文摘

力学性能指标评估条的质量很重要。提出了一种力学性能预测模型基于灰狼优化(拥有)算法和极端学习机(ELM)算法。在建模过程中,拥有用于确定最优权重和偏差的榆树和实验是用来确定模型的关键参数。该模型有效地避免人工干预和显著提高铝合金条的力学性能预测精度。本文使用的数据处理的铝合金生产工厂山东南山铝业有限公司有限公司作为实验数据。当预测偏差控制在±10%,GWO-ELM模型可以实现正确的为100%,抗拉强度,屈服强度为97.5%,77.5%,伸长率的测试集,RMSE抗拉强度、屈服强度、伸长的GWO-ELM模型是5.365,11.881,和1.268,分别。实验结果表明,GWO-ELM模型具有较高的精度和稳定性预测铝合金条的抗拉强度、屈服强度和伸长率。GWO-ELM模型有效地避免了传统模式的缺陷。它有一个特殊的生产铝合金条的指导意义。

1。介绍

在热轧合金产品的许多指标,机械性能,是影响工艺参数的复杂性,是热轧的合金产品的质量的重要指标。因此,合金产品的力学性能是由许多制造商和研究人员重视。准确预测热轧铝合金的力学性能已成为一个热门话题在铝合金的发展和应用1,2]。到目前为止,主要有两个领域的金属属性预测模型。其中一个是施工材料本构模型的材料属性预测(3]。贾et al。4)用实验获得的应力-应变数据计算中涉及的材料常数Arrhenius-type本构模型和修改Zerilli-Armstrong (MZA)模型。Zhang et al。5)建立了本构模型对高强度铝合金的热变形行为(Al-Zn-Mg-Cu)。结果表明,该本构模型能准确地预测Al-Zn-Mg-Cu合金的流动行为。尽管本构模型的出现使研究人员能够合理地预测产品性能根据加工工艺,本构模型的建设还需要实验支持和合理的假设,导致的本构模型不能完全满足工业化的要求。满足工业生产的需要,另一个模型出现了随着计算机技术的成熟,它使用智能算法来分析大量的实际生产数据获得更理想的机械性能的预测。随着计算机技术的发展,人工智能算法在材料的研究中发挥着越来越重要的作用。各种机器学习算法应用于材料的研究已经解决了许多具有挑战性的问题(6]。计算机技术和材料的结合“科学在可预见的未来可能会产生更多的重要成果(7]。郭et al。8multiproperty]提出了一种方法预测材料的利用内点算法。上述理论的合理性和可靠性验证试验成功的使用钢铁生产过程的数据。在众多统计模型使用的机器学习算法,神经网络算法领域的青睐和广泛使用的材料属性预测由于其优良性能(9,10]。Niklas et al。11)需要建立精确的模型,确保有效控制设备超弹性形状记忆合金(SMA)。培训后,安能成功地从循环拉伸应力-应变计算模型参数测试,从而提高SMA控制装置的效率。局域网et al。12)实验建立了一个数据集的化学成分、工艺参数,A380合金的力学性能。老铁/锰含量比例,内容,冷却速率,和孔隙度内容输入变量,极限抗拉强度(ut)和伸长(El)被用作输出参数。两种ANN模型开发,即(1)反向传播人工神经网络模型(三层)和(2)一个反向传播人工神经网络模型的粒子群优化(PSO-BP-ANN)。PSO-BP-ANN建立的结果表明,该模型具有更好的可靠性和预测精度比三层模型。吴et al。13安)建立了一个模型来预测焊接薄壁铝合金管的弯曲变形结构。模型的输入变量包括四个可控焊缝的位置参数、目标输出时的弯曲变形x- - -y设在方向。一个监督多层前馈反向传播(BP)神经网络,提出了估算快速而准确的弯曲变形。设计了BP神经网络的预测值与有限元仿真结果进行比较。结果表明,该BP神经网络模型可以准确预测造成的弯曲变形焊接在焊接位置参数的范围。Jaafreh et al。14)使用了一个多目标进化(MOE)算法和机器学习技术来预测在不同加工条件下铝合金的时效硬化行为。结果表明,结合教育部算法和机器学习的过程可以成功地改进特性和构造精确的机器学习预测模型相对于其他特征选择和预处理方法。太阳et al。15)利用ANN方法开发了一个热工艺参数和力学性能之间的相关性模型基于一系列的Ti-6Al-4V合金锻造和热处理实验数据。是使用ANN方法开发的相关模型。结果显示一个可靠的工艺参数之间的相关性和Ti-6Al-4V合金的力学性能。Aykut et al。16)提高表面粗糙度的实验模型使用安和响应面方法(RSM)。

