Om een ​​uitgebreider begrip te krijgen en te evaluerenschuim aluminiumPrestaties. Onderzoekers hebben verschillende karakteriseringsindicatoren geïntroduceerd. De huidige kennis over het belang van deze indicatoren bij het analyseren van de prestaties van geschuimd aluminium is echter beperkt. Deze studie maakt gebruik van de Generalized Regression Neural Network (GRNN)-methode om een ​​model te ontwikkelen dat de microstructuurkarakteriseringsgegevens van geschuimd aluminium koppelt aan de mechanische eigenschappen. Met behulp van het CRNN-model extraheerden onderzoekers vier van de meest cruciale kenmerken en hun bijbehorende gewichtswaarden uit de 13 porie-eigenschappen van geschuimd aluminium. Vervolgens werd een nieuwe karakteriseringsformule, genaamd "Wang equivalent porosity" (WEP), ontwikkeld met behulp van restgewichten die aan de kenmerkgewichten waren toegekend, en werden vier parametercoëfficiënten verkregen. Deze formule beoogt de relatie tussen de microstructurele kenmerken van geschuimd aluminium en de mechanische prestaties weer te geven. Bovendien voerden de onderzoekers modelverificatie uit met behulp van compressiegegevens van 11 setsschuim aluminiumDe validatieresultaten toonden aan dat in deze 11 datasets met schuimaluminium de Gibson-Ashby-formule in twee gevallen afwijkende resultaten opleverde, terwijl WEP een uitzonderlijke stabiliteit vertoonde zonder afwijkingen. Vergeleken met de Gibson-Ashby-formule vertoonde WEP een verbetering van 18,18% in de evaluatienauwkeurigheid.

Schuimaluminium, samengesteld uit aluminiummetaal of legeringen daarvan, wordt gekenmerkt door zijn poreuze aard, talrijke holtes en een honingraatachtige structuur. De ontwikkeling van nauwkeurige en uitgebreide methoden voor prestatie-evaluatie is dringend noodzakelijk om het gebruik van schuimaluminium te verbeteren.

De Gibson-Ashby-formule en de Hanssen-formule, geïntroduceerd door Gibson en Ashby, zijn van belang als traditionele vergelijkingen voor het beschrijven van de mechanische eigenschappen van poreuze materialen.schuim aluminiumVertoont diverse microstructuren en wordt beïnvloed door verschillende structurele factoren, zoals porositeit, poriegrootte en porieverdeling. De meeste van deze conventionele constitutieve relaties zijn macroscopische fenomenologische modellen die geen rekening houden met de invloed van poriestructuren. Bovendien kan geschuimd aluminium verschillende prestatie-eisen hebben in verschillende toepassingsscenario's. Bijgevolg moeten evaluatiemethoden worden afgestemd op specifieke toepassingseisen. Bovendien ontbreekt het in het veld van geschuimd aluminium aan gestandaardiseerde testmethoden en prestatieparameters, wat leidt tot uitdagingen bij het valideren van bevindingen in verschillende vergelijkende studies. Samenvattend, traditionele methoden slagen er niet in om een ​​correlatie vast te stellen tussen de microstructurele kenmerken van geschuimd aluminium en de mechanische eigenschappen ervan, of om de mechanische eigenschappen van geschuimd aluminium binnen de parameterruimte nauwkeurig te modelleren en te voorspellen. Het uitsluitend vertrouwen op een macroscopisch perspectief voor het evalueren van de mechanische eigenschappen van geschuimd aluminium voldoet niet langer aan de hedendaagse eisen voor prestatieontwerp. Het vaststellen van een mappingrelatie tussenschuim aluminiumstructurele parameters en de mechanische eigenschappen ervan is een dringende en cruciale kwestie.

In deze studie werd een nieuwe karakteriseringsparameter, genaamd equivalente porositeit, voorgesteld om de relatie tussen de microstructurele kenmerken en de prestaties van geschuimd aluminium weer te geven. Deze parameter werd afgeleid van de gewogen verdeling van kenmerken zoals porositeit, gemiddelde poriegrootte en circulariteit van geschuimd aluminium. Door experimentele verificatie op monsters van geschuimd aluminium is aangetoond dat de equivalente porositeit, als nieuwe karakteriseringsparameter, een nauwkeurigere weerspiegeling geeft van de prestaties van geschuimd aluminium.

In deze studie hanteren we een interdisciplinaire aanpak door materiaalkunde te combineren met machine learning. Machine learning-technieken, zoals kenmerkselectie, kenmerkgewichtanalyse en restgewichttoewijzing, worden geïntegreerd om een ​​formule voor equivalente porositeit vast te stellen. We hebben de nauwkeurigheid van equivalente porositeit als nieuwe karakteriseringsparameter aangetoond door de validatie van vijf steekproeven, wat een nauwkeurige weerspiegeling oplevert van de prestaties van geschuimd aluminium. We bieden een nauwkeurigere methode voor het evalueren en analyseren van de mechanische eigenschappen van het materiaal, wat waardevolle referenties biedt voor besluitvorming en analyse. Het onderzoek sluit nauw aan bij de snelle ontwikkelingen in big data en kunstmatige intelligentietechnologieën door datagestuurd materiaalonderzoek te combineren met de studie van geschuimd aluminium. We introduceren nieuwe patronen en methoden, die een fris perspectief bieden op de karakterisering en analyse van de prestaties van geschuimd aluminium.