För att få en mer övergripande förståelse och utvärderaskum aluminiumperformance.researchers har introducerat olika karakteriseringsindikatorer. Den nuvarande förståelsen för betydelsen av dessa indikatorer vid analys av skumaluminiums prestanda är dock begränsad. Denna studie använder metoden Generalized Regression Neural Network (GRNN) för att etablera en modell som länkar samman skumma aluminiums mikrostrukturkarakteriseringsdata med dess mekaniska egenskaper. Genom CRNN-modellen extraherade forskare fyra av de mest avgörande egenskaperna och deras motsvarande viktvärden från skumaluminiums egenskaper med 13 porer. Därefter utvecklades en ny karakteriseringsformel, kallad "Wang ekvivalent porositet" (WEP), genom att använda restvikter som tilldelats egenskapsvikterna, och fyra parameterkoefficienter erhölls. Denna formel syftar till att representera förhållandet mellan skumaluminiums mikrostrukturella egenskaper och dess mekaniska prestanda. Dessutom utförde forskarna modellverifiering med hjälp av kompressionsdata från 11 uppsättningar avskum aluminium. Valideringsresultaten visade att bland dessa 11 dataset av skumaluminium. Gibson-Ashby-formeln gav onormala resultat i två fall, medan WEP uppvisade exceptionell stabilitet utan några anomalier. I jämförelse med Gibson-Ashby-formeln visade WEP en 18,18 % förbättringsutvärderingsnoggrannhet.

Skumaluminium, som består av aluminiummetaller eller dess legeringar, kännetecknas av sin porösa natur, många hålrum och en bikakeliknande struktur. Att utveckla exakta och heltäckande metoder för utvärdering av prestanda är brådskande för att förbättra användningen av skumaluminium.

Gibson-Ashby-formeln och Hanssen-formeln, introducerad av Gibson och Ashby, har betydelse som traditionella ekvationer för att beskriva de mekaniska egenskaperna hos porösa material.skum aluminiumuppvisar olika mikrostrukturer och påverkas av olika strukturella faktorer, såsom porositet, porstorlek och porfördelning. Majoriteten av dessa konventionella konstitutiva samband är makroskopiska fenomenologiska modeller som inte tar hänsyn till inverkan av porstrukturer. Dessutom kan skumaluminium ha distinkta prestandakrav i olika applikationsscenarier. Följaktligen måste utvärderingsmetoder skräddarsys för att möta specifika applikationskrav. Dessutom saknar skumaluminiumfältet standardiserade testmetoder och prestandaparametrar, vilket leder till utmaningar i och validering av resultat över olika jämförande studier. Sammanfattningsvis misslyckas traditionella metoder för att etablera en korrelation mellan de mikrostrukturella egenskaperna hos skumaluminium och dess mekaniska egenskaper eller att exakt modellera och förutsäga skumaluminiums mekaniska egenskaper inom parameterutrymme. Att enbart förlita sig på ett makroskopiskt perspektiv för att utvärdera skumaluminiums mekaniska egenskaper uppfyller inte längre de moderna kraven på prestandadesign. Upprättandet av en kartläggningsrelation mellanskum aluminiumstrukturella parametrar och dess mekaniska egenskaper är en viktig och avgörande fråga.

I denna studie föreslogs en ny karakteriseringsparameter som kallas ekvivalent porositet för att representera förhållandet mellan de mikrostrukturella egenskaperna och prestanda hos skumaluminium. Denna parameter härleddes från den viktade fördelningen av egenskaper såsom porositet, genomsnittlig porstorlek och cirkuläritet för skumaluminium. Genom experimentell verifiering på skumaluminiumprover har det visat sig att den ekvivalenta porositeten, som en ny karakteriseringsparameter, ger en mer exakt reflektion av skumaluminiums prestanda.

I den här studien antar vi ett tvärvetenskapligt tillvägagångssätt genom att kombinera materialvetenskap med maskininlärning. Maskininlärningstekniker, såsom funktionsval, funktionsviktsanalys och restviktsallokering, är integrerade för att skapa en formel för likvärdig porositet. Vi har visat noggrannheten hos ekvivalent porositet som en ny karakteriseringsparameter genom valideringen av fem provuppsättningar, vilket ger en exakt reflektion av skumaluminiums prestanda. Vi tillhandahåller en mer exakt metod för att utvärdera och analysera materialets mekaniska egenskaper, och erbjuder värdefulla referenser för beslutsfattande och analys. Forskningen ligger nära de snabba framstegen inom big data och artificiell intelligens genom att slå samman datadriven materialforskning med studiet av skumaluminium. Vi introducerar nya mönster och metoder som erbjuder ett nytt perspektiv på karakterisering och analys av skumaluminiums prestanda.