A back propagation neural network with improved sine cosine algorithm approach for multi-response drilling optimization of carbon fiber reinforced polymer (CFRP)
本研究提出了一种结合反向传播神经网络与改进正弦余弦算法的集成方法，用于预测并优化碳纤维增强聚合物的多响应钻削参数，并利用自适应算子选择和种群管理来提升其相对于标准方法的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在对重量极其敏感的高端航空航天领域，工程师们依赖于一种既有钢铁般强度又如铝般轻盈的材料：碳纤维增强聚合物。这种由极细的碳纤维束通过塑料树脂结合而成的复合材料，构成了现代飞机机翼和机身的核心骨架。然而，将这些刚性的板材转化为可用的部件，需要钻出数千个孔洞以便用螺栓将结构组装在一起。这个看似简单的任务对材料而言却充满了危险。由于纤维质地脆，且结合树脂较软，标准钻头的热量和压力会导致材料层发生剥离或开裂，这种损伤被称为“分层”。一旦发生此类损伤，整个组件的结构完整性就会受到威胁，甚至可能导致灾难性的失效。制造商面临的挑战在于，寻找钻速、进给率和刀具形状之间的完美组合，以在不损坏昂贵材料的前提下钻出洁净的孔洞，这种平衡行为长期以来一直依赖于反复的试错。
为了破解这一难题，来自印度尼西亚和澳大利亚的一个研究小组开发了一种新的数字化策略，它结合了两种强大的工具：机器学习程序和智能搜索算法。他们首先通过对碳纤维板进行一系列真实的钻孔实验开始了研究。利用一台专门的机器，他们在两种不同类型的钻头（标准麻花钻和圆头钻）下进行钻孔，同时系统地改变钻头的转速和进入材料的速度。对于每一个钻出的孔，他们都测量了四个关键结果：向下施加的压力、旋转所需的扭矩，以及在孔的入口处和出口处出现的裂纹大小。他们还追踪了材料被移除的速度。这些物理测量数据提供了一个丰富的数据集，揭示了不同设置是如何影响孔洞质量的。
随后，研究人员将这些实验数据输入到一个反向传播神经网络中，这是一种旨在通过实例进行学习的计算机程序，其学习方式非常类似于人类学生通过教科书学习。通过分析钻削设置与产生的损伤之间的关系，计算机构建了一个高度准确的预测模型。该模型可以观察一组新的设置，并立即预测可能的压力、扭矩和损伤水平，而无需实际进行钻孔。然而，知道如何预测结果仅仅是成功了一半；真正的目标是找到能够使损伤最小化同时使效率最大化的那组单一最佳设置。为此，团队采用了改进版的正弦-余弦算法（sine-cosine algorithm）。想象一下一个广阔的参数景观，其中有些点是安全的，而有些点则是危险的。该算法就像一个向导，派出一群虚拟探索者去搜寻这个景观中的最低点，而这个最低点代表了完美的钻削条件。
该团队的创新之处在于他们改进了这个搜索向导。标准的搜索算法有时会陷入“局部低点”，误以为已经找到了最优解，而实际上附近还存在更好的方案。为了防止这种情况，研究人员为他们的算法增加了两条新规则。首先，他们赋予了算法根据以往步骤中最有效的策略来动态调整搜索策略的能力，本质上是让它通过自身的历史记录来进行更聪明的移动。其次，他们引入了一种种群管理技术，确保虚拟探索者不会过快地聚集在同一个位置。这保持了搜索的多样性，使得算法在最终确定答案之前，能够彻底探索解空间的不同区域。当他们将这个改进后的系统与标准版本进行对比测试时，新方法始终能找到更好的解决方案，并确定了一个特定的组合：使用麻花钻、主轴转速为 3000 转/分钟、进给率为 160.1 毫米/分钟，即为最优配置。
这项研究结果为制造业提供了一条清晰的前进道路。研究人员发现，与圆头钻相比，使用麻花钻通常会在孔的出口处产生较少的损伤；而较高的主轴转速有助于稍微软化材料，从而减少所需的力和产生的裂纹。相反，增加钻头进入材料的速度会增加压力和损伤。通过将预测计算机模型与改进的搜索算法相结合，团队证明了计算出生产高质量孔洞且损耗最小所需的精确钻削参数是完全可行的。这项工作不仅仅是在提出一种理论上的可能性，它还提供了一种优化关键工业流程的、具体的、经过测试的方法。随着航空航天业不断追求更轻、更强的飞行器，这种数据驱动的方法对于确保连接这些先进结构的孔洞能够以极高的精度和细致程度完成，将变得至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。