PDF
研究文章|开放获取
海鹰周、刘合盛Tangqing旷,菁江主任朱之鑫Chen Weipei李, ”优化Short-Fiber-Reinforced剩余壁厚均匀的复合材料水辅助注塑使用响应面方法和人工神经Network-Genetic算法”,聚合物技术的进步, 卷。2020年, 文章的ID6154694, 10 页面, 2020年。 https://doi.org/10.1155/2020/6154694
优化Short-Fiber-Reinforced剩余壁厚均匀的复合材料水辅助注塑使用响应面方法和人工神经Network-Genetic算法
海鹰周
,1,2
刘合盛,1,2
Tangqing旷,3
菁江,2
陈主任朱之鑫,2
和
Weipei李2
1南昌大学机电工程学院330031年南昌,中国
2江西省重点实验室的聚合物微/纳米制造和设备,华东理工大学,330013年南昌,中国
3机电工程学院,华东交通大学,330013年南昌,中国
文摘
本研究旨在改善剩余壁厚均匀性(RWTU),这是密切相关的塑料零件的力学性能与中空截面,在短纤增强复合材料(10)溢出水辅助注塑(OWAIM)。五个独立的工艺参数的影响(熔体温度、模具温度、延迟时间、水压力、水和温度)对RWTU调查通过中心合成设计等方法,回归方程和方差分析。响应面方法(RSM)和人工神经网络(ANN)优化的遗传算法(GA)是用来映射工艺参数之间的关系和标准差(SD)描绘RWTU。比较评估的三个模型(RSM,安和ANN-GA)进行了一些统计指标。得出结论,熔化温度的影响,延迟时间,和水温显著RWTU;混合ANN-GA模型预测的最佳性能SD相比RSM和安;至少SD获得优化使用ANN-GA作为适应度函数为0.0972。
1。介绍
溢流水辅助注塑(OWAIM)是一种很有前途的方法生产功能性塑料零件和空心部分薄剩余壁厚(RWT) [1- - - - - -3]。OWAIM的过程包括两个步骤。首先,功能部分腔充满了融化的聚合物。第二,经过短暂的延迟时间,高压水注入核心推动融入溢出腔形成一个功能部分空心截面。这种技术有很多优势,如聚合物储蓄,短周期,降低注射压力,减少翘曲,更好的表面质量,提高模具设计的灵活性,等等,4]。
RWT的巨大一直注意这是一个重要的指标来评估质量的溢流水辅助注塑件(5- - - - - -9]。实验和模拟表明,在OWAIM RWT的分布是不均匀的。薄的塑料部件,不均匀RWT很难满足力学性能要求在特殊的应用程序。用短纤增强复合材料(10)为原料可以显著提高塑料零件的机械性能(10,11]。但这让OWAIM更复杂的过程导致一个更RWT不均。剩余壁厚均匀性(RWTU)的塑料部分是相关的整体力学性能。因此,在不同领域的广泛应用,迫切需要提高RWTU OWAIM的塑料零件。
在传统的塑料制造业,产品质量改进主要取决于工人的经验和试验和错误,这是昂贵的,费时,并且极大地降低了产品的竞争力(12]。幸运的是,信息处理技术的发展,使用统计方法和人工智能算法的建模和优化质量目标,大大缩短产品设计周期,降低了产品成本(13- - - - - -15]。RWTU受到许多因素的影响如材料特性,模具结构、工艺参数,等等。一般来说,调整工艺参数设置优化方法采用工业工厂。因此,它是至关重要的构造过程参数和RWTU之间的关系。
响应面方法(RSM),基于统计理论,是一个经典的和有效的方法,已经广泛应用于建模和优化。RSM非常有用的开发、改进和优化的反应受到多个独立变量(16,17]。RSM可以应用于评估反应之间的相关性和独立变量和定义的影响独立变量单独或组合。然而,OWAIM过程的非线性RSM可能难以取得更好的模型精度和泛化。人工神经网络(ANN),作为一种有效的方法来映射线性和非线性因素和目标之间的关系,广泛用于建模、预测、分类、模式识别(18,19]。然而,由梯度像样的ANN训练算法的性能大大影响使用不适当的初始权值和偏差,导致局部最小值(20.]。遗传算法(GA),受生物进化理论的启发,是一种全局优化的工具,可以用来搜索最优初始重量和偏见安。安和遗传算法的结合(ANN-GA)已成功地应用于优化研究[21,22]。
