Za sveobuhvatnije razumijevanje i procjenupjenasti aluminijumperformanse.istraživači su uveli različite indikatore karakterizacije. Međutim, trenutno razumijevanje značaja ovih pokazatelja u analizi performansi pjenastog aluminija je ograničeno. Ova studija koristi metodu neuronske mreže generalizovane regresije (GRNN) za uspostavljanje modela koji povezuje podatke o karakterizaciji mikrostrukture pjenastog aluminijuma sa njegovim mehaničkim svojstvima. Kroz CRNN model, istraživači su izdvojili četiri najvažnije karakteristike i njihove odgovarajuće vrijednosti težine iz 13 karakteristika pora pjenastog aluminija. Nakon toga, nova formula za karakterizaciju, nazvana “Wang ekvivalentna poroznost” (WEP), je razvijena korištenjem zaostalih težina dodijeljenih težinama karakteristika, i dobivena su četiri parametarska koeficijenta. Ova formula ima za cilj da predstavi odnos između mikrostrukturnih karakteristika pjenastog aluminijuma i njegovih mehaničkih performansi. Nadalje, istraživači su izvršili verifikaciju modela koristeći podatke o kompresiji iz 11 setovapjenasti aluminij. Rezultati validacije su pokazali da je među ovih 11 skupova podataka od pjenastog aluminija. Gibson-Ashby formula je dala anomalne rezultate u dva slučaja, dok je WEP pokazao izuzetnu stabilnost bez ikakvih anomalija. U poređenju sa Gibson-Ashby formulom, WEP je pokazao poboljšanje od 18,18% u tačnosti procjene.

Pjenasti aluminij, sastavljen od metala aluminija ili njegovih legura, odlikuje se svojom poroznom prirodom brojnim prazninama i strukturom nalik saću. Hitno je potreban razvoj preciznih i sveobuhvatnih metoda procjene performansi kako bi se poboljšala upotreba pjenastog aluminija.

Gibson-Ashbyjeva formula i Hanssenova formula, koje su uveli Gibson i Ashby, imaju značaj kao tradicionalne jednadžbe za opisivanje mehaničkih karakteristika poroznih materijala.pjenasti aluminijprikazuje različite mikrostrukture i na njega utiču različiti strukturni faktori, kao što su poroznost, veličina pora i raspodela pora. Većina ovih konvencionalnih konstitutivnih odnosa su makroskopski fenomenološki modeli koji ne uzimaju u obzir utjecaj struktura pora. Nadalje, pjenasti aluminij može imati različite zahtjeve za performanse u različitim scenarijima primjene. Shodno tome, metode evaluacije moraju biti prilagođene da zadovolje specifične zahtjeve primjene. Osim toga, polju pjenastog aluminija nedostaju standardizirane metode ispitivanja i parametri performansi, što dovodi do izazova i potvrđivanja nalaza u različitim uporednim studijama. Ukratko, tradicionalne metode ne uspijevaju uspostaviti korelaciju između mikrostrukturnih atributa pjenastog aluminija i njegovih mehaničkih karakteristika ili precizno modelirati i prognozirati mehanička svojstva pjenastog aluminija unutar parametarskog prostora. Oslanjajući se isključivo na makroskopsku perspektivu za procjenu mehaničkih svojstava pjenastog aluminija više ne ispunjava zahtjeve suvremenog dizajna performansi. Uspostavljanje odnosa mapiranja izmeđupjenasti aluminijumstrukturni parametri i njegove mehaničke karakteristike je hitna i ključna stvar.

U ovoj studiji, predložen je novi parametar karakterizacije nazvan ekvivalentna poroznost da bi se prikazao odnos između mikrostrukturnih karakteristika i performansi pjenastog aluminija. Ovaj parametar je izveden iz ponderisane distribucije karakteristika kao što su poroznost, prosječna veličina pora i kružnost pjenastog aluminijuma. Eksperimentalnom verifikacijom na uzorcima od pjenastog aluminijuma, pokazano je da ekvivalentna poroznost, kao novi parametar karakterizacije, pruža precizniji odraz performansi pjenastog aluminija.

U ovoj studiji usvajamo interdisciplinarni pristup kombinovanjem nauke o materijalima sa mašinskim učenjem. Tehnike mašinskog učenja, kao što su izbor karakteristika, analiza težine karakteristika i alokacija preostale težine, integrisane su da bi se uspostavila formula za ekvivalentnu poroznost. Pokazali smo tačnost ekvivalentne poroznosti kao novog parametra karakterizacije kroz validaciju pet skupova uzoraka, pružajući precizan odraz performansi pjenastog aluminija. Pružamo precizniju metodu za procjenu i analizu mehaničkih svojstava materijala, nudeći vrijedne reference za donošenje odluka i analizu. Istraživanje je usko povezano sa brzim napretkom velikih podataka i tehnologija umjetne inteligencije spajanjem istraživanja materijala vođenih podacima s proučavanjem pjenastog aluminija. Predstavljamo nove obrasce i metode, nudeći svježu perspektivu na karakterizaciju i analizu performansi pjenastog aluminija.