安在各领域的广泛应用材料研究[17,18),但安在训练过程非常耗时。为了克服这个缺点,榆树算法。榆树,一个新兴的单隐层神经网络算法(19),已收到关注物料性质预测研究由于其学习速度快、泛化能力高。曹et al。20.榆树]使用优化的遗传算法(GA)与其他数值模型(包括有限元模型模拟)来确定临界尺寸预制设备空白具有复杂几何进行比较分析。结果表明,GA-ELM和R-GPLVM预测是在良好的协议与实验结果。隋和Lv (21结合榆树算法模型和一个属性约简方法。属性约简方法结合信息熵和gram - schmidt正交变换,选择工艺参数,可以有效地影响质量特性的一个子集。与传统的建模方法相比,该模型具有结构简单,低消费,和较高的预测精度。预测结果表明,该模型具有更好的适应复杂的热轧过程,并预测性能优于传统的榆树模型。刘等人。22)提出了一种基于遗传算法的轧制力预测方法,算法,和multihidden层极端学习机(MELM),即PSO-GA-MELM算法,它使用MELM作为主要的轧制力预报模型。在建模过程中,用遗传算法确定最优数量的隐藏层节点和粒子群算法搜索最优输入重量和偏见。实验结果表明,轧制力预测模型训练算法具有极好的性能的预测精度,可用于预测热带钢轧制过程中轧制力。

虽然机器学习模型,特别是神经网络类型模型,已经广泛用于钢铁材料的研究,几乎没有研究铝合金材料的力学性能的预测。本研究的主要目的是开发一个榆树优化模型,可以准确地预测铝合金条的力学性能。首先,获得的模型使用一个数据集的铝合金条生产线。其次,使用拥有的榆树模型优化算法。最后,比较分析模型的准确性。实验结果表明,该模型是可行的,适用于铝合金机械性能的预测。

2。简要介绍MGWO、拥有和榆树

2.1。榆树算法

榆树出生于2004年,克服的局限性的复杂和缓慢的迭代结构传统的神经网络。榆树的单隐层前馈神经网络的随机选择的重量和偏见隐藏节点的数量。榆树已经收到了很多的注意力从学者引入以来,因为与传统的神经网络相比,榆树,单隐层前馈神经网络(SLFNs)可以有更快的迭代速度和更好的泛化同时确保精度(16]。榆树的算法原理算法方程所示(1)- (7)[19]。榆树算法的结构见图1。

如图1,我们假设存在N样品( , ),在哪里=∈ , =∈ ,当神经网络隐层,隐层l隐层神经元,神经网络的输出值可以表示为遵循: 在哪里是输出第一个之间重量输出神经元之间的重量隐藏层和输出层的神经元,是激活函数, 代表输入参数输出的第一个隐层神经元的输出。=输入体重之间的第一个吗输入第一个输入神经元之间的重量和隐藏层神经元,和第一个是输出偏差第一个隐层神经元的输出偏差, 表示的内积的内积。

预测和测量值之间的误差越小的单隐层神经网络模型更准确的预测结果,见以下方程: 即。,parameters和所示存在以下方程:

矩阵的形式,这一过程可以表达为如下方程: 其中 , , , 代表了隐层节点的输出,和代表输出权重从隐层到输出层。代表所需的输出值与预测精度高。如方程所示(5),获得一个单隐层神经网络所需的预测精度,参数 , ,和想要得到。 在哪里 l,相当于损失函数获得其最小值,见以下方程:

