基于数据驱动的Al-Cu合金多目标性能模型预测

摘要

铸造铝合金因其优异的力学性能广泛应用于航空航天、汽车等领域，但传统合金设计面临成分空间庞大、试错实验成本高和成分与性能之间非线性关系难以预测的问题。本工作提出一种反向传播神经网络、主成分分析和遗传算法相结合的机器学习模型，用于铸造铝合金的多目标性能预测。该模型通过反向传播神经网络非线性映射建立合金成分与性能的关系、主成分分析降维、遗传算法优化网络参数，从而提升预测精度和训练效率。结果表明，优化后的模型均方误差、决定系数和平均绝对误差分别为36.28、0.91和2.44，在极限抗拉强度、屈服强度和断后伸长率的实验验证中，预测值与实验值控制在±5%误差范围内，具有较高预测精度，证明该模型具有高效性与可靠性。

关键词

铸造铝合金 / 主成分分析 / 反向传播神经网络 / 遗传算法 / 力学性能