Aby uzyskać pełniejsze zrozumienie i ocenępianka aluminiowawydajność.badacze wprowadzili różne wskaźniki charakteryzacji. Jednak obecne zrozumienie znaczenia tych wskaźników w analizie wydajności pianki aluminiowej jest ograniczone. W tym badaniu zastosowano metodę uogólnionej regresji sieci neuronowej (GRNN) w celu ustanowienia modelu, który łączy dane dotyczące mikrostruktury pianki aluminiowej z jej właściwościami mechanicznymi. Za pomocą modelu CRNN badacze wyodrębnili cztery najważniejsze cechy i odpowiadające im wartości wag z 13 charakterystyk porów pianki aluminiowej. Następnie opracowano nowy wzór charakteryzacji, zwany „równoważną porowatością Wanga” (WEP), wykorzystując wagi resztkowe przypisane do wag cech, a także uzyskano cztery współczynniki parametrów. Wzór ten ma na celu przedstawienie zależności między mikrostrukturą pianki aluminiowej a jej wydajnością mechaniczną. Ponadto badacze przeprowadzili weryfikację modelu przy użyciu danych dotyczących kompresji z 11 zestawówpianka aluminiowa. Wyniki walidacji wykazały, że wśród tych 11 zestawów danych dotyczących pianki aluminiowej formuła Gibsona-Ashby'ego dała anomalie w dwóch przypadkach, podczas gdy WEP wykazała wyjątkową stabilność bez żadnych anomalii. W porównaniu do formuły Gibsona-Ashby'ego, WEP wykazał 18,18% poprawę dokładności oceny.

Pianka aluminiowa, składająca się z metalu aluminiowego lub jego stopów, charakteryzuje się porowatą naturą, licznymi pustkami i strukturą przypominającą plaster miodu. Pilnie potrzebne jest opracowanie precyzyjnych i kompleksowych metod oceny wydajności w celu zwiększenia wykorzystania pianki aluminiowej.

Wzór Gibsona-Ashby'ego i wzór Hanssena wprowadzone przez Gibsona i Ashby'ego mają znaczenie jako tradycyjne równania opisujące właściwości mechaniczne materiałów porowatych. Niemniej jednak,pianka aluminiowawykazuje różnorodne mikrostruktury i jest pod wpływem różnych czynników strukturalnych, takich jak porowatość, wielkość porów i rozkład porów. Większość tych konwencjonalnych zależności konstytutywnych to makroskopowe modele fenomenologiczne, które nie uwzględniają wpływu struktur porów. Ponadto pianka aluminiowa może mieć różne wymagania dotyczące wydajności w różnych scenariuszach zastosowań. W związku z tym metody oceny muszą być dostosowane do spełnienia określonych wymagań aplikacji. Ponadto w dziedzinie pianki aluminiowej brakuje znormalizowanych metod testowania i parametrów wydajności, co prowadzi do wyzwań i walidacji ustaleń w różnych badaniach porównawczych. Podsumowując, tradycyjne metody nie są w stanie ustalić korelacji między mikrostrukturalnymi atrybutami pianki aluminiowej a jej właściwościami mechanicznymi ani precyzyjnie modelować i prognozować właściwości mechanicznych pianki aluminiowej w przestrzeni parametrów. Poleganie wyłącznie na perspektywie makroskopowej w celu oceny właściwości mechanicznych pianki aluminiowej nie spełnia już współczesnych wymagań dotyczących projektowania wydajności. Ustanowienie relacji mapowania międzypianka aluminiowaParametry strukturalne i właściwości mechaniczne są kwestią pilną i kluczową.

W tym badaniu zaproponowano nowy parametr charakteryzacji zwany porowatością ekwiwalentną, aby przedstawić związek między cechami mikrostrukturalnymi a wydajnością pianki aluminiowej. Parametr ten został wyprowadzony z ważonego rozkładu cech, takich jak porowatość, średni rozmiar porów i kolistość pianki aluminiowej. Poprzez weryfikację eksperymentalną na próbkach pianki aluminiowej wykazano, że porowatość ekwiwalentna, jako nowy parametr charakteryzacji, zapewnia dokładniejsze odzwierciedlenie wydajności pianki aluminiowej.

W tym badaniu przyjmujemy interdyscyplinarne podejście, łącząc naukę o materiałach z uczeniem maszynowym. Techniki uczenia maszynowego, takie jak wybór cech, analiza ciężaru cech i przydział ciężaru resztkowego, są zintegrowane w celu ustalenia wzoru na porowatość ekwiwalentną. Wykazaliśmy dokładność porowatości ekwiwalentnej jako nowego parametru charakterystyki poprzez walidację pięciu zestawów próbek, zapewniając dokładne odzwierciedlenie wydajności pianki aluminiowej. Zapewniamy dokładniejszą metodę oceny i analizy właściwości mechanicznych materiału, oferując cenne odniesienia do podejmowania decyzji i analizy. Badania ściśle wpisują się w szybkie postępy w technologiach big data i sztucznej inteligencji, łącząc badania nad materiałami oparte na danych z badaniem pianki aluminiowej. Wprowadzamy nowe wzorce i metody, oferując świeżą perspektywę w zakresie charakterystyki i analizy wydajności pianki aluminiowej.