据我们所知,有限的研究已经实现了改进的迭合OWAIM RWTU。在这项研究中,数值实验,安排使用中心合成设计(CCD),已执行。RSM和ANN-GA用来映射RWTU和工艺参数之间的关系(熔体温度、模具温度、延迟时间、水压力、水和温度)。五的意义通过方差分析研究了工艺参数(方差分析)。RSM的预测性能,安和ANN-GA模型相比,使用线性回归方程和统计指标。最后,最好的模型预测性能作为遗传算法的适应度函数优化的RWTU迭合OWAIM塑料零件。
2。方法
2.1。相关的数学模型
OWAIM仿真中,熔体流动视为非等温,瞬态和nonNewtonian。它假定熔体是不可压缩的,层流,惯性项被忽略。熔体流动的基本控制方程如下。
在哪里是压力;温度;的时间;的速度;应力张量;密度;粘度;热导率;比热;和剪切应变。
七参数本构方程是用来描述熔体粘度与温度和剪切速率之间的关系。
在哪里粘度;零剪切粘度;剪切速率;材料常数;功率比指数;熔体温度;玻璃化转变温度; , , , ,和与所选材料有关的常数。
在高压水充填阶段,流体的体积(受到)模型是用来跟踪融化的接口和水。的体积分数是我th阶段,和0≤≤1。当一个单元完全占领我th阶段,值为1。当一个单位没有我th阶段,需要一个值的零。
2.2。几何模型在模拟
如图1几何模型,用于模拟是由一个选手,溢出腔和功能性塑料零件直径16毫米和两个肘部。模型由Pro / E是Moldex3D网状使用商业软件。网格节点和网格元素的数字是60175年和195118年,分别。短玻璃纤维增强聚丙烯(Fiberfil J-68/20 / E与短纤维质量分数为20%,一个方面比20)被选为原料的模拟,并设置其属性数据Moldex3D银行。
2.3。剩余壁厚均匀性的定义
RWT的值测定在十个不同的位置沿中心轴的功能部分,如图2。标准偏差(SD),它反映了个体之间的分散度集团,是RWTU定义作为评价指标。SD的公式可以表示为:
在哪里RWT的值是衡量的吗我th点;是RWT的平均值; 点的总数。
2.4。实验设计
的工艺参数如熔体温度、模具温度、延迟时间、水压力、水温度被认为是在这个研究。一般来说,这些工艺参数容易控制的实验和生产调整塑料部件的重要指标。windows推荐OWAIM融化过程温度(210°C, 230°C),模具温度(42°C, 62°C),延迟时间(1 s, 5 s),水压力(8 MPa, 12 MPa),和水温度(20°C, 30°C)。为了减少实验次数和全面检查RWTU工艺参数的影响,基于RSM CCD应用于仿真实验安排。编码和实际值五个独立的工艺参数如表所示1。五十个实验组成的42个阶乘和中心轴向分和8点要求的CCD三层和五个因素。中心分相同的工艺参数导致RWT的模拟。因此,实验的总数是43。显示在表的细节安排2。
|
|||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2.5。响应面方法
RSM基于统计技术的方法是采用多元回归分析的从CCD获得的实验数据。独立的工艺参数之间的关系和响应SD是使用一个二阶多项式方程描述。
在哪里和是独立的工艺参数;是拦截常数;是线性系数;相互作用系数和吗是二次系数。回归和方差分析研究使用软件实现8.0设计专家。
2.6。人工神经网络
安受生物神经系统是一个计算模型用于地图线性或非线性因素和响应的关系。ANN模型包括三个部分:一个输入层、一个或多个隐藏层,和一个输出层。每一层都由一个神经元的数量。数字输入层和输出层的神经元的数量取决于因素和响应,分别。在这项研究中,一个ANN模型与一个隐层是用于建模。梯度下降算法用于训练模型。”的转移功能Tansig”和“Purelin”被应用于隐藏层和输出层,分别。通过改变隐层神经元的数目从5到15,5-11-1的安拓扑结构是决定根据最小均方误差和目标之间的输出。ANN模型显示在图3。
2.7。遗传算法
遗传算法是基于自然选择和生存的适应性是一个全局搜索算法,它广泛应用于优化、模式识别、机器人和预测。与其他优化方法相比,遗传算法有许多优点,包括不容易被困到局部最小值,要求小前的信息搜索目标,和容易识别的最适条件复杂的搜索空间。
