神经网络算法下汽车铸造性能优化

前言：想要写出一篇引人入胜的文章？我们特意为您整理了神经网络算法下汽车铸造性能优化范文，希望能给你带来灵感和参考，敬请阅读。

摘要：为了进行汽车用高强铝合金铸造性能优化，本文以合金元素、元素含量、熔炼温度、浇注温度为输入层参数，以合金的流动性作为输出层参数，选用Purelin函数、Tansig函数和Trainlm函数分别作为神经网络模型的输出层传递函数、隐含层传递函数、训练函数，采用神经网络算法构建了4×16×4×1四层拓扑结构的神经网络模型。进行了神经网络模型的学习训练、预测分析以及未经学习训练样本的验证。结果表明，神经网络模型经过8892次迭代运算后收敛，模型的相对训练误差是3.50%～6.41%，平均相对训练误差是4.76%；相对预测误差是4.25%～5.56%，平均相对预测误差4.88%。神经网络模型预测能力较强，预测精度较高，可以用于汽车用高强铝合金铸造性能优化预测。

关键词：铸造性能；流动性；神经网络算法；高强铝合金；优化模型

铸造铝合金在轻量化进程不断推进的今天具有广阔的应用前景，也极具研究价值。林佳武等[1]进行了真空高压铸造铝合金车身后纵梁轻量化设计。王永飞等[2]研究了ZL104铝合金连杆半固态挤压铸造工艺。朱大智[3]研究了铸造铝合金车轮水冷模具。李家奇等[4]对ZL201铸造铝合金副车架热裂倾向性进行了理论研究。张殿杰等[5]对薄壁轮辐铝合金轮毂低压铸造工艺进行了计算机仿真及试验验证。索小娟等[6]分析了电磁铸造搅拌频率对汽车用A356铝合金组织和性能的影响。陈仁桂等[7]研究了7075铝合金2540mm×550mm规格扁锭铸造工艺。但是，在工业化生产中铝合金的铸造性能特别重要，它是改善产品质量，提高生产效率，降低生产成本的重要影响因素。但是铝合金铸造性能的影响因素众多，如果单靠实物试验将耗费大量的人力、物力和财力，且研发效率低下。神经网络是一种基于计算机的人工智能技术，在产品工艺和性能优化等领域具有成功应用。于文涛等[8]基于神经网络技术进行了铝合金汽车轮毂低压铸造工艺优化。冯瑞等[9]基于应变补偿和BP神经网络技术研究了BT25钛合金本构关系。王春晖等[10]基于BP神经网络技术构建了BSTMUF601高温合金蠕变本构模型。但是，目前关于铝合金铸造性能的神经网络优化还鲜有报道。为此，本文尝试采用神经网络算法进行汽车用高强铝合金铸造性能优化。

1神经网络模型

采用神经网络算法，构建汽车用高强铝合金铸造性能优化的神经网络模型。以Al-7Si-xM（x代表合金元素的百分含量，此处取值范围0～1.0；M代表合金元素，在Cu、Mg、Ti、V四种合金元素中选择其中一种）汽车用高强铸造铝合金为研究对象，采用4×16×4×1四层拓扑结构的神经网络模型，如图1所示。模型由输入层、输出层和隐含层三大部分组成。其中输入层旨在向神经网络模型输入汽车用高强铝合金铸造性能优化紧密相关的4个神经单元（即4个输入参数，分别为：合金元素、元素含量、熔炼温度、浇注温度）；隐含层旨在进行内部运算，包括拥有16个神经单元的隐含层1和4个神经单元的隐含层2，隐含层数据间的传递选择Tansig函数来实现；输出层旨在输出模型运算和预测分析结果，输出层数据间的传递选择Purelin函数来实现。上述4个输入层参数取值如表1所示。为了减少模型计算量，提高计算效率和准确性，所有输入参数进行了归一化处理。以铝合金流动性作为评价指标，输出层参数选用合金的流动性，以熔融铝合金液体的流程长度进行表征。为了避免模型计算结果超出系统限值，提高模型预测效果，对模型输出参数进行了归一化逆运算。

