反向传播神经网络联合遗传算法对复合材料模量的预测
王卓鑫, 赵海涛, 谢月涵, 任翰韬, 袁明清, 张博明, 陈吉安
Prediction of Modulus of Composite Materials by BP Neural Network Optimized by Genetic Algorithm
WANG Zhuoxin, ZHAO Haitao, XIE Yuehan, REN Hantao, YUAN Mingqing, ZHANG Boming, CHEN Ji’an
上海交通大学学报 . 2022, (10): 1341 -1348 .  DOI: 10.16183/j.cnki.jsjtu.2021.126
_支持向量机支持向量机

支持向量机

文章位置

到目前为止,工业实验仍是树脂基复合材料模量数据获取的主要方式,而此种方式昂贵且耗时,需要对复合材料的所有参数都进行反复试验,大大提高了造价和放缓了进程.鉴于此,在大规模生产之前,以合理的精度预测材料的模量数据有助于制造企业和设计人员缩短周期同时降低成本.现今,机器学习已经可以为复杂的工业设计过程提供实时、快速和较高质量的预测.特别是在复合材料领域,机器学习已经成为分析材料属性的重要工具.Gelayol等[2]曾针对碳纤维结构的力学性能采用支持向量回归(SVR)和人工神经网络(ANN)的方法进行预测,误差均低于5%.Zhang等[3]曾用4种机器学习方法,即ANN、支持向量机(SVM)、决策树(DT)和K最邻近(KNN)研究石墨烯的3种力学性能,即弹性模量、断裂强度与应变,这项研究为发现和使用最新的计算方法探究机械性能提供了独特视角.Chen等[4]为预测颗粒增强金属基复合材料的强度,分别用直接法和人工神经网络两种方式进行对比试验,发现人工神经网络能对材料的极限强度和耐久性极限作出比较准确的预测.Qi等[5]在机器学习中使用回归树的方法建立了碳纤维单丝的性能变量和复合材料宏观参数之间的关系,分析了碳纤维的4种弹性性能,获得了具有较好泛化性能的模型. 杨红等[6]采用反向传播(BP)、径向基函数神经网络(RBF)和SVR方法预测分析了木材的性能,通过比较得出SVR的泛化能力和准确率更高. 白晓明[7]将张量分解的数据挖掘方法用于分析复合材料的宏观和微观性能,该方式在宏观性能上能够更贴切直接数值拟合. 张博[8]采用梯度提升回归树(GBRT)的方法对稀土基化合物的磁熵变进行了机器学习预测分析,也得到了较准的预测结果.Qi等[9]针对碳纤维单丝和复合材料的宏观参数使用分类回归树(CART)的方法对二者的关系展开预测,所得方法改进了测试误差,可以被借鉴应用到其他领域.