Da biste stekli sveobuhvatnije razumijevanje i procijenilipjenast aluminijučinak.istraživači su uveli različite karakterizacijske pokazatelje. Međutim, trenutačno razumijevanje značaja ovih pokazatelja u analizi učinka pjenastog aluminija je ograničeno. Ova studija koristi metodu generalizirane regresijske neuronske mreže (GRNN) za uspostavljanje modela koji povezuje podatke o karakterizaciji mikrostrukture pjenastog aluminija s njegovim mehaničkim svojstvima. Kroz CRNN model, istraživači su izdvojili četiri najvažnije značajke i njihove odgovarajuće težinske vrijednosti iz 13 karakteristika pora pjenastog aluminija. Nakon toga, razvijena je nova formula za karakterizaciju, nazvana "Wangova ekvivalentna poroznost" (WEP), korištenjem rezidualnih težina dodijeljenih značajkama te su dobivena četiri koeficijenta parametra. Ova formula ima za cilj predstaviti odnos između mikrostrukturnih značajki pjenastog aluminija i njegove mehaničke izvedbe. Nadalje, istraživači su proveli verifikaciju modela korištenjem kompresijskih podataka iz 11 skupovapjenasti aluminij. Rezultati validacije pokazali su da među ovih 11 skupova podataka o pjenastom aluminiju. Gibson-Ashby formula je dala anomalne rezultate u dva slučaja, dok je WEP pokazao iznimnu stabilnost bez ikakvih anomalija. U usporedbi s Gibson-Ashby formulom, WEP je pokazao poboljšanje točnosti procjene od 18,18%.

Pjenasti aluminij, sastavljen od metala aluminija ili njegovih legura, odlikuje se svojom poroznom prirodom, brojnim šupljinama i strukturom poput saća. Hitno je potreban razvoj preciznih i sveobuhvatnih metoda procjene učinka kako bi se povećala upotreba pjenastog aluminija.

Gibson-Ashby formula i Hanssen formula, koje su uveli Gibson i Ashby, imaju značaj kao tradicionalne jednadžbe za opisivanje mehaničkih karakteristika materijala poroznih. Ipak,pjenasti aluminijprikazuje različite mikrostrukture i na njega utječu različiti strukturni čimbenici, kao što su poroznost, veličina pora i distribucija 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 učinkom u različitim scenarijima primjene. Posljedično, metode ocjenjivanja moraju biti prilagođene za ispunjavanje specifičnih zahtjeva primjene. Osim toga, području pjenastog aluminija nedostaju standardizirane metode ispitivanja i parametri izvedbe, što dovodi do izazova i potvrđivanja nalaza u različitim usporednim studijama. Ukratko, tradicionalne metode ne uspijevaju uspostaviti korelaciju između mikrostrukturnih svojstava pjenastog aluminija i njegovih mehaničkih karakteristika ili precizno modelirati i predvidjeti mehanička svojstva pjenastog aluminija unutar prostora parametara. Oslanjanje isključivo na makroskopsku perspektivu za procjenu mehaničkih svojstava pjenastog aluminija više ne zadovoljava zahtjeve dizajna suvremenih performansi. Uspostavljanje odnosa preslikavanja izmeđupjenast aluminijstrukturni parametri i njegove mehaničke karakteristike hitna je i ključna stvar.

U ovoj studiji predložen je novi karakterizacijski parametar nazvan ekvivalentna poroznost za predstavljanje odnosa između mikrostrukturnih značajki i performansi pjenastog aluminija. Ovaj je parametar izveden iz ponderirane distribucije značajki kao što su poroznost, prosječna veličina pora i kružnost pjenastog aluminija. Kroz eksperimentalnu provjeru na uzorcima pjenastog aluminija, pokazano je da ekvivalentna poroznost, kao novi karakterizacijski parametar, daje točniji odraz performansi pjenastog aluminija.

U ovoj studiji usvajamo interdisciplinarni pristup kombinirajući znanost o materijalima sa strojnim učenjem. Tehnike strojnog učenja, poput odabira značajki, analize težine značajki i raspodjele preostale težine, integrirane su kako bi se uspostavila formula za ekvivalentnu poroznost. Pokazali smo točnost ekvivalentne poroznosti kao novog parametra karakterizacije kroz validaciju pet setova uzoraka, pružajući precizan odraz performansi pjenastog aluminija. Nudimo precizniju metodu za procjenu i analizu mehaničkih svojstava materijala, nudeći vrijedne reference za donošenje odluka i analizu. Istraživanje je usko povezano s brzim napretkom u tehnologijama velikih podataka i umjetne inteligencije spajanjem istraživanja materijala temeljenog na podacima s proučavanjem pjenastog aluminija. Predstavljamo nove obrasce i metode, nudeći svježu perspektivu karakterizacije i analize performansi pjenastog aluminija.