单隐层神经网络训练的过程可以转化为解决 ,可以求出矩阵Moore-Penrose广义逆矩阵 。由于榆树本身的特点,即。,输入重量和隐藏层的偏见是随机决定的。一旦输入重量和隐藏层的偏见确定,输出矩阵的隐层唯一确定。在这一点上,是矩阵Moore-Penrose的广义逆,见以下方程:

2.2。拥有算法

GWO算法受灰色狼群的狩猎行为,旨在模拟群体协作行为的灰色狼群捕食的过程中实现优化的目的(23]。GWO算法具有自适应收敛因子和反馈机制,既可以避免陷入局部最优的陷阱在全球搜索过程。因此,它具有较高的精度和鲁棒性的解决问题的过程。

灰太狼是一种犬类捕食者,喜欢生活在包,和一个明确的层次其成员之间的分工在打猎。灰太狼人群的层次分布类似于金字塔的结构,如图2。包的领袖是位于金字塔的第一层,叫做α。智库团队的第二层次的金字塔β。β仅次于α的领导包,当有一个空缺α′s在包的位置,β填补职位空缺,成为新的吗α。包的执行人是位于金字塔的第三个层次,被称为δ。金字塔的底部的狼叫ω并负责执行αβ和δ′s命令。严格的等级分布直接反映在灰太狼的狩猎活动,将由α。在狩猎过程中,αβδ和ω将严格遵循他们的职责有一个明确的分工和狩猎的过程可以分为三个主要步骤,即发现和周围的猎物;骚扰和跟踪猎物;和攻击猎物。

GWO算法的算法原理方程所示(8)- (15)[23]。灰狼优化算法抽象狼群狩猎模式的优化算法。的过程中发现和环绕猎物,灰太狼的包围猎物的过程是定义在方程(8)和(9)如下。方程(8)代表灰太狼和猎物之间的距离。在这里,代表了方向和距离乘坐个人灰狼。参数用于确定狼群的方向寻找猎物,代表了灰太狼的位置的迭代次数,和代表个人的位置灰狼倾向于方法。代表个人的位置灰太狼当迭代次数t。方程(9)代表的迭代公式,灰太狼的位置,和参数用来调整搜索猎物的半径。和计算公式见公式(10)和(11)。是收敛因子,如方程所示(12),减少2直到它变成0的最大值随着迭代次数的增加。与是一个随机向量的模量长度设定在区间[0,1]。

实际应用的优化算法,最优分配给三个解决方案α,β,δ根据他们的健康,αβδ包的领导人最接近猎物。反过来,其他灰狼调整他们的位置根据最好的灰太狼,计算他们的健身位置更新后,为灰狼排名根据他们健身的大小。的机制为个人包更新他们的位置如图3。个别灰狼更新他们的位置的数学模型可以显示为方程(13)。在这里,代表着距离之间的关系α和βδ个人和其他个人,分别分别代表当前位置的个体,代表一个随机向量,代表个人的当前位置灰太狼。在一个狼群ω个人的距离和方向,目标方程所示(14)和(15)。

从方程(10)和(12)的价值将逐渐减少迭代的进步和参数的波动幅度也会减少。灰太狼算法使用和为了避免优化算法陷入局部最优的解决方案。如图4(一),当|| > 1,灰狼个人远离目标,即。全球执行搜索。如图4 (b),当|| < 1,个人灰太狼将推出最后一个攻击猎物,即。,获得最优解。从方程(11),可以看出是一个随机值在时间间隔值(0,2)。C代表的障碍大小的灰太狼接近猎物。C> 1意味着灰太狼个人并不容易接近目标;相反,C< 1意味着灰太狼个人目标和容易的方法C可以维护随机性在算法迭代过程,帮助及时逃脱时陷入局部最优的陷阱。这个算法的特性还有助于缓解灰太狼优化算法可以获得全局最优。

2.3。MGWO算法

MGWO算法提出了张和周(242021年)。该算法认为与不同的更新策略可以显著影响算法的性能25]。MGWO算法的算法原理方程所示(16)- (18)[24]。它使用一个基于正则指数收敛因子更新变化,如方程所示(16)。此外,提高全局搜索和局部平衡剥削,MGWO算法提出了一种新的自适应改变策略24,26),其数学表达式所示方程(17)。在这里,权重的数学表达式所示方程(18)。

