より包括的な理解と評価を得るために発泡アルミニウム研究者らはこれまで様々な特性指標を導入してきた。しかし、発泡アルミニウムの性能分析におけるこれらの指標の重要性に関する理解は限られている。本研究では、一般化回帰ニューラルネットワーク（GRNN）法を用いて、発泡アルミニウムの微細構造特性データと機械的特性を関連付けるモデルを構築した。CRNNモデルを用いて、研究者らは発泡アルミニウムの13の気孔特性から最も重要な4つの特徴とそれに対応する重み値を抽出した。次に、特徴重みに割り当てられた残差重みを用いて「Wang等価気孔率」（WEP）と呼ばれる新しい特性評価式を開発し、4つのパラメータ係数を得た。この式は、発泡アルミニウムの微細構造特性と機械的性能の関係を表すことを目的としている。さらに、研究者らは11セットの圧縮データを用いてモデル検証を行った。発泡アルミニウム検証結果によると、11個の発泡アルミニウムデータセットのうち、ギブソン・アシュビー式は2つのケースで異常な結果を示しましたが、WEPは異常がなく非常に安定していました。ギブソン・アシュビー式と比較して、WEPは評価精度が18.18%向上しました。

アルミニウム金属またはその合金から構成される発泡アルミニウムは、多孔質、多数の空隙、そしてハニカム構造を特徴としています。発泡アルミニウムの利用拡大には、正確かつ包括的な性能評価方法の開発が急務となっています。

ギブソンとアシュビーによって導入されたギブソン・アシュビー式とハンセン式は、多孔質材料の機械的特性を記述するための伝統的な式として重要である。発泡アルミニウム発泡アルミニウムは多様な微細構造を示し、多孔度、細孔径、細孔分布といった様々な構造因子の影響を受けます。これらの従来の構成関係の大部分は、細孔構造の影響を考慮していないマクロ的な現象論的モデルです。さらに、発泡アルミニウムは、用途によって異なる性能要件を持つ場合があります。したがって、評価方法は特定の用途要件に合わせて調整する必要があります。さらに、発泡アルミニウム分野では標準化された試験方法と性能パラメータが欠如しているため、異なる比較研究における知見の検証が課題となっています。要約すると、従来の方法では、発泡アルミニウムの微細構造特性と機械的特性との相関関係を確立したり、パラメータ空間内で発泡アルミニウムの機械的特性を正確にモデル化および予測したりすることができません。発泡アルミニウムの機械的特性を評価するためにマクロ的な視点のみに頼ることは、もはや現代の性能設計の要求を満たすものではありません。発泡アルミニウム構造パラメータとその機械的特性は緊急かつ極めて重要な問題です。

本研究では、発泡アルミニウムの微細構造特性と性能の関係を表すために、等価気孔率と呼ばれる新たな特性評価パラメータを提案した。このパラメータは、発泡アルミニウムの気孔率、平均気孔径、円形度といった特性値の加重分布から導出された。発泡アルミニウムサンプルを用いた実験検証により、この新たな特性評価パラメータである等価気孔率は、発泡アルミニウムの性能をより正確に反映することが実証された。

本研究では、材料科学と機械学習を組み合わせた学際的なアプローチを採用しています。特徴選択、特徴重み分析、残余重み割り当てなどの機械学習技術を統合して、等価多孔度の公式を確立しました。5つのサンプルセットの検証を通じて、等価多孔度が新しい特性パラメータとしての正確性を実証し、発泡アルミニウムの性能を正確に反映しています。材料の機械的特性を評価および分析するためのより正確な方法を提供し、意思決定と分析のための貴重な参考資料を提供します。データ駆動型の材料研究と発泡アルミニウムの研究を融合させたこの研究は、ビッグデータと人工知能技術の急速な進歩と密接に連携しています。新しいパターンと方法を導入し、発泡アルミニウムの性能の特性評価と分析に新たな視点を提供します。