GA的主要操作进行了总结如下:(1)选择:个人选择基于他们的健身,这样更好的个人有更大的几率被选择,(2)交叉:交换两个家长的信息生成一个新的个人根据交叉概率,(3)突变:随机改变每个染色体的信息根据突变概率。
2.8。人工神经网络和遗传算法的混合模型
利用遗传算法优化混合的初始重量和偏见改善安的预测性能。ANN-GA的流程图如图4。遗传算法的染色体编码由安的重量和偏见。实验值之间的均方误差和预测安作为遗传算法的适应度函数。然后,遗传操作,如选择,交叉,变异,进行新一代繁殖。作为新个体替换父个体,遗传算法的种群更新。重复上述过程,直到预定义的一代数字或很满意优化标准。
培训模式之前,所有的过程参数向量和观测模拟被归一化到范围(−1,1)使用“mapmaxmin”功能。所有的计算和优化进行了Matlab环境下的R2015b。
2.9。统计分析
评估不同的性能模型预测SD,两个统计指标包括均方根误差(RMSE)和相关系数(R)计算。这些统计参数被定义为以下几点:
在哪里是实验值;相应的预测;实验值的平均值;预测的平均值;是模拟的总数。
3所示。结果与讨论
3.1。仿真结果
OWAIM包括熔体充填过程阶段和高压充填阶段。如图5(一个)模具型腔的功能性塑料用高温融化。在延迟时间短,外层的融化影响模腔,导致温度的降低。因此,薄融化层与高粘度形成由于热传导。图5 (b)演示了高压水渗透的结果。延迟时间后,水注入模具型腔和穿透流动阻力最少的核心。融化是推动形成一个塑料中空截面的一部分。
(一)
(b)
3.2。多元回归和方差分析
基于CCD,实验的结果列在表中2。一个二阶多项式方程描述之间的关系五个独立的工艺参数和SD决心。
充分性和健身的二次模型进一步研究了方差分析(表3)。 - - - - - -值< 0.05是一个标准判断每个术语的意义,并显示显著的变量在95%置信水平。回归模型(和 )是统计学意义,表明之间有一个不错的选择RSM获得的实验数据和预测数据。列在表3熔体温度的线性系数,延迟时间,水温被指出是重要的》量的价值( , ),( , )和( , ),分别;熔体温度和水温之间的交互似乎是主要的》量的价值( , ),这是紧随其后的是延迟时间之间的交互和水压力( , );二次系数都是无关紧要的。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3。ANN-GA的初始重量和偏见
优化的初始重量和偏见安使用遗传算法实现。37的43个数据集被用来训练ANN-GA,剩下的用来测试这个模型。之间的均方误差预测值和实验值作为适应度函数。如图6首先,在培训过程中,健身价值稳步大幅减少,然后跑150后一代。4.3最低的健身价值E预设后−4代,这意味着预测是在良好的协议与目标。最初的重量和偏见(表4)是固定的,分配给ANN-GA模型。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.4。RSM预测能力的比较,安和ANN-GA
数据7(一)- - - - - -7 (c)显示实验值与预测值的比较情节通过三个模型(RSM,安,ANN-GA)。RSM线性系数的拟合直线,安,和ANN-GA模型0.8147,0.9839,和1.001,分别。RSM数据点的分布两岸的拟合直线,而安和ANN-GA的数据点拟合线非常近。此外,RSM的有效性,安和ANN-GA模型有统计学评估RMSE和实验值和预测值之间的R值。表5给出了统计参数的RMSE RSM和R,安,分别和ANN-GA模型。一般来说,权值为零的亲密和团结的R值代表更多的响应预测的三个模型的准确性。通过上述分析,得出结论:三种模式(RAM,安,和ANN-GA)很可能映射之间的关系独立的工艺参数和SD,因此可以为预测提供可接受的精度对看不见的数据集;最佳性能的预测是ANN-GA安和RSM紧随其后,这表明ANN-GA模型能力最强的是广义的。因此,ANN-GA模型被选为决赛预测模型的优化过程。
(一)
(b)
(c)
|
|||||||||||||||||||||