3所示。提出GWO-ELM预测模型

榆树是一种有效的模式分类和回归学习的机制。在榆树算法模型中,隐层神经元的数量需要提前确定神经网络的结构有直接影响的准确性榆树算法模型,依靠大量的隐层节点的良好表现。作为隐层的节点数的增加,计算成本上升显著(27]。过多的隐层神经元将榆树模型非常复杂,它会减缓甚至overfit预测速度。然而,太少的隐层神经元将导致一个榆树模型,没有达到预期的精度。迄今为止,没有接受和有效的理论指导的选择隐层神经元的数目。在大多数情况下,隐层神经元的数目的确定依赖于经验模型的教练获得适当的神经网络参数。如果算法的基本参数过多依赖手工选择,那么模型的鲁棒性将降低。此外,榆树模型的重量和偏见是随机生成的,它简化了算法还对算法的准确性有很大的负面影响,作为参数的随机性使得模型的精度高度不确定的。

平均绝对百分比误差(日军)均方误差(MSE)和均方根误差(RMSE)将被用来评估模型的性能。日军MSE RMSE和的计算方法方程所示(19)- (22),分别15]。 在哪里代表的样本数量的公式被替换成操作,代表了预测值,代表实际值,代表的意思。

合适的隐层神经元的数量组合与输入重量和偏见成为提高榆树的预测精度的焦点。因此,本文介绍了榆树GWO算法优化算法,形成一种新的混合算法GWO-ELM命名。的流动GWO-ELM算法如图5。GWO-ELM算法在建模过程中,人口规模,目标函数,和拥有的最大数量的迭代算法首先确定。最佳隐层神经元的数量,最优输入权重和榆树网络的最优偏差使用GWO算法决定的。GWO算法决定了最优隐层神经元的数目,最优输入权重和榆树网络的最优的偏见。

GWO-ELM算法的具体步骤如下:(1)我们确定输入数据。原始数据预处理和随机分为训练集和测试集。(2)我们初始化GWO算法和确定的灰狼数量人口灰狼算法,迭代的最大数量,优化参数的数量。我们确定的参数和c我= 0。(3)我们初始化权重和偏见的榆树,此时隐层神经元的数量不再是经验但取决于实验的比较。在这一点上,隐层神经元的数目l=我+ 1。(4)我们计算每个个体的适应度的包来确定最好的个体,在日军用作个人的健康。个体误差越小,就越好。我们确定α,β,δ,ω在狼群基于个人错误的包。(5)我们更新每个灰太狼的位置和参数一个和C。(6)我们更新输入重量ω和偏见b榆树模型的步骤(5)的结果,榆树模型的参数值接近最优值。(7)我们计算所有灰狼的健身和更新αβδ和它的健康。个人预测误差大小确定个人在狼群的领导地位。也就是说,αβδ狼决定根据个人预测的误差值从小型到大型。(8)我们确定是否达到最大迭代次数;如果没有,我们回到步骤(5);否则,得到最优控制学习机器结构当隐层神经元的数目l。(9)以确定是否l达到的最大隐层神经元数。如果没有达到的最大隐层神经元数,重复步骤(3);否则,模型的预测精度可以比较的时候l需要不同的值。最后,可以获得最佳的榆树网络结构。

