神經(jīng)網(wǎng)絡(luò)算法下汽車鑄造性能優(yōu)化

前言：想要寫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，希望能給你帶來靈感和參考，敬請閱讀。

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8892次迭代運(yùn)算后收斂，模型的相對訓(xùn)練誤差是3.50%～6.41%，平均相對訓(xùn)練誤差是4.76%；相對預(yù)測誤差是4.25%～5.56%，平均相對預(yù)測誤差4.88%。神經(jīng)網(wǎng)絡(luò)模型預(yù)測能力較強(qiáng)，預(yù)測精度較高，可以用于汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化預(yù)測。

關(guān)鍵詞：鑄造性能；流動性；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，也極具研究價(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)來實(shí)現(xiàn)；輸出層旨在輸出模型運(yùn)算和預(yù)測分析結(jié)果，輸出層數(shù)據(jù)間的傳遞選擇Purelin函數(shù)來實(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。以鋁合金流動性作為評價(jià)指標(biāo)，輸出層參數(shù)選用合金的流動性，以熔融鋁合金液體的流程長度進(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)測效果，對模型輸出參數(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，測試試樣結(jié)構(gòu)及尺寸如圖2所示。在試驗(yàn)過程中，將熔融的鋁合金液體澆入金屬鑄型中，測量出熔融鋁合金液體的流程長度。流程長度越大，說明試樣流動性越好，試樣鑄造性能越佳；反之，流程長度越小，說明試樣流動性越差，試樣鑄造性能越差。

3模型訓(xùn)練及預(yù)測驗(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)值之差的絕對值與試驗(yàn)值的百分比）在3.50%～6.41%，相對訓(xùn)練誤差小于6.5%，平均相對訓(xùn)練誤差4.76%，相對訓(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)間的對應(yīng)關(guān)系。

3.2模型預(yù)測驗(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)測驗(yàn)證樣本數(shù)據(jù)來源于試驗(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)模型的相對預(yù)測誤差（神經(jīng)網(wǎng)絡(luò)模型輸出預(yù)測值和試驗(yàn)值之差的絕對值與試驗(yàn)值的百分比）介于4.25%～5.56%，相對預(yù)測誤差小于6%，平均相對預(yù)測誤差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預(yù)測誤差，擁有較強(qiáng)的鑄造性能預(yù)測分析能力，同時(shí)還有比較優(yōu)異的預(yù)測精度，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。

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。（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8892次迭代運(yùn)算后收斂，模型的相對訓(xùn)練誤差介于3.50%～6.41%，平均相對訓(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)模型的相對預(yù)測誤差介于4.25%～5.56%，平均相對預(yù)測誤差4.88%，模型預(yù)測能力較強(qiáng)，預(yù)測精度較高，可以用于汽車用高強(qiáng)鋁合金鑄造性能優(yōu)化預(yù)測。

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