Vorhersage der Verformung von Blechen durch Leitungserwärmung basierend auf einer ISSA

Blog

HeimHeim / Blog / Vorhersage der Verformung von Blechen durch Leitungserwärmung basierend auf einer ISSA

May 10, 2023

Vorhersage der Verformung von Blechen durch Leitungserwärmung basierend auf einer ISSA

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 1252 (2023) Diesen Artikel zitieren

321 Zugriffe

1 Altmetrisch

Details zu den Metriken

Zur Verbesserung der Linienerwärmung und -bildung wurde eine Vorhersagemethode vorgeschlagen, die auf einem verbesserten Salp-Swarm-Algorithmus (ISSA) und einer Extreme Learning Machine (ELM) basiert. Zunächst wurde eine dreidimensionale transiente numerische Simulation der Leitungserwärmung und -umformung unter Anwendung einer Finite-Elemente-Simulation durchgeführt und der Einfluss von Bearbeitungsparametern auf die Verformung untersucht. Zweitens wurde auf der Grundlage von Simulationsdaten ein Vorhersagemodell für das ELM-Netzwerk erstellt und die Verformung der Rumpfplatte durch das Trainingsnetzwerk vorhergesagt. Darüber hinaus wurden die Optimierung der Schwarmintelligenz, die Optimierung des Partikelschwarms (PSO), der Seagull-Optimierungsalgorithmus (SOA) und der Salp-Swarm-Algorithmus (SSA) unter Berücksichtigung der Mängel des ELM untersucht und der ISSA vorgeschlagen. Eingabegewichte und Hidden-Layer-Bias des ELM-Modells wurden optimiert, um die Stabilität der Vorhersageergebnisse aus den PSO-, SOA-, SSA- und ISSA-Ansätzen zu erhöhen. Schließlich wurde gezeigt, dass der Vorhersageeffekt des ISSA-ELM-Modells überlegen war, indem der Vorhersageeffekt jedes Vorhersagemodells für die Leitungserwärmung und -formung verglichen und analysiert wurde.

Die Rumpfplatte ist ein wichtiger Teil der Hauptstruktur eines Schiffes. Seine Funktion besteht darin, einen wasserdichten Rumpf zu gewährleisten, dem Schiff das Schwimmen im Wasser zu ermöglichen und eine Transportfunktion zu erfüllen. Es gibt zwei Hauptherstellungsverfahren für gebogene Schiffsbleche: Kaltumformung und Warmumformung. Bei der Kaltumformung werden Belastungen üblicherweise durch hydraulischen Druck oder Walzendruck aufgebracht, um den gewünschten Verformungszustand zu erreichen. Durch die Warmumformung wird Wärme auf eine Blechoberfläche ausgeübt, was zu einem Temperaturgradienten führt, der schließlich zu einer lokalen Verformung des Blechs führt. Die Hauptmethode zur Bearbeitung nicht abwickelbarer Oberflächen ist derzeit die Linienerwärmung und -formung. Die Linienerwärmungstechnologie wird derzeit zur Herstellung großer Schiffsrümpfe und komplexer gekrümmter Oberflächen eingesetzt. Es bietet die Vorteile eines breiten Anwendungsspektrums, niedriger Kosten sowie einer hohen Flexibilität und Anpassungsfähigkeit. Derzeit wird die Technik jedoch meist von Hand von Fachkräften durchgeführt. Der Prozess leidet unter einem Mangel an erfahrenen Arbeitskräften, Schwierigkeiten bei der Schulung der Arbeitskräfte, hoher Arbeitsbelastung, schlechten Arbeitsumgebungen und hoher Arbeitsintensität. Daher ist es notwendig, den Zusammenhang zwischen Verarbeitungsparametern und Blechverformung zu untersuchen.