4所示。模型结构建设和实验分析

广泛的实验测试该GWO-ELM模型的预测精度,比较和分析GWO-ELM模型的性能与传统的榆树模型和MGWO-ELM模型。

4.1。训练样本的采集和处理

预测极端的学习机器的性能是非常依赖于输入数据的质量,和冗余或相互矛盾的数据不会导致预期的预测精度(28]。高质量的数据是建立精确模型的基础。本文使用的实际生产数据山东南山铝业有限公司,有限公司,如实验数据。大数据平台的数据来自数据库的企业。这个数据是可用的,可得到如图所示的数据可用性部分。测试标准GB / T 16865 - 2013是用于获得材料性能数据。在本文的实验中,输入和输出参数之间的相关性是第一个使用相关分析算法分析和物理冶金学原则。参数显著影响抗拉强度、屈服强度、伸长和选择作为模型输入参数,共22输入参数提取。模型的输入参数如表所示1。这个数据是可用的,可得到如图所示的数据可用性部分。输出参数被设置为抗拉强度、屈服强度、伸长,输出参数如表所示2。表1显示统计数据均值,标准差,为每个输入参数和最大和最小值。表2显示每个输出参数的平均值,标准偏差,统计和最小和最大价值。删除后最初的异常数据识别参数,意味着值被用来填充空值。处理数据将用于模型的训练和测试。131生产数据集6系列铝合金和5系铝合金收集和应用。主要成分的铝合金用于本文中的数据如表所示3。总数的百分之七十(91套)将分配给数据训练集,用于训练模型所需的预测精度。其余的数据(40集)将分配给测试组测试模型的性能。

数据处理需要避免负面影响的差异之间的数量级不同参数对预测的结果,因此,输入参数输入到模型之前需要规范化。前需要规范化的输入参数输入模型。所示的数据归一化法是方程(23),输入参数,将归一化[0,1][29日]。在这里,代表了规范化数据,和表示的最大和最小值数据的维度,分别是归一化的结果。

4.2。测定的参数GWO-ELM算法

GWO-ELM模型的网络结构是密切相关的数据结构。输入的维数决定了输入层的神经元数。输出的维度确定输出层神经元的数目。输入参数是22尺寸,所以在输入层神经元的个数设置为22;输出参数是三维,因此在输出层神经元的个数设置为3。在接下来的实验中,70%的数据将被用来训练模型和剩余的30%将用于测试模型的性能。整个模拟过程在这个实验中进行了使用Python 3.6。首先,激活函数是由实验(30.]。隐层神经元的数量暂时设置为22个测试模型的预测精度有不同的激活函数。实验结果如表所示4。均方误差的测试集和测试集的平均绝对百分误差最小化激活函数时是“乙状结肠。“训练集的均方误差为“乙状结肠”激活函数是316.72,测试集的均方误差为594.99,和总均方误差的预测是401.68。训练集的均方误差为“乙状结肠”激活函数和训练集的平均绝对百分误差是8.02,测试集的平均绝对百分比误差为10.45,总平均绝对百分比误差为8.76。榆树算法激活函数设置为“乙状结肠。”

接下来,实验是用来确定最优的隐层神经元数量榆树算法。隐层神经元的数目有很大影响的预测结果榆树模型,和过多或过少的隐藏层神经元会降低模型的预测精度。在本节中,榆树激活函数是“乙状结肠”和其他参数保持不变。榆树隐层神经元的数量确定的范围(1、38)维度的基础上在这个实验中使用的输入参数。榆树的性能与不同数量的隐层神经元模型比较,结果如图所示6。当隐层神经元的数量还不到23岁的抗拉强度、屈服强度、伸长,测试集的预测精度随着神经元的数目的增加增加。当隐层神经元的数目超过23,特别是延伸率的预测精度,预测精度的测试集显示波动下降的趋势。前面提到的现象的原因是,与隐层神经元的数目的增加,模型的过度拟合趋势增加和过度拟合导致的异常增加的预测误差测试集,如图6,预测精度达到了顶峰,当隐层神经元的数量是23。

接下来,灰太狼的人口规模算法由实验决定。迭代的数量设置为300,人群中个体的数量范围从[100]。测试集的预测结果如图的迭代次数7。测试集的预测结果显示低预测错误当人口规模是67年,78年和86年。不过,过于庞大的人口会导致模型训练时间延长,导致不必要的时间浪费。

