dòng)性;神經(jīng)網(wǎng)絡(luò)算法;高強(qiáng)鋁合金;優(yōu)化模型
鑄造鋁合金在輕量化進(jìn)程不斷推進(jìn)的今天具有廣闊的應(yīng)用前景,也極具研究?jī)r(jià)值。林佳武等[1]進(jìn)行了真空高壓鑄造鋁合金車身后縱梁輕量化設(shè)計(jì)。王永飛等[2]研究了ZL104鋁合金連桿半固態(tài)擠壓鑄造工藝。朱大智[3]研究了鑄造鋁合金車輪水冷模具。李家奇等[4]對(duì)ZL201鑄造鋁合金副車架熱裂傾向性進(jìn)行了理論研究。張殿杰等[5]對(duì)薄壁輪輻鋁合金輪轂低壓鑄造工藝進(jìn)行了計(jì)算機(jī)仿真及試驗(yàn)驗(yàn)證。索小娟等[6]分析了電磁鑄造攪拌頻率對(duì)汽車用A356鋁合金組織和性能的影響。陳仁桂等[7]研究了7075鋁合金2540mm×550mm規(guī)格扁錠鑄造工藝。但是,在工業(yè)化生產(chǎn)中鋁合金的鑄造性能特別重要,它是改善產(chǎn)品質(zhì)量,提高生產(chǎn)效率,降低生產(chǎn)成本的重要影響因素。但是鋁合金鑄造性能的影響因素眾多,如果單靠實(shí)物試驗(yàn)將耗費(fèi)大量的人力、物力和財(cái)力,且研發(fā)效率低下。神經(jīng)網(wǎng)絡(luò)是一種基于計(jì)算機(jī)的人工智能技術(shù),在產(chǎn)品工藝和性能優(yōu)化等領(lǐng)域具有成功應(yīng)用。于文濤等[8]基于神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行了鋁合金汽車輪轂低壓鑄造工藝優(yōu)化。馮瑞等[9]基于應(yīng)變補(bǔ)償和BP神經(jīng)網(wǎng)絡(luò)技術(shù)研究了BT25鈦合金本構(gòu)關(guān)系。王春暉等[10]基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建了BSTMUF601高溫合金蠕變本構(gòu)模型。但是,目前關(guān)于鋁合金鑄造性能的神經(jīng)網(wǎng)絡(luò)優(yōu)化還鮮有報(bào)道。為此,本文嘗試采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化。
1神經(jīng)網(wǎng)絡(luò)模型
采用神經(jīng)網(wǎng)絡(luò)算法,構(gòu)建汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型。以Al-7Si-xM(x代表合金元素的百分含量,此處取值范圍0~1.0;M代表合金元素,在Cu、Mg、Ti、V四種合金元素中選擇其中一種)汽車用高強(qiáng)鑄造鋁合金為研究對(duì)象,采用4×16×4×1四層拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,如圖1所示。模型由輸入層、輸出層和隱含層三大部分組成。其中輸入層旨在向神經(jīng)網(wǎng)絡(luò)模型輸入汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化緊密相關(guān)的4個(gè)神經(jīng)單元(即4個(gè)輸入?yún)?shù),分別為:合金元素、元素含量、熔煉溫度、澆注溫度);隱含層旨在進(jìn)行內(nèi)部運(yùn)算,包括擁有16個(gè)神經(jīng)單元的隱含層1和4個(gè)神經(jīng)單元的隱含層2,隱含層數(shù)據(jù)間的傳遞選擇Tansig函數(shù)來(lái)實(shí)現(xiàn);輸出層旨在輸出模型運(yùn)算和預(yù)測(cè)分析結(jié)果,輸出層數(shù)據(jù)間的傳遞選擇Purelin函數(shù)來(lái)實(shí)現(xiàn)。上述4個(gè)輸入層參數(shù)取值如表1所示。為了減少模型計(jì)算量,提高計(jì)算效率和準(zhǔn)確性,所有輸入?yún)?shù)進(jìn)行了歸一化處理。以鋁合金流動(dòng)性作為評(píng)價(jià)指標(biāo),輸出層參數(shù)選用合金的流動(dòng)性,以熔融鋁合金液體的流程長(zhǎng)度進(jìn)行表征。為了避免模型計(jì)算結(jié)果超出系統(tǒng)限值,提高模型預(yù)測(cè)效果,對(duì)模型輸出參數(shù)進(jìn)行了歸一化逆運(yùn)算。
2試驗(yàn)材料及方法
以Al-7Si-xM汽車用高強(qiáng)鑄造鋁合金為基礎(chǔ),隨機(jī)選取上述表1所示的24種組合進(jìn)行鑄造試驗(yàn),獲得不同參數(shù)下鑄造的24個(gè)汽車用高強(qiáng)鋁合金試樣。熔煉在YFL-50型感應(yīng)熔煉爐中進(jìn)行,澆注模具采用自制模具,澆注前模具預(yù)熱溫度300℃。合金試樣采用自制金屬型模具進(jìn)行澆注,測(cè)試試樣結(jié)構(gòu)及尺寸如圖2所示。在試驗(yàn)過(guò)程中,將熔融的鋁合金液體澆入金屬鑄型中,測(cè)量出熔融鋁合金液體的流程長(zhǎng)度。流程長(zhǎng)度越大,說(shuō)明試樣流動(dòng)性越好,試樣鑄造性能越佳;反之,流程長(zhǎng)度越小,說(shuō)明試樣流動(dòng)性越差,試樣鑄造性能越差。
3模型訓(xùn)練及預(yù)測(cè)驗(yàn)證
3.1模型訓(xùn)練
汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)為:函數(shù)選擇Trainlm函數(shù)、速率設(shè)置0.02、動(dòng)量因子設(shè)置0.8、期望誤差設(shè)置1×10-5、其它參數(shù)則選用Matlab系統(tǒng)默認(rèn)值。從前述試驗(yàn)獲得的24組試驗(yàn)數(shù)據(jù)中隨機(jī)選取18組數(shù)據(jù),作為訓(xùn)練樣本數(shù)據(jù),如表2所示。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能曲線如圖3所示。從表2和圖3可以看出,模型經(jīng)過(guò)8892次迭代運(yùn)算后實(shí)現(xiàn)收斂,訓(xùn)練性能曲線平滑,模型的相對(duì)訓(xùn)練誤差(神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練值和試驗(yàn)值之差的絕對(duì)值與試驗(yàn)值的百分比)在3.50%~6.41%,相對(duì)訓(xùn)練誤差小于6.5%,平均相對(duì)訓(xùn)練誤差4.76%,相對(duì)訓(xùn)練誤差較小,模型具有較好的訓(xùn)練性能,能較真實(shí)地反應(yīng)神經(jīng)網(wǎng)絡(luò)模型各輸入?yún)?shù)(合金元素、元素含量、熔煉溫度、澆注溫度)與輸出參數(shù)(流動(dòng)性)之間的內(nèi)在聯(lián)系,建立各輸入?yún)?shù)與輸出參數(shù)間的對(duì)應(yīng)關(guān)系。
3.2模型預(yù)測(cè)驗(yàn)證
汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)驗(yàn)證樣本數(shù)據(jù)來(lái)源于試驗(yàn)所得數(shù)據(jù)中尚未學(xué)習(xí)訓(xùn)練的剩余6組試驗(yàn)數(shù)據(jù)。表3是汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證樣本具體數(shù)據(jù)以及驗(yàn)證分析結(jié)果。從表3可以看出,神經(jīng)網(wǎng)絡(luò)模型的相對(duì)預(yù)測(cè)誤差(神經(jīng)網(wǎng)絡(luò)模型輸出預(yù)測(cè)值和試驗(yàn)值之差的絕對(duì)值與試驗(yàn)值的百分比)介于4.25%~5.56%,相對(duì)預(yù)測(cè)誤差小于6%,平均相對(duì)預(yù)測(cè)誤差4.88%。由此可以看出,本文構(gòu)建的汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型可以獲得較低的相對(duì)預(yù)測(cè)誤差,擁有較強(qiáng)的鑄造性能預(yù)測(cè)分析能力,同時(shí)還有比較優(yōu)異的預(yù)測(cè)精度,能準(zhǔn)確地反映神經(jīng)網(wǎng)絡(luò)模型各輸入?yún)?shù)(合金元素、元素含量、熔煉溫度、澆注溫度)與輸出參數(shù)(流動(dòng)性)之間的內(nèi)在聯(lián)系,建立各輸入?yún)?shù)與輸出參數(shù)之間的對(duì)應(yīng)關(guān)系,可用于汽車高強(qiáng)鋁合金鑄造性能優(yōu)化預(yù)測(cè)。
4結(jié)論
(1)以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數(shù),以Al-7Si-xM(x代表合金元素的百分含量,M代表合金元素)汽車用高強(qiáng)鑄造鋁合金流動(dòng)性作為輸出層參數(shù),選用Purelin函數(shù)、Tansig函數(shù)和Trainlm函數(shù)分別作為神經(jīng)網(wǎng)絡(luò)模型的輸出層傳遞函數(shù)、隱含層傳遞函數(shù)、訓(xùn)練函數(shù),建立了具有4×16×4×1四層拓?fù)浣Y(jié)構(gòu)的高強(qiáng)鑄造鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,完成了較高精度的汽車用高強(qiáng)鑄造鋁合金鑄造性能優(yōu)化預(yù)測(cè)。(2)汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型經(jīng)過(guò)8892次迭代運(yùn)算后收斂,模型的相對(duì)訓(xùn)練誤差介于3.50%~6.41%,平均相對(duì)訓(xùn)練誤差4.76%。(3)汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的相對(duì)預(yù)測(cè)誤差介于4.25%~5.56%,平均相對(duì)預(yù)測(cè)誤差4.88%,模型預(yù)測(cè)能力較強(qiáng),預(yù)測(cè)精度較高,可以用于汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化預(yù)測(cè)。
作者:葉進(jìn)寶 陳建華 李相軍 單位:邯鄲職業(yè)技術(shù)學(xué)院 河南理工大學(xué)材料科學(xué)與工程學(xué)院