Zu den Faktoren, die die Verformung einer Schiffsplatte beeinflussen können, gehören die Bewegungsgeschwindigkeit der Wärmequelle, die Heizintensität und der Heizmodus. Choi1,2 untersuchte die Temperaturverteilung erhitzter Platten. Auch der Einfluss von Bearbeitungsparametern auf die Temperatur wurde untersucht. Die Ergebnisse zeigten, dass die Spitzentemperatur mit zunehmender Geschwindigkeit der Wärmequelle abnimmt. Qi3 ging davon aus, dass der Heizpfad zu einer ungleichmäßigen Verformung führen würde. Das Phänomen wurde durch numerische Simulation untersucht. Es wurde auch eine Technologie zur Leitungsheizung mit variabler Geschwindigkeit vorgeschlagen. Zhu4 führte eine numerische Studie zur Leistungsverteilung unter Berücksichtigung der Kopplungsmethode der Temperatureigenschaften von Materialien durch. Huang5 schlug eine dynamische Netzverfeinerungsmethode vor, die auf einer mehrstufigen Verfeinerung basiert, wendete sie an, um eine transiente thermodynamische Lösung für die Leitungserwärmung zu entwickeln, und bewies die Machbarkeit der Methode. Xu6 leitete eine Formel für die Wärmeabsorptionseffizienz einer Platte basierend auf der Finite-Volumen-Methode ab. Dies lieferte eine Referenz für die Analyse der Wärmeabgabe einer Wärmequelle in der Luft. Akiyama7 untersuchte den Einfluss der Interferenz zwischen mehreren Heizdrähten auf die Blechverformung. Deng8,9 schlug eine elastische Finite-Elemente-Methode zur Vorhersage der strukturellen Verformung beim Schweißen in großem Maßstab vor. Die Schweißverformung einer gekrümmten Plattenstruktur wurde mit der elastischen Finite-Elemente-Methode vorhergesagt. Basierend auf der Theorie der natürlichen Dehnung verwendete Huang10 ein lokales Volumenmodell und ein Ganzschalenmodell, um die Verformung lasergeschweißter dünner Platten schnell vorherzusagen. Han11 analysierte die Verformungsverteilung einer beheizten und einer unbeheizten Zone basierend auf Einzel- und Mehrfachbrennern. Basierend auf der oben genannten Forschung führt dieser Artikel ein Simulationsexperiment zur Leitungserwärmung für Blech durch.

Die Berechnung komplexer Thermoelastoplastizität durch numerische Simulation nimmt viel Zeit in Anspruch, da hierfür eine höhere Computerleistung erforderlich ist. Die Kombination der Linienerwärmungstechnologie mit einem Algorithmus zur Generierung von Bearbeitungsparametern kann den Prozess der Vorhersage der Blechumformung erheblich verbessern. Shin12 hat ein BP-Neuronales Netzwerkmodell für Platten erstellt. Die Dicke der Platte und die Heizgeschwindigkeit waren die Eingabereferenzdaten und die Längsverschiebung war die Ausgabereferenzdaten. Dies wurde verwendet, um die lokale Verformung der Leitungserwärmung vorherzusagen. Jin13 nutzte Experimente und Simulationen, um eine Vorhersagegleichung für die Winkelverformung basierend auf den Referenzdaten der Wärmequellenfestigkeit, Biegesteifigkeit und Abmessung zu erstellen. Nguyen14 entwickelte ein künstliches neuronales Netzwerkmodell zur Vorhersage von Heizparametern durch die Einrichtung eines Eingabe- und Ausgabe-Trainingsnetzwerks. Basierend auf einem Finite-Elemente-Modell der thermischen Analyse des thermischen Umformprozesses von Schiffsaußenplatten schlug Zhang15 den Einsatz einer Support-Vektor-Maschine (SVM) vor, um die lokale Verformung unter Leitungserwärmung vorherzusagen. Shanbehzadeh16 führte eine Studie zur frühen BC-Prävention auf der Grundlage eines ML-Vorhersagesystems durch und die Ergebnisse zeigten, dass maschinelles Lernen über eine gute Vorhersagekraft verfügt. Nopour17 wählte Techniken des maschinellen Lernens, um die Vorhersage von COVID-19 zu erforschen, ein Modell, das Ärzten bei der Früherkennung und wirksamen Intervention helfen und möglicherweise die Zahl der Todesfälle bei Patienten reduzieren könnte. Daher wurde maschinelles Lernen verwendet, um mathematische Modelle zu erstellen, die reale Bearbeitungen reproduzieren können, ähnliche Ergebnisse wie bei realen Arbeiten liefern, zur Analyse von Ergebnissen verwendet werden können und bestimmte Modellprobleme vorhersagen und optimieren können. Huang18,19 schlug einen einfachen und effektiven Single-Hidden-Layer-Feedforward-Lernalgorithmus für neuronale Netze vor. Der Extreme Learning Machine (ELM)-Algorithmus20 bietet eine schnellere Lerngeschwindigkeit und eine bessere Generalisierungsleistung. Die Konvergenzgeschwindigkeit ist viel schneller als bei herkömmlichen Methoden, die Leistung ist gut und wird in vielen Bereichen eingesetzt21. Der Salp-Algorithmus22 hat in den letzten Jahren viele Probleme im maschinellen Lernen, im technischen Design und in anderen Bereichen optimiert. Yildiz23 analysierte die Wirksamkeit und Leistungsfähigkeit des Salp-Algorithmus unter den Aspekten Konvergenzgeschwindigkeit, Lösungsqualität und Robustheit. Wenn eine Vorhersage der Plattenverformung möglich ist, kann die Bearbeitungsschwierigkeit erheblich reduziert und die Effizienz gesteigert werden.