目标函数的选择有巨大影响GWO算法的性能。模型是一个multioutput算法时,不同目标之间的权重的影响预测精度的最终的算法是感兴趣的。调查的影响目标函数权重对铝合金的机械性能,显示了本文中使用的目标函数方程(24)。在这里, , ,和的预测值是抗拉强度、屈服强度、伸长,分别;抗拉强度的测量值,屈服强度、伸长,分别;N是测量值的数量;屈服强度和伸长率的惩罚系数,分别。GWO算法的迭代次数设置为100,和抗拉强度的趋势,屈服强度和伸长率的变化惩罚系数如图8。作为一个例子,图8(一个)显示了抗拉强度的日军误差之间的关系和惩罚系数。越接近的颜色是黑色,日军误差越小,更好的预测精度。不同组合的惩罚系数对应于不同的力学性能预测精度。当惩罚系数的组合(我,j)(80),(90年,50),(30 60岁),和(90、80),抗拉强度的预测误差很小。同样,在比较数据8 (b)和8 (c),相对应的惩罚系数的最小预测误差可以得到屈服强度和伸长率。屈服强度的预测错误和伸长的抗拉强度进行了总结。当惩罚系数(我,j)(80),三个力学性能的预测误差较小的同时。

的趋势方差的日军三个输出变量如图9,这表明当惩罚系数分别是80和20,相应的日军方差为抗拉强度、屈服强度、延伸率小。当惩罚系数分别是80和20,抗拉强度的预测值,屈服强度和伸长率保持平衡的预测价值的三个力学性能同时确保自己一个小的准确性。目标函数的惩罚系数方程(23)选择80年,20。比较最优惩罚系数和原始系数如表所示5。最优惩罚系数不仅可以减少测试集的日军也显著减少预测误差的方差的三个变量。方差较低意味着三个变量的预测误差分布更均衡。

GWO算法的迭代次数显著影响预测结果,每次迭代都将获得一个更好的榆树的价值比上一次迭代算法参数。GWO算法种群大小设置为30,适应度函数是将方程(24),我= 20,j= 80。GWO-ELM模型的预测精度之间的关系测试集和迭代次数,以及模型训练时间和迭代次数,如图10。随着迭代的进行,R²测试集的逐渐增加和建模时间线性迭代的数量增加。的迭代次数达到3150时,抗拉强度的预测精度,屈服强度和伸长率是收敛的。

总之,GWO-ELM算法的参数已经确定,如表所示6。当参数的值如表所示6迭代优化的重量ω和偏见bGWO算法可以实现。因此,当达到最大迭代次数,最优输入重量ω和偏见b榆树的网络GWO-ELM模型中的决心。

4.3。实验和评估模型的性能

在本节中,力学性能预测实验证明优秀的提议GWO-ELM模型的预测精度。模型GWO-ELM模型的对比实验,MGWO-ELM模型和传统的榆树模型的目的是验证的优点提出GWO-ELM模型。通过20复制每个模型运行,避免误导的结果平均模型结果的机会。

确保公平的比较,相应的参数GWO-ELM模型和榆树模型在这个实验中如表所示6。使用的参数MGWO算法符合GWO算法。日军和RMSE误差测量力学性能的预测模型。20复制后的三个模型的预测误差实验的三个力学性能如表所示7。表7提供了一个极好的GWO-ELM模型的预测结果的可视化表示,MGWO-ELM模型和榆树模型三个力学性能。在测试集,RMSE错误GWO-ELM模型的抗拉强度,MGWO-ELM模型,和榆树模型是5.365,11.557,和21.489,分别。屈服强度的RMSE错误GWO-ELM模型,MGWO-ELM模型,和榆树模型11.881,20.465,和43.313,分别。伸长的RMSE错误在GWO-ELM模型中,MGWO-ELM模型,和榆树模型是1.268,1.848,和5.360,分别。上述结果表明本文提到的GWO-ELM模型具有更高的预测精度比传统的榆树模型的三个力学性能抗拉强度、屈服强度和延伸率。MGWO-ELM模型优于榆树模型但低于GWO-ELM模型。在测试集,为抗拉强度、屈服强度、伸长,日军GWO-ELM模型是1.703,2.703,和5.994,分别在相应的日军MGWO-ELM模型是2.316,5.185,和9.244,分别和榆树的模型是5.317,16.165,和19.630,分别。上述结果表明GWO-ELM模型的平均精度明显高于MGWO-ELM模型的三个力学性能的抗拉强度、屈服强度和延伸率。R²被用来作为评价指标来评估预测测试集的结果。R²的抗拉强度值GWO-ELM MGWO-ELM,榆树模型0.9857,0.9805,和0.7102,分别。的R²的屈服强度值GWO-ELM MGWO-ELM,榆树模型分别为0.9662,0.9804,和0.3958,分别。的R²的伸长值GWO-ELM MGWO-ELM,榆树模型0.9141,0.9074,分别和−0.8312。上述结果表明,GWO-ELM MGWO-ELM达到理想的拟合效果和预测抗拉强度、屈服强度、伸长,两种模型的性能远优于榆树模型。此外,GWO-ELM比MGWO-ELM预测的抗拉强度和伸长率,略优于MGWO-ELM GWO-ELM模型。