3.5。优化ANN-GA和验证的结果
优化RWTU与原则进行了“越小,效果越好”。基于表达式的计算ANN-GA SD作为遗传算法的适应度函数。这种优化的进化过程被记录在图8。行代表健身价值40代后运行稳定。熔化温度的优化工艺参数= 219°C,模具温度= 59.8°C,注水延迟时间= 5 s,水压力= 10.2 MPa和水温度= 20°C被认为是。优化工艺参数,SD,安的GA模型预测为0.0972,小于任何观察仿真。
使用最优工艺参数,进行了仿真实验和真实实验来验证优化结果。如图9,SD通过仿真实验的价值为0.09,这是略小于ANN-GA和较小的预测价值比观察在仿真实验中(表2)。真正的实验的结果表明,RWTU获得的最优工艺参数得到了改进。
4所示。结论
进行配筋的模拟OWAIM, SD是用来描述RWTU用空心截面的塑料部件。RSM-CCD与五个独立变量(熔体温度、模具温度、延迟时间、水压力、水和温度)在三个层次和ANN-GA隐层用来构建模型预测SD。五个过程的影响参数对RWTU使用方差分析进行了研究,表明熔体温度、延迟时间和水温度是主要的。三个模型的预测能力(RSM,安和ANN-GA)通过一些统计标准和比较结果表明,ANN-GA模型性能最好的安和RSM紧随其后。RWTU的优化是使用ANN-GA作为适应度函数,实现了最小SD 0.097小于其他实验结果。值得注意的是我们的有趣的发现将为后续的优化提供了新的解决方案的翘曲和收缩的迭合OWAIM塑料部件。
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
作者宣称没有利益冲突。
确认
本文的工作是由中国国家自然科学基金资助(批准号21664002和21664002)和教育部门的科技项目江西,中国(批准号GJJ150609)。作者想表达诚挚的感谢那些评论在这篇文章中提出的变化。
引用
- 周x h·j·g·杨,妞妞,“模型和模拟的水渗透在水辅助注塑,”国际先进制造技术杂志》上,卷67,不。1 - 4、367 - 375年,2013页。视图:出版商的网站|谷歌学术搜索
- 和w . y . l . Li Peng,“流体辅助注塑技术、最新进展”最近的专利机械工程,7卷,不。1,第91 - 82页,2014。视图:出版商的网站|谷歌学术搜索
- 蔡博富。周旷,k, L.-X。吴,G.-F。周,L.-S。Turng”,试验研究渗透接口管道不同截面的溢出水辅助coinjection成型,”应用聚合物科学杂志》上,卷133,不。1,2016。视图:出版商的网站|谷歌学术搜索
- 旷t、b, c . Yu和l . s . Turng”实验研究渗透接口的溢出fluid-assisted共注塑成型过程中,“聚合物工程杂志,36卷,不。2、139 - 148年,2016页。视图:出版商的网站|谷歌学术搜索
- p . Olley l . Mulvaney-Johnson p·d·科茨,“非等温实验和模拟研究气体辅助注塑,剩余壁厚的”塑料、橡胶和复合材料,35卷,不。2,47-58,2006页。视图:出版商的网站|谷歌学术搜索
- K.-Y。林,F.-A。常,S.-J。刘”,利用微分模温度改善周围的残余壁厚均匀性曲线的部分流体辅助注射模制管,”国际交流在传热传质,36卷,不。5,491 - 497年,2009页。视图:出版商的网站|谷歌学术搜索
- h .公园和b Rhee”,液体的粘度和热性质的影响残余壁厚和集中性的空心fluid-assisted注塑产品,”国际先进制造技术杂志》上,卷86,不。9 - 12,3255 - 3265年,2016页。视图:出版商的网站|谷歌学术搜索
- H.-P。公园,s。Cha, S.-B。公园et al。”,研究残余壁厚的空隙形成fluid-assisted注塑零件,”材料科学与工程的发展238251卷,2014篇文章ID, 6页,2014。视图:出版商的网站|谷歌学术搜索