In diesem Artikel wird ein Simulationsmodell für die Erwärmung und Umformung von Leitungen vorgestellt. Die Eigenschaften der Versuchsmaterialien werden definiert. Die relevanten Daten wurden durch Experimente gewonnen. Das ELM-Vorhersagemodell basierend auf dem verbesserten Salp-Swarm-Algorithmus (ISSA) wurde durch das Studium der relevanten Algorithmustheorie erstellt. Durch den Vergleich der Bewertungsindizes werden die fünf Vorhersagemodelle in diesem Artikel verglichen und bewertet, und es wird der Schluss gezogen, dass ISSA-ELM eine bessere Wirkung hat.

Unter Linienerwärmungs- und Umformtechnik versteht man die Verwendung brennbarer Gase, Elektromagnetik, Laser und anderer Substanzen zur Linienerwärmung einer Stahlplatte. Anschließend wird der erhitzte Bereich mit Wasser oder Luft schnell abgekühlt. Die Biegeverformung der Stahlplatte wird durch die Schrumpfspannung eines Teils der Stahlplatte realisiert. Das Umformprinzip ist in Abb. 1 dargestellt. Die Umformergebnisse werden durch die Temperatur der Wärmequelle, geometrische Referenzdaten der Außenplatte und Verarbeitungsreferenzdaten beeinflusst.

Prinzip der Linienerwärmung und -formung.

Die Linienerwärmung und -umformung ist eine Methode zum Formen von Metallplatten in komplexe dreidimensionale Formen. Diese Methode ist effizient und kostengünstig. Der Temperaturgradient ist der Hauptgrund für die unterschiedlichen Biegegrade von Blechen. Im Allgemeinen wird der Unterschied zwischen den mechanischen und physikalischen Eigenschaften von Metallen durch die Temperatur bestimmt. Mit steigender Temperatur der Leitungsheizzone nehmen die Normbiegefestigkeit, Elastizität und Wärmeleitfähigkeit von Stahl ab. Allerdings erhöhen sich der spezifische Wärmekoeffizient und der Ausdehnungskoeffizient, insbesondere die Streckgrenze und der Elastizitätsmodul. Die Temperatur sinkt schnell über die kritische Temperatur.

Beim Linienerwärmungsprozess kann die bei der plastischen Blechverformung entstehende Wärme vernachlässigt werden. Zunächst wird eine thermische Analyse durchgeführt. Es wird verwendet, um ein Temperaturfeld zu erzeugen und dann als Last für die Strukturanalyse verwendet zu werden.

Das Temperaturfeldmodell für die Leitungserwärmung und -formung kann in zwei Teile unterteilt werden: das mathematische Modell des Wärmeflusses der Gasquelle und das mathematische Modell der Wärmeleitung. Beim Linienerwärmungs- und Umformprozess erhitzt das Gas die Stahlplatte mit einer Strahlflamme. Der Wärmewert der Einheitsquerschnittsfläche der Schiffsplatte pro Zeiteinheit ist auch der Wert für den Wärmestrom der Stahlplatte \(q^{\prime \prime }\).

