前言：想要寫出一篇引人入勝的文章？我們特意為您整理了神經網絡算法下汽車鑄造性能優化范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：為了進行汽車用高強鋁合金鑄造性能優化，本文以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數，以合金的流動性作為輸出層參數，選用Purelin函數、Tansig函數和Trainlm函數分別作為神經網絡模型的輸出層傳遞函數、隱含層傳遞函數、訓練函數，采用神經網絡算法構建了4×16×4×1四層拓撲結構的神經網絡模型。進行了神經網絡模型的學習訓練、預測分析以及未經學習訓練樣本的驗證。結果表明，神經網絡模型經過8892次迭代運算后收斂，模型的相對訓練誤差是3.50%～6.41%，平均相對訓練誤差是4.76%；相對預測誤差是4.25%～5.56%，平均相對預測誤差4.88%。神經網絡模型預測能力較強，預測精度較高，可以用于汽車用高強鋁合金鑄造性能優化預測。

關鍵詞：鑄造性能；流動性；神經網絡算法；高強鋁合金；優化模型

鑄造鋁合金在輕量化進程不斷推進的今天具有廣闊的應用前景，也極具研究價值。林佳武等[1]進行了真空高壓鑄造鋁合金車身后縱梁輕量化設計。王永飛等[2]研究了ZL104鋁合金連桿半固態擠壓鑄造工藝。朱大智[3]研究了鑄造鋁合金車輪水冷模具。李家奇等[4]對ZL201鑄造鋁合金副車架熱裂傾向性進行了理論研究。張殿杰等[5]對薄壁輪輻鋁合金輪轂低壓鑄造工藝進行了計算機仿真及試驗驗證。索小娟等[6]分析了電磁鑄造攪拌頻率對汽車用A356鋁合金組織和性能的影響。陳仁桂等[7]研究了7075鋁合金2540mm×550mm規格扁錠鑄造工藝。但是，在工業化生產中鋁合金的鑄造性能特別重要，它是改善產品質量，提高生產效率，降低生產成本的重要影響因素。但是鋁合金鑄造性能的影響因素眾多，如果單靠實物試驗將耗費大量的人力、物力和財力，且研發效率低下。神經網絡是一種基于計算機的人工智能技術，在產品工藝和性能優化等領域具有成功應用。于文濤等[8]基于神經網絡技術進行了鋁合金汽車輪轂低壓鑄造工藝優化。馮瑞等[9]基于應變補償和BP神經網絡技術研究了BT25鈦合金本構關系。王春暉等[10]基于BP神經網絡技術構建了BSTMUF601高溫合金蠕變本構模型。但是，目前關于鋁合金鑄造性能的神經網絡優化還鮮有報道。為此，本文嘗試采用神經網絡算法進行汽車用高強鋁合金鑄造性能優化。

1神經網絡模型

采用神經網絡算法，構建汽車用高強鋁合金鑄造性能優化的神經網絡模型。以Al-7Si-xM（x代表合金元素的百分含量，此處取值范圍0～1.0；M代表合金元素，在Cu、Mg、Ti、V四種合金元素中選擇其中一種）汽車用高強鑄造鋁合金為研究對象，采用4×16×4×1四層拓撲結構的神經網絡模型，如圖1所示。模型由輸入層、輸出層和隱含層三大部分組成。其中輸入層旨在向神經網絡模型輸入汽車用高強鋁合金鑄造性能優化緊密相關的4個神經單元（即4個輸入參數，分別為：合金元素、元素含量、熔煉溫度、澆注溫度）；隱含層旨在進行內部運算，包括擁有16個神經單元的隱含層1和4個神經單元的隱含層2，隱含層數據間的傳遞選擇Tansig函數來實現；輸出層旨在輸出模型運算和預測分析結果，輸出層數據間的傳遞選擇Purelin函數來實現。上述4個輸入層參數取值如表1所示。為了減少模型計算量，提高計算效率和準確性，所有輸入參數進行了歸一化處理。以鋁合金流動性作為評價指標，輸出層參數選用合金的流動性，以熔融鋁合金液體的流程長度進行表征。為了避免模型計算結果超出系統限值，提高模型預測效果，對模型輸出參數進行了歸一化逆運算。

