Saadaksesi kattavamman ymmärryksen ja arvioidaksesivaahto alumiiniasuorituskyky.tutkijat ovat ottaneet käyttöön erilaisia ​​karakterisointiindikaattoreita. Nykyinen ymmärrys näiden indikaattoreiden merkityksestä vaahtoalumiinin suorituskyvyn analysoinnissa on kuitenkin rajallinen. Tässä tutkimuksessa käytetään GRNN-menetelmää (Generalized Regression Neural Network) mallin luomiseksi, joka yhdistää vaahtoalumiinin mikrorakenteen karakterisointitiedot sen mekaanisiin ominaisuuksiin. CRNN-mallin avulla tutkijat poimivat neljä tärkeintä ominaisuutta ja niitä vastaavat painoarvot vaahtoalumiinin 13 huokosominaisuuksista. Myöhemmin kehitettiin uusi karakterisointikaava, nimeltään ”Wang-ekvivalentti huokoisuus” (WEP) käyttämällä ominaispainoille määritettyjä jäännöspainoja, ja saatiin neljä parametrikerrointa. Tämän kaavan tarkoituksena on edustaa vaahtoalumiinin mikrorakenteen ominaisuuksien ja sen mekaanisen suorituskyvyn välistä suhdetta. Lisäksi tutkijat suorittivat mallin todentamisen käyttämällä puristustietoja 11 sarjasta.vaahto alumiini. Validointitulokset osoittivat, että näiden 11 vaahtoalumiinitietojoukon joukossa. Gibson-Ashby-kaava tuotti poikkeavia tuloksia kahdessa tapauksessa, kun taas WEP osoitti poikkeuksellista vakautta ilman poikkeavuuksia. Verrattuna Gibson-Ashby-kaavaan, WEP osoitti 18,18 %:n parannusta arvioinnin tarkkuudella.

Alumiinimetallista tai sen seoksista koostuva vaahtoalumiinille on ominaista sen huokoinen luonne, lukuisat aukot ja kennomainen rakenne. Tarkkojen ja kattavien suorituskyvyn arviointimenetelmien kehittäminen on kiireellistä vaahtoalumiinin käytön tehostamiseksi.

Gibsonin ja Ashbyn käyttöönottamat Gibson-Ashby-kaavat ja Hanssen-kaavat ovat tärkeitä perinteisinä yhtälöinä huokoisten materiaalien mekaanisten ominaisuuksien kuvaamisessa.vaahto alumiinisisältää erilaisia ​​mikrorakenteita ja siihen vaikuttavat useat rakenteelliset tekijät, kuten huokoisuus, huokoskoko ja huokosten jakautuminen. Suurin osa näistä tavanomaisista konstitutiivisista suhteista on makroskooppisia fenomenologisia malleja, jotka eivät ota huomioon huokosrakenteiden vaikutusta. Lisäksi vaahtoalumiinilla voi olla erilaiset suorituskykyvaatimukset eri käyttöskenaarioissa. Tästä syystä arviointimenetelmät on räätälöitävä vastaamaan erityisiä sovellusvaatimuksia. Lisäksi vaahtoalumiinikentältä puuttuu standardoituja testausmenetelmiä ja suorituskykyparametreja, mikä johtaa haasteisiin ja tulosten validointiin eri vertailututkimuksissa. Yhteenvetona voidaan todeta, että perinteiset menetelmät eivät pysty määrittämään korrelaatiota vaahtoalumiinin mikrorakenteellisten ominaisuuksien ja sen mekaanisten ominaisuuksien välillä tai tarkkaan mallintaa ja ennustaa vaahtoalumiinin mekaanisia ominaisuuksia parametritilassa. Pelkästään makroskooppisen näkökulman luottaminen vaahtoalumiinin mekaanisten ominaisuuksien arvioinnissa ei enää täytä nykyaikaisia ​​suorituskyvyn suunnitteluvaatimuksia. Perustaminen kartoitus suhdettavaahto alumiiniarakenteelliset parametrit ja sen mekaaniset ominaisuudet ovat painava ja keskeinen asia.

Tässä tutkimuksessa ehdotettiin uutta karakterisointiparametria, jota kutsutaan ekvivalenttihuokoisuudeksi, edustamaan suhdetta vaahtoalumiinin mikrorakenteen ominaisuuksien ja suorituskyvyn välillä. Tämä parametri johdettiin ominaisuuksien, kuten huokoisuuden, keskimääräisen huokoskoon ja vaahtoalumiinin pyöreyden, painotetusta jakaumasta. Vaahtoalumiininäytteiden kokeellisella tarkastuksella on osoitettu, että ekvivalenttihuokoisuus uutena karakterisointiparametrina tarjoaa tarkemman heijastaa vaahtoalumiinin suorituskykyä.

Tässä tutkimuksessa omaksumme poikkitieteellisen lähestymistavan yhdistämällä materiaalitieteen ja koneoppimisen. Koneoppimistekniikat, kuten piirteiden valinta, ominaispainoanalyysi ja jäännöspainon jakaminen, on integroitu muodostamaan kaava vastaavalle huokoisuudelle. Olemme osoittaneet vastaavan huokoisuuden tarkkuuden uutena karakterisointiparametrina validoimalla viisi näytesarjaa, jotka tarjoavat tarkan heijastuksen vaahtoalumiinin suorituskyvystä. Tarjoamme entistä tarkemman menetelmän materiaalin mekaanisten ominaisuuksien arviointiin ja analysointiin, tarjoten arvokkaita referenssejä päätöksentekoon ja analysointiin. Tutkimus on tiiviisti linjassa big datan ja tekoälyteknologian nopean kehityksen kanssa yhdistämällä datapohjaisen materiaalitutkimuksen vaahtoalumiinin tutkimukseen. Esittelemme uusia malleja ja menetelmiä, jotka tarjoavat uuden näkökulman vaahtoalumiinin suorituskyvyn karakterisointiin ja analysointiin.