GWO-ELM模型的预测结果,MGWO-ELM模型和榆树模型与实际值相比20复制实验后的三个力学性能如图11。在训练集和测试集,屈服强度的预测精度和抗拉强度较高的伸长GWO-ELM模型和适应程度的屈服强度和抗拉强度较高的伸长GWO-ELM模型。三组模型试验的误差分布如表所示8。三个力学性能的抗拉强度、屈服强度、伸长,GWO-ELM模型具有更明显的优势在预测测试集的结果。特别是拉伸和产量优势。当预测偏差控制在±10%,抗拉强度在GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是100%,97.5%,和80%,分别。屈服强度的GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是97.5%,92.5%,和62.5%,分别。伸长GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是77.5%,77.5%,和37.5%,分别。GWO-ELM虽然伸长的预测精度和MGWO-ELM时相同的误差控制在±10%,GWO-ELM模型的预测精度优于MGWO-ELM当预测误差为5%。上述结果表明,预测精度比MGWO-ELM GWO-ELM更加稳定和榆树模型。

预测测试集的结果,绝对误差分布的预测结果,抗拉强度、屈服强度、延伸率在不同模型如图12。如图12(一个)抗拉强度的预测误差范围小于GWO-ELM模型的其他两个模型。如图12 (b)屈服强度的预测误差范围小于GWO-ELM模型的其他两个模型。如图12 (b)的屈服强度,预测误差范围GWO-ELM模型显著低于其他两个模型。GWO-ELM模型执行比MGWO-ELM模型在预测抗拉强度和屈服强度,但不是在预测伸长。如图12 (c),MGWO-ELM模型略优于GWO-ELM模型预测的伸长。总的来说,与其他两个模型相比,抗拉强度的预测精度,可以高屈服强度和伸长率GWO-ELM模型。

5。结论

本文提出了一种智能优化算法,结构简单的优点,训练时间短,预测精度高。该算法成功地应用于预测力学性能的铝合金条摘要并最终达到较高的预测精度,提供了一种新方法预测铝合金的机械性能,具有广阔的应用前景。(1)预处理工业生产数据被用来训练和测试GWO-ELM模型。通过一些实验,榆树算法的最优网络结构和最优参数的灰太狼算法确定。榆树的重量和偏见是由拥有算法。最优GWO-ELM模型结构成功地确定。(2)经过反复训练,GWO-ELM模型的均方根抗拉强度、屈服强度、延伸率分别为5.365,11.881,和1.268,分别。而相应的rms MGWO-ELM模型分别为11.557,20.465,和1.845,和相应的rms的榆树模型分别为21.489和43.313。这表明拥有的榆树模型优化算法具有较高的预测精度。(3)当预测偏差控制在±10%,抗拉强度在GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是100%,97.5%,和80%,分别。屈服强度的GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是97.5%,92.5%,和62.5%,分别。伸长GWO-ELM模型的预测精度,MGWO-ELM模型,和榆树模型是77.5%,77.5%,和37.5%,分别。GWO-ELM综合性能的模型在预测抗拉强度、屈服强度和延伸率比其他两个模型。GWO算法成功地提高了榆树模型的稳定性和鲁棒性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

所有作者宣称他们没有利益冲突。

确认

这项工作是支持的重大项目的科学和技术在南宁(20191002)。