2試驗材料及方法

以Al-7Si-xM汽車用高強鑄造鋁合金為基礎，隨機選取上述表1所示的24種組合進行鑄造試驗，獲得不同參數下鑄造的24個汽車用高強鋁合金試樣。熔煉在YFL-50型感應熔煉爐中進行，澆注模具采用自制模具，澆注前模具預熱溫度300℃。合金試樣采用自制金屬型模具進行澆注，測試試樣結構及尺寸如圖2所示。在試驗過程中，將熔融的鋁合金液體澆入金屬鑄型中，測量出熔融鋁合金液體的流程長度。流程長度越大，說明試樣流動性越好，試樣鑄造性能越佳；反之，流程長度越小，說明試樣流動性越差，試樣鑄造性能越差。

3模型訓練及預測驗證

3.1模型訓練

汽車用高強鋁合金鑄造性能優化神經網絡模型的訓練參數為：函數選擇Trainlm函數、速率設置0.02、動量因子設置0.8、期望誤差設置1×10-5、其它參數則選用Matlab系統默認值。從前述試驗獲得的24組試驗數據中隨機選取18組數據，作為訓練樣本數據，如表2所示。神經網絡模型的訓練性能曲線如圖3所示。從表2和圖3可以看出，模型經過8892次迭代運算后實現收斂，訓練性能曲線平滑，模型的相對訓練誤差（神經網絡模型輸出訓練值和試驗值之差的絕對值與試驗值的百分比）在3.50%～6.41%，相對訓練誤差小于6.5%，平均相對訓練誤差4.76%，相對訓練誤差較小，模型具有較好的訓練性能，能較真實地反應神經網絡模型各輸入參數（合金元素、元素含量、熔煉溫度、澆注溫度）與輸出參數（流動性）之間的內在聯系，建立各輸入參數與輸出參數間的對應關系。

3.2模型預測驗證

汽車用高強鋁合金鑄造性能優化神經網絡模型的預測驗證樣本數據來源于試驗所得數據中尚未學習訓練的剩余6組試驗數據。表3是汽車用高強鋁合金鑄造性能優化神經網絡模型的驗證樣本具體數據以及驗證分析結果。從表3可以看出，神經網絡模型的相對預測誤差（神經網絡模型輸出預測值和試驗值之差的絕對值與試驗值的百分比）介于4.25%～5.56%，相對預測誤差小于6%，平均相對預測誤差4.88%。由此可以看出，本文構建的汽車用高強鋁合金鑄造性能優化神經網絡模型可以獲得較低的相對預測誤差，擁有較強的鑄造性能預測分析能力，同時還有比較優異的預測精度，能準確地反映神經網絡模型各輸入參數（合金元素、元素含量、熔煉溫度、澆注溫度）與輸出參數（流動性）之間的內在聯系，建立各輸入參數與輸出參數之間的對應關系，可用于汽車高強鋁合金鑄造性能優化預測。

4結論

（1）以合金元素、元素含量、熔煉溫度、澆注溫度為輸入層參數，以Al-7Si-xM（x代表合金元素的百分含量，M代表合金元素）汽車用高強鑄造鋁合金流動性作為輸出層參數，選用Purelin函數、Tansig函數和Trainlm函數分別作為神經網絡模型的輸出層傳遞函數、隱含層傳遞函數、訓練函數，建立了具有4×16×4×1四層拓撲結構的高強鑄造鋁合金鑄造性能優化神經網絡模型，完成了較高精度的汽車用高強鑄造鋁合金鑄造性能優化預測。（2）汽車用高強鋁合金鑄造性能優化神經網絡模型經過8892次迭代運算后收斂，模型的相對訓練誤差介于3.50%～6.41%，平均相對訓練誤差4.76%。（3）汽車用高強鋁合金鑄造性能優化神經網絡模型的相對預測誤差介于4.25%～5.56%，平均相對預測誤差4.88%，模型預測能力較強，預測精度較高，可以用于汽車用高強鋁合金鑄造性能優化預測。

作者:葉進寶 陳建華 李相軍 單位:邯鄲職業技術學院 河南理工大學材料科學與工程學院