2试验材料及方法

以Al-7Si-xM汽车用高强铸造铝合金为基础，随机选取上述表1所示的24种组合进行铸造试验，获得不同参数下铸造的24个汽车用高强铝合金试样。熔炼在YFL-50型感应熔炼炉中进行，浇注模具采用自制模具，浇注前模具预热温度300℃。合金试样采用自制金属型模具进行浇注，测试试样结构及尺寸如图2所示。在试验过程中，将熔融的铝合金液体浇入金属铸型中，测量出熔融铝合金液体的流程长度。流程长度越大，说明试样流动性越好，试样铸造性能越佳；反之，流程长度越小，说明试样流动性越差，试样铸造性能越差。

3模型训练及预测验证

3.1模型训练

汽车用高强铝合金铸造性能优化神经网络模型的训练参数为：函数选择Trainlm函数、速率设置0.02、动量因子设置0.8、期望误差设置1×10-5、其它参数则选用Matlab系统默认值。从前述试验获得的24组试验数据中随机选取18组数据，作为训练样本数据，如表2所示。神经网络模型的训练性能曲线如图3所示。从表2和图3可以看出，模型经过8892次迭代运算后实现收敛，训练性能曲线平滑，模型的相对训练误差（神经网络模型输出训练值和试验值之差的绝对值与试验值的百分比）在3.50%～6.41%，相对训练误差小于6.5%，平均相对训练误差4.76%，相对训练误差较小，模型具有较好的训练性能，能较真实地反应神经网络模型各输入参数（合金元素、元素含量、熔炼温度、浇注温度）与输出参数（流动性）之间的内在联系，建立各输入参数与输出参数间的对应关系。

3.2模型预测验证

汽车用高强铝合金铸造性能优化神经网络模型的预测验证样本数据来源于试验所得数据中尚未学习训练的剩余6组试验数据。表3是汽车用高强铝合金铸造性能优化神经网络模型的验证样本具体数据以及验证分析结果。从表3可以看出，神经网络模型的相对预测误差（神经网络模型输出预测值和试验值之差的绝对值与试验值的百分比）介于4.25%～5.56%，相对预测误差小于6%，平均相对预测误差4.88%。由此可以看出，本文构建的汽车用高强铝合金铸造性能优化神经网络模型可以获得较低的相对预测误差，拥有较强的铸造性能预测分析能力，同时还有比较优异的预测精度，能准确地反映神经网络模型各输入参数（合金元素、元素含量、熔炼温度、浇注温度）与输出参数（流动性）之间的内在联系，建立各输入参数与输出参数之间的对应关系，可用于汽车高强铝合金铸造性能优化预测。

4结论

（1）以合金元素、元素含量、熔炼温度、浇注温度为输入层参数，以Al-7Si-xM（x代表合金元素的百分含量，M代表合金元素）汽车用高强铸造铝合金流动性作为输出层参数，选用Purelin函数、Tansig函数和Trainlm函数分别作为神经网络模型的输出层传递函数、隐含层传递函数、训练函数，建立了具有4×16×4×1四层拓扑结构的高强铸造铝合金铸造性能优化神经网络模型，完成了较高精度的汽车用高强铸造铝合金铸造性能优化预测。（2）汽车用高强铝合金铸造性能优化神经网络模型经过8892次迭代运算后收敛，模型的相对训练误差介于3.50%～6.41%，平均相对训练误差4.76%。（3）汽车用高强铝合金铸造性能优化神经网络模型的相对预测误差介于4.25%～5.56%，平均相对预测误差4.88%，模型预测能力较强，预测精度较高，可以用于汽车用高强铝合金铸造性能优化预测。

作者:叶进宝 陈建华 李相军 单位:邯郸职业技术学院 河南理工大学材料科学与工程学院