第16卷 第1期
摘要：目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造 6061 铝合金及 TiC 增强 6061 铝合金力学性能的数据集，并建立了一种以焊接电流、焊接速度、脉冲频率、TiC 颗粒含量为输入，以屈服强度和抗拉强度为输出的神经网预测模型，对比了反向传播神经网络 （BP）、粒子群算法优化 BP 神经网络（PSO-BP）、遗传算法优化 BP 神经网络（GA-BP）3 种预测模型 的精度。结果 与 BP 模型和 PSO-BP 模型相比，GA-BP 预测模型具有更好的预测精度。其中，GA-BP 模型预测 6061 铝合金屈服强度最佳结果的相关系数（R）为 0.965，决定系数（R2 ）为 0.93，平均绝对误差（Mean Absolute Error，MAE）为 2.35，均方根误差（Root Mean Square Error，RMSE）为 2.67；预测 TiC 增强的 6061 铝合金抗拉强度最佳结果的 R=1，R2高达 0.99，MAE 为 0.46，RMSE 为 0.49，GA-BP 具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3 种神经网络模型可以用来预测电弧增材制造铝合金的力学性能，GA-BP 模型比其他 2 种模型的预测精度更优。与传统的实验方法相比，用神经网络模型预测电弧增材制造铝合金力学性能的速度更快，成本更低。
图1 BP 神经网络预测 WAAM 铝合金力学性能的预测模型
图4 预测及对比过程
图5 BP 模型预测电弧增材制造 6061 铝合金力学性能测试集预测值与真实值对比
图9 PSO-BP 模型预测 TiC 增强的 6061 铝合金力学性能测试集预测值与真实值对比
图10 GA-BP 模型预测 TiC 增强的 6061 铝合金力学性能测试集预测值与真实值对比
图11 3 种模型预测电弧增材制造 6061 铝合金力学性能评价指标对比
图12 3 种模型预测电弧增材制造 TiC 增强的 6061铝合金力学性能评价指标对比
总结：
通过实验数据获得了一系列电弧增材制造 6061 铝合金及 TiC 增强 6061 铝合金的力学性能数据，建立了数据集，并建立了 3 种分别以焊接电流、焊接速度和脉冲频率为输入，以抗拉强度和屈服强度为输出的神经网络模型（BP、PSO-BP、GA-BP）；以焊接电流、焊接速度和 TiC 颗粒含量为输入，以抗拉强度和屈服强度为输出的神经网络模型，用于预测电弧增材制造 6061 铝合金及 TiC 增强 6061 铝合金的力学性能。通过比较 3 种不同神经网络预测电弧增材制造 6061 铝合金及 TiC 增强 6061 铝合金力学性能的预测精度，得出以下结论：
1）通过对比 3 种神经网络预测模型的评价指标发现，利用 PSO 和 GA 算法优化 BP 神经网络后，模型在预测铝合金抗拉强度时有更高的预测精度。与 BP 模型和 PSO-BP 模型相比，GA-BP 模型具有更好的可靠性和预测精度，GA-BP 模型预测电弧增材制 造 6061铝合金力学性能的相关系数 R 均在 0.94以上，RMSE 低至 1.94，预测 TiC 增强 6061 铝合金抗拉强度的 R、R2 、MAE 和 RMSE 分别为 1、0.99、0.44 和 0.49。
2）利用 GA-BP 神经网络预测模型可满足快速预测电弧增材制造 6061 铝合金及 TiC 增强 6061 铝合金力学性能的要求。与传统拉伸实验相比，利用 GA-BP 神经网络预测模型进行预测不需要进行实验，并可在 10 s 内快速预测出材料的屈服强度和抗拉强度，具有良好的经济性和实用性。GA-BP 模型具有良好的预测效果，本文研究可为电弧增材制造领域及其他领域的性能预测应用提供参考。
DOI:10.3969/j.issn.1674-6457.2024.01.005
期刊英文名称简写：J. Netshape Form. Eng.
张子琪，周祥曼，郑事成，李波，李立军，付君健等.基于神经网络的电弧增材制造铝合金力学性能预测[J]. 精密成形工程, 2024, 16(1): 43-51.
Zhang Ziqi, ZHOU Xiangman, ZHENG Shicheng, Li Bo, LI Lijun, Fu Junjian et al. Prediction of Mechanical Properties of Aluminum Alloy by arc additive Manufacturing based on Neural Network [J]. Precision Forming Engineering, 2024, 16(1): 43-51.