In der Formel ist \(Q_{ch}\) der Gasfluss aus der Stahlkanone; \(A\) ist der Verbrennungswert von Gas; und \(\eta\) ist der thermische Wirkungsgrad.

In dieser Studie wurde die Gaußsche Wärmequelle aufgrund ihrer Nähe zur Verteilungskurve der Wärmestromdichte als Wärmequellenmodell für die Linienheizung ausgewählt.

Beim Erhitzen einer Stahlplatte ist die Wärmeverteilung an jeder Stelle unterschiedlich. Die pro Zeiteinheit an einem bestimmten Ort absorbierte Wärmemenge beträgt \(q\):

Dabei ist \(r_{0}\) der Flammenheizradius und \(r\) der Abstand zwischen dem zu erhitzenden Punkt und dem Flammenheizzentrum.

Der Leitungserwärmungsprozess kann als dreidimensionale nichtlineare transiente Analyse betrachtet werden, und sein mathematisches Wärmeleitungsmodell lautet:

In der Formel ist \(\rho\) die Dichte des Stahls; \(c\) ist die spezifische Wärmekapazität des Stahls; \(\lambda\) ist die Wärmeleitfähigkeit des Stahls; \(T\) ist die Temperatur des Stahls; und \(t\) ist die Heizzeit.

Abbildung 2 zeigt das in dieser Studie erstellte Wärmequellenmodell. Sowohl die Randbedingungen der freien Konvektion als auch der Strahlung sind erfüllt. Bei der mechanischen Analyse sind diese Randbedingungen auf eine Nullverschiebung an der Mittellinie der Metallplatte beschränkt, um eine Bewegung des starren Körpers zu vermeiden.

Wärmequellenmodell.

Der Prozess der linearen Erwärmung ist ein thermodynamisches Kopplungsphänomen. In dieser Studie wurde ein dreidimensionales Finite-Elemente-Modell erstellt, um den Formgebungsprozess von Blechen zu simulieren. Zur Simulation des Formgebungsprozesses wurde die Simulationssoftware SYSWELD eingesetzt. Das Finite-Elemente-Modell der Stahlplatte ist in Abb. 3 für die Gitterteilung dargestellt. Im numerischen Modell wird die Position nahe der Wärmequelle als feines Gitter verwendet, während die Position fernab der Wärmequelle als grobes Gitter verwendet wird. Ziel ist es, genaue Temperatur- und Spannungsgradienten zu erhalten und die Berechnungszeit zu verkürzen.

Platten-Finite-Elemente-Modell.

Die Abmessungen der für dieses Experiment gewählten Stahlplatte betrugen 300 mm × 400 mm × hmm (\(h \in \left[ {10,14} \right]\)). Die Heizlinie befand sich in der Mittellinie der Plattenbreitenrichtung und die Geschwindigkeit der Wärmequelle wurde auf 6–15 mm/s eingestellt.

Q345 wird aufgrund seines moderaten Kohlenstoffgehalts, seiner hervorragenden Gesamteigenschaften, seiner guten Festigkeit, Plastizität und Zuverlässigkeit häufig in Schiffen, Fahrzeugen und im Bauwesen eingesetzt. In dieser Arbeit wird Q345-Stahl für die Untersuchung ausgewählt und seine Eigenschaften variieren mit der Temperatur, wie in Tabelle 1 gezeigt.

In dieser Arbeit gibt es 90 Gruppen von Experimenten. Die erste Spalte zeigt die Experimentnummer. Die nächsten vier Spalten stellen die Parameter des Features dar. Die letzte Spalte stellt das Ergebnis dar. Die experimentellen Daten sind in Tabelle 2 dargestellt. Die gebildete Form ist in Abb. 4 dargestellt.

Gebogene Form.

