Untuk mendapatkan pemahaman dan evaluasi yang lebih komprehensifbusa aluminiumkinerja. Para peneliti telah memperkenalkan berbagai indikator karakterisasi. Akan tetapi, pemahaman terkini tentang signifikansi indikator-indikator ini dalam menganalisis kinerja aluminium busa masih terbatas. Studi ini menggunakan metode Generalized Regression Neural Network (GRNN) untuk membangun model yang menghubungkan data karakterisasi mikrostruktur aluminium busa dengan sifat-sifat mekanisnya. Melalui model CRNN, para peneliti mengekstrak empat fitur yang paling penting dan nilai bobot yang sesuai dari 13 karakteristik pori aluminium busa. Selanjutnya, rumus karakterisasi baru, yang disebut "porositas ekuivalen Wang" (WEP), dikembangkan dengan menggunakan bobot residual yang ditetapkan pada bobot fitur, dan empat koefisien parameter diperoleh. Rumus ini bertujuan untuk merepresentasikan hubungan antara fitur mikrostruktur aluminium busa dan kinerja mekanisnya. Selanjutnya, para peneliti melakukan verifikasi model menggunakan data kompresi dari 11 setbusa aluminiumHasil validasi menunjukkan bahwa di antara 11 set data aluminium busa ini, rumus Gibson-Ashby menghasilkan hasil yang tidak lazim dalam dua kasus, sedangkan WEP menunjukkan stabilitas yang luar biasa tanpa anomali apa pun. Dibandingkan dengan rumus Gibson-Ashby, WEP menunjukkan peningkatan akurasi evaluasi sebesar 18,18%.

Aluminium busa, yang terdiri dari logam aluminium atau paduannya, dicirikan oleh sifatnya yang berpori, banyak rongga, dan struktur seperti sarang lebah. Pengembangan metode evaluasi kinerja yang tepat dan komprehensif sangat dibutuhkan untuk meningkatkan pemanfaatan aluminium busa.

Rumus Gibson-Ashby dan rumus Hanssen yang diperkenalkan oleh Gibson dan Ashby, mempunyai arti penting sebagai persamaan tradisional untuk menggambarkan karakteristik mekanik bahan berpori.busa aluminiummemperlihatkan struktur mikro yang beragam dan dipengaruhi oleh berbagai faktor struktural, seperti porositas, ukuran pori, dan distribusi pori. Mayoritas hubungan konstitutif konvensional ini adalah model fenomenologis makroskopis yang tidak memperhitungkan pengaruh struktur pori. Lebih jauh lagi, aluminium busa mungkin memiliki persyaratan kinerja yang berbeda dalam skenario aplikasi yang berbeda. Akibatnya, metode evaluasi harus disesuaikan untuk memenuhi persyaratan aplikasi tertentu. Selain itu, bidang aluminium busa tidak memiliki metode pengujian dan parameter kinerja yang terstandarisasi, yang menyebabkan tantangan dalam dan memvalidasi temuan di berbagai studi perbandingan. Singkatnya, metode tradisional gagal untuk menetapkan korelasi antara atribut mikrostruktur aluminium busa dan karakteristik mekanisnya atau untuk secara tepat memodelkan dan memperkirakan sifat mekanis aluminium busa dalam ruang parameter. Mengandalkan hanya perspektif makroskopis untuk mengevaluasi sifat mekanis aluminium busa tidak lagi memenuhi tuntutan desain kinerja kontemporer. Pembentukan hubungan pemetaan antarabusa aluminiumparameter struktural dan karakteristik mekanisnya merupakan hal yang mendesak dan penting.

Dalam penelitian ini, parameter karakterisasi baru yang disebut porositas ekuivalen diusulkan untuk menggambarkan hubungan antara fitur mikrostruktur dan kinerja aluminium busa. Parameter ini diperoleh dari distribusi fitur tertimbang seperti porositas, ukuran pori rata-rata, dan kebulatan aluminium busa. Melalui verifikasi eksperimental pada sampel aluminium busa, telah ditunjukkan bahwa porositas ekuivalen, sebagai parameter karakterisasi baru, memberikan gambaran yang lebih akurat tentang kinerja aluminium busa.

Dalam studi ini, kami mengadopsi pendekatan interdisipliner dengan menggabungkan ilmu material dengan pembelajaran mesin. Teknik pembelajaran mesin, seperti pemilihan fitur, analisis bobot fitur, dan alokasi bobot residual, diintegrasikan untuk menetapkan rumus untuk porositas ekuivalen. Kami telah menunjukkan keakuratan porositas ekuivalen sebagai parameter karakterisasi baru melalui validasi lima set sampel, yang memberikan refleksi yang tepat dari kinerja aluminium busa. Kami menyediakan metode yang lebih tepat untuk mengevaluasi dan menganalisis sifat mekanis material, yang menawarkan referensi berharga untuk pengambilan keputusan dan analisis. Penelitian ini sangat selaras dengan kemajuan pesat dalam teknologi big data dan kecerdasan buatan dengan menggabungkan penelitian material berbasis data dengan studi aluminium busa. Kami memperkenalkan pola dan metode baru, yang menawarkan perspektif baru tentang karakterisasi dan analisis kinerja aluminium busa.