- t . Pudpong p . Buahom s Areerat w . Rungseesantivanon和t .齐藤,佐藤晴。”处理的影响参数对残余壁厚分布在水辅助注塑件的锋利的角角落,“国际聚合物加工,28卷,不。5,528 - 540年,2013页。视图:出版商的网站|谷歌学术搜索
- H.-X。黄,r。周,杨和c纤维取向推动高压水渗透水辅助注射成型纤维增强热塑性塑料部分,“复合材料学报卷,47号2、183 - 190年,2013页。视图:出版商的网站|谷歌学术搜索
- S.-J。刘,蔡明俊。林和研究。吴”,一个实验研究水辅助注射成型的玻璃纤维填充poly-butylene-terephthalate (PBT)复合材料,”复合材料科学与技术,卷67,不。7 - 8,1415 - 1424年,2007页。视图:出版商的网站|谷歌学术搜索
- 沈c、l . Wang和李问:“优化注塑工艺参数使用人工神经网络和遗传算法的结合方法,”材料加工技术杂志》上,卷183,不。2 - 3、412 - 418年,2007页。视图:出版商的网站|谷歌学术搜索
- p .锅w·金,李x et al .,“优化多路复用定量聚合酶链反应基于响应面方法和人工神经network-genetic算法的方法,”《公共科学图书馆•综合》,13卷,不。7篇文章ID e0200962 2018。视图:出版商的网站|谷歌学术搜索
- 雅各和r·巴纳吉”建模和优化厌氧codigestion土豆浪费和水生杂草的响应面方法和人工神经网络结合遗传算法,”生物资源技术卷,214年,第395 - 386页,2016年。视图:出版商的网站|谷歌学术搜索
- n .萨利姆a . Santhiagu和k . Joji过程建模和优化高产L-methioninase新孤立木霉属harzianum使用响应面方法和人工神经网络结合遗传算法,”生物催化和农业生物技术,17卷,第308 - 299页,2019年。视图:出版商的网站|谷歌学术搜索
- J.-X。杨和G.-B。在香港,“优化提取的活性化合物Glossogyne tenuifolia使用响应面方法,”食品杂志》的测量和表征,13卷,不。1,第676 - 663页,2019。视图:出版商的网站|谷歌学术搜索
- 答:a . b . m .寻和m . Moradi”价格弹性的试验研究电力市场使用响应面方法,”能源效率,12卷,不。3、667 - 680年,2019页。视图:出版商的网站|谷歌学术搜索
- 崛江y, t . Yoshio k .青山et al .,“食道癌的诊断结果通过使用卷积神经网络,人工智能”胃肠内镜,卷89,不。1,25-32,2019页。视图:出版商的网站|谷歌学术搜索
- a . Dehghanbanadaki m·a . Sotoudeh Golpazir, a . Keshtkarbanaeemoghadam和m . Ilbeigi”治疗纤维泥炭的岩土性质的预测人工神经网络,”《工程地质和环境,卷78,不。3、1345 - 1358年,2018页。视图:谷歌学术搜索
- 李m . d . Wang, z . et al .,“在相干光通信系统损害补偿使用仿生探测器基于人工神经网络和遗传算法,”光学通信卷,399年,页1 - 12,2017。视图:出版商的网站|谷歌学术搜索
- 美国Ghanavati Nasab, a . Semnani a . Teimouri h . Kahkesh t·摩Isfahani,和s Habibollahi”删除的刚果红溶液,对玉米醇溶蛋白羟磷灰石纳米粒子加载一个高效和绿色吸附剂:响应面方法和人工神经network-genetic算法,”聚合物和环境杂志》上,26卷,不。9日,第3697 - 3677页,2018年。视图:出版商的网站|谷歌学术搜索
- 巴拉米,f . Doulati Ardejani, e . Baafi”应用人工神经网络结合遗传算法和模拟退火解决地下水流入问题推进露天矿,”《水文卷,536年,第484 - 471页,2016年。视图:出版商的网站|谷歌学术搜索
版权
版权©2020海鹰周et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