Der Verformungsgrad der Leitungserwärmung wird von vielen Faktoren wie Material- und Verarbeitungsparametern beeinflusst. Mithilfe der Methode des maschinellen Lernens werden die Regeln zwischen verschiedenen Eingabevariablen und Ausgabeergebnissen untersucht, um eine Verformungsvorhersage zu erzielen. Eine extrem lernende Maschine ist eine neue Art eines speziellen Feed-Forward-Neuronalen Netzwerks mit einer einzelnen verborgenen Schicht. Die Netzwerkstruktur ist einfach. Es kann zufällig Eingabegewichte und versteckte Schichtverzerrungen generieren. Die Netzwerktrainingszeit ist sehr schnell. Seine Stabilität und Generalisierungsfähigkeit sind jedoch etwas dürftig. Die Eingabegewichte und die Vorspannung der verborgenen Schicht in einem ELM werden zufällig ausgewählt. Zufällig generierte Werte eignen sich möglicherweise nicht für Lernproben, was den Lerneffekt instabil macht. Um einen stabilen Vorhersageeffekt zu erzielen, kann der Schwarmintelligenz-Optimierungsalgorithmus verwendet werden, um das Eingabegewicht und die Vorspannung der verborgenen Schicht eines ELM zu optimieren. In diesem Artikel wird ein optimiertes ELM vorgestellt, das auf einem verbesserten Slap-Swarm-Algorithmus basiert, um die beste Lösung zu finden. Daher werden der Vorhersagefehler und die Recheneffizienz extrem lernender Maschinen basierend auf SOA, PSO, SSA und ISSA verglichen. Durch die Auswahl eines besseren Optimierungsalgorithmus unter diesen Methoden kann das ELM effizienter rechnen und so eine genaue Vorhersage erzielen.

Abbildung 5 zeigt die Struktur eines typischen Feedforward-Neuronalen Netzwerks mit einer einzelnen verborgenen Schicht. Es besteht aus einer Eingabeebene, einer verborgenen Ebene und einer Ausgabeebene. Unter diesen entsprechen \(n\) Neuronen in der Eingabeschicht \(N\) Eingabevariablen. Die verborgene Schicht hat \(1\) Neuron. Die Ausgabeschicht verfügt über \(m\) Neuronen, die \(m\) Ausgabevariablen entsprechen. Um die Allgemeingültigkeit zu wahren, sei das Verbindungsgewicht zwischen der Eingabeschicht und der verborgenen Schicht \(w\):

wobei \(w_{n}\) das Gewicht der Verbindung zwischen dem \(i\)-ten Neuron in der Eingabeschicht und dem \(j\)-ten Neuron in der verborgenen Schicht bezeichnet.

ELM-Netzwerkstruktur.

Nehmen Sie an, dass das Verbindungsgewicht zwischen der impliziten Schicht und der Ausgabeschicht \(\beta\) beträgt:

wobei \(\beta_{jk}\) das Verbindungsgewicht zwischen dem \(j\)-ten Neuron der verborgenen Schicht und dem \(k\)-ten Neuron der Ausgabeschicht bezeichnet.

Angenommen, der Schwellenwert \(b\) des Neurons der impliziten Schicht ist:

Nehmen Sie an, dass die Eingabematrix X und die Ausgabematrix Y des Trainingssatzes mit Q-Stichproben wie folgt lauten:

Angenommen, die Aktivierungsfunktion des Neurons in der verborgenen Schicht ist g(x), dann ist aus der Netzwerkstruktur des ELM die Ausgabe T des Netzwerks:

Die obige Gleichung kann ausgedrückt werden als: \(H\beta = T^{\prime }\).

Dabei ist \(T^{\prime }\) die Transponierungsmatrix von \(T\) und \(H\) die Ausgabematrix der verborgenen Schicht des neuronalen Netzwerks in der folgenden Form.

Als Population wird eine Kette von \(n\) Salpen betrachtet. Die individuelle Position jedes Salps wird als \(D\)-dimensionaler Vektor dargestellt. Der Standort von Salpen kann ausgedrückt werden als \(X = \left[ {X_{n1} ,X_{n2} , \ldots ,X_{nD} } \right]^{T} ,n = 1,2, \ldots ,N\). Die Funktion, die den Maximalwert benötigt, wird Fitnessfunktion genannt. Ein Individuum kann als unabhängige Variable in der Formel für die Position des Salpenschwarms eingesetzt werden, um die entsprechende Position zu berechnen. Die Position dieses Individuums wird Nahrungsposition genannt und mit \(F = \left[ {F_{1} ,F_{2} , \ldots ,F_{D} } \right]^{T}\ bezeichnet, die obere Grenze des Suchraums ist \(ub = \left[ {ub_{1} ,ub_{2} , \ldots ,ub_{D} } \right]^{T}\), die untere Grenze der Suche Der Raum ist \(lb = \left[ {lb_{1} ,lb_{2} , \ldots ,lb_{D} } \right]^{T}\) und die Bevölkerung der SSA. Die zufällige Initialisierungsformel lautet:

wobei \(X_{N*D}\) den Positionsvektor des Salpschwarms bezeichnet und \(R\left( {N,D} \right)\) den dimensionalen Zufallsvektor \(N*D\) bezeichnet.

Der Anführer-Salpenschwarm ist der erste Vektor in der X-Matrix. Beim Standard-SSA leitet der Anführer die Bewegung der gesamten Salp-Kolonie. Seine nächste Position wird in gewisser Weise in Richtung Essen gehen. Die Leader-Update-Strategie wird nach Gleichung berechnet. (12).

wobei \(X_{d}^{1}\) die Führungsposition ist. \(ub_{d} ,lb_{d}\) bezeichnen die oberen und unteren Suchgrenzen des einzelnen Leaders in der Dimension \(d\). \(c_{1} ,c_{2}\) bezeichnen Zufallszahlen mit den Werten [0,1]. \(c_{1}\) wird verwendet, um die Suchfähigkeit und Ausbeutungsfähigkeit der gesamten Gruppe zu steuern, und \(c_{2}\) bestimmt die Länge der Bewegung.\(c_{3}\) ist die Suche Ausgleichsfaktor, der die positiven und negativen Bewegungsrichtungen bestimmt und zum Ausgleich globaler und lokaler Suchfunktionen verwendet wird. Letztendlich erhöht dies die Zufälligkeit und Vielfalt der Führungskräfte.

Ein Anhänger des Salps ist ein Salp, der der Bewegung des Anführers folgt. Die Position des \(m\)-ten Followers in der nächsten Iteration wird durch seine eigene Position in der aktuellen Iteration und die Position des vorherigen Salp bestimmt. Die Ausgangsposition, Geschwindigkeit und Beschleunigung wirken sich direkt auf die Position des Followers aus. Die aktualisierten Positionen können gemäß den Newtonschen Bewegungsgleichungen ermittelt werden, wie in den Gleichungen gezeigt. (13, 14 und 15):

wobei \(a\) Beschleunigung bedeutet; \(v_{0}\) bedeutet die Anfangsgeschwindigkeit; \(t_{a}\) bedeutet die Iterationsschrittlänge; \(R\) bedeutet die Bewegungsdistanz; und \(X_{d}^{{m^{\prime } }} ,X_{d}^{m}\) bezeichnet die \(d\)-te dimensionale Position des \(m\)-ten Nachfolgers nach und vor dem aktualisieren.

In diesem Artikel führen wir einen Dämpfungsfaktor in die SSA ein. Daher nimmt der Aktualisierungsbereich der Führungsposition mit zunehmender Anzahl von Iterationen allmählich ab, um zu vermeiden, dass es in der frühen Konvergenzphase zu lokalen Extremwerten kommt. Anschließend nähert er sich im späten Genauigkeitsstadium dem optimalen Wert an, um eine höhere Lösungsgenauigkeit zu erreichen. Die Führung der Positionsaktualisierungsformel unter Hinzufügung des Abklingfaktors ist in Gl. dargestellt. (16).

wobei der Abklingfaktor A(l), der den Suchbereich steuert, eine nichtlineare abnehmende Funktion ist, die wie in Gleichung definiert ist. (17):

Dabei ist \(l\) die Anzahl der aktuellen Iterationen. \(T\) bezeichnet die maximale Anzahl von Iterationen.

In der frühen Konvergenzphase ist der Suchbereich