For å få en mer helhetlig forståelse og vurdereskum aluminiumperformance.researchers har introdusert ulike karakteriseringsindikatorer. Imidlertid er den nåværende forståelsen av betydningen av disse indikatorene for å analysere skumaluminiums ytelse begrenset. Denne studien benytter Generalized Regression Neural Network (GRNN)-metoden for å etablere en modell som kobler skum-aluminiums mikrostrukturkarakteriseringsdata med dets mekaniske egenskaper. Gjennom CRNN-modellen hentet forskere ut fire av de mest avgjørende egenskapene og deres tilsvarende vektverdier fra 13-porekarakteristikkene til skumaluminium. Deretter ble en ny karakteriseringsformel, kalt "Wang ekvivalent porøsitet" (WEP), utviklet ved å bruke restvekter tildelt egenskapsvektene, og fire parameterkoeffisienter ble oppnådd. Denne formelen tar sikte på å representere forholdet mellom skumaluminiums mikrostrukturelle egenskaper og dets mekaniske ytelse. Videre utførte forskerne modellverifisering ved å bruke kompresjonsdata fra 11 sett medskum aluminium. Valideringsresultatene viste at blant disse 11 datasettene av skumaluminium. Gibson-Ashby-formelen ga unormale resultater i to tilfeller, mens WEP viste eksepsjonell stabilitet uten noen anomalier. Sammenlignet med Gibson-Ashby-formelen viste WEP en 18,18 % forbedrings-inevalueringsnøyaktighet.

Skumaluminium, sammensatt av aluminiummetall eller legeringer, er preget av sin porøse natur, mange hulrom og en bikakelignende struktur. Utvikling av nøyaktige og omfattende ytelsesevalueringsmetoder er påtrengende nødvendig for å forbedre bruken av skumaluminium.

Gibson-Ashby formelen og Hanssen formelen, introdusert av Gibson og Ashby, har betydning som tradisjonelle ligninger for å beskrive de mekaniske egenskapene til materialer til porøse.skum aluminiumviser ulike mikrostrukturer og påvirkes av ulike strukturelle faktorer, som porøsitet, porestørrelse og porefordeling. Flertallet av disse konvensjonelle konstitutive forholdene er makroskopiske fenomenologiske modeller som ikke tar hensyn til påvirkningen av porestrukturer. Videre kan skumaluminium ha forskjellige ytelseskrav i forskjellige bruksscenarier. Følgelig må evalueringsmetoder skreddersys for å møte spesifikke brukskrav. I tillegg mangler skumaluminiumsfeltet standardiserte testmetoder og ytelsesparametere, noe som fører til utfordringer i og validerende funn på tvers av forskjellige sammenlignende studier. Oppsummert mislykkes tradisjonelle metoder for å etablere en korrelasjon mellom de mikrostrukturelle egenskapene til skumaluminium og dets mekaniske egenskaper eller for å nøyaktig modellere og forutsi skumaluminiums mekaniske egenskaper innenfor parameterrom. Å stole utelukkende på et makroskopisk perspektiv for å evaluere skumaluminiums mekaniske egenskaper oppfyller ikke lenger kravene til moderne ytelsesdesign. Etablering av et kartleggingsforhold mellomskum aluminiumstrukturelle parametere og dens mekaniske egenskaper er en presserende og sentral sak.

I denne studien ble en ny karakteriseringsparameter kalt ekvivalent porøsitet foreslått for å representere forholdet mellom de mikrostrukturelle egenskapene og ytelsen til skumaluminium. Denne parameteren ble utledet fra den vektede fordelingen av egenskaper som porøsitet, gjennomsnittlig porestørrelse og sirkularitet til skumaluminium. Gjennom eksperimentell verifisering på skumaluminiumprøver har det blitt demonstrert at den ekvivalente porøsiteten, som en ny karakteriseringsparameter, gir en mer nøyaktig refleksjon av skumaluminiums ytelse.

I denne studien bruker vi en tverrfaglig tilnærming ved å kombinere materialvitenskap med maskinlæring. Maskinlæringsteknikker, som funksjonsvalg, funksjonsvektanalyse og restvekttildeling, er integrert for å etablere en formel for ekvivalent porøsitet. Vi har demonstrert nøyaktigheten av ekvivalent porøsitet som en ny karakteriseringsparameter gjennom valideringen av fem prøvesett, og gir en presis refleksjon av skumaluminiums ytelse. Vi tilbyr en mer nøyaktig metode for å evaluere og analysere materialets mekaniske egenskaper, og tilbyr verdifulle referanser for beslutningstaking og analyse. Forskningen er tett på linje med de raske fremskrittene innen big data og kunstig intelligens-teknologier ved å slå sammen datadrevet materialforskning med studiet av skumaluminium. Vi introduserer nye mønstre og metoder, og tilbyr et nytt perspektiv på karakterisering og analyse av skumaluminiums ytelse.