基于神经网络算法的汽车用高强铝合金铸造性能优化.pdfVIP

《热加工工艺》2022年6月第51卷第1期

基于神经网络算法的汽车用高强铝合金

铸造性能优化

叶进宝，陈建华，李相军

(1.邯郸职业技术学院，河北邯郸056001:2.河南理工大学材料科学与工程学院，河南焦作454003）

摘要：为了进行汽车用高强铝合金铸造性能优化，本文以合金元素、元素含量、熔炼温度、浇注温度为输入层参

数，以合金的流动性作为输出层参数，选用Purelin函数、Tansig函数和Trainlm函数分别作为神经网络模型的输出层传

递函数、隐含层传递函数、训练函数，采用神经网络算法构建了4x16x4x1四层拓扑结构的神经网络模型。进行了神经

网络模型的学习训练、预测分析以及未经学习训练样本的验证。结果表明，神经网络模型经过8892次送代运算后收敛，

模型的相对训练误差是3.50%～6.41%，平均相对训练误差是4.76%；相对预测误差是4.25%～5.56%，平均相对预测误

差4.88%。神经网络模型预测能力较强，预测精度较高，可以用于汽车用高强铝合金铸造性能优化预测。

关键词：铸造性能：流动性：神经网络算法：高强铝合金：优化模型

DOI:10.14158/j.cnki.1001-3814

中图分类号：TG292文献标识码：A文章编号：100111-0073-03

CastingPerformanceOptimizationofHighStrengthAluminumAlloy

forAutomobileBasedonNeuralNetworkAlgorithm

YEJinbaoCHENJianhua，LIXiangjun²

Technology，Jiaozuo454003China)

Abstract

element,elementcontent

astheoutputlayerparameter

transferfunction

constructedbyusingtheneuralnetworkalgorithm.Learningtraining,predictionanalysis,andvalidationofuntrainedsamples

ofneuralnetworkmodelswereperformed.Theresultsshowthattheneuralnetworkmodelconvergesafter8892iterations，

andtherelativetrainingerrorofthemodelis3.50%-6.41%

predictionerroris4.25%-5.56%

predictionabilityandhighpredictionaccuracy

strengthaluminumalloyforautomobile.

Keywordscastability;fluidity;

铸造铝合金在轻量化进程不断推进的今天具有家奇等4对ZL201铸造铝合金副车架热裂倾向性进

广阔的应用前景，也极具研究价值。林佳武等回进行行了理论研究。张殿杰等5对薄壁轮辐铝合金轮毂

了真空高压铸造铝合金车身后纵梁轻量化设计。王低压铸造工艺进行了计算机仿真及试验验证。索小

永飞等（2研究了ZL104铝合金连杆半固态挤压铸造娟等回分析了电磁铸造搅拌频率对汽车用A356铝

工艺。朱大智3研究了铸造铝合金车轮水冷模具。李合金组织和性能的影响。陈仁桂等研究了7075铝

合金2540mmx550mm规格扁锭铸造工艺。但是，在

收稿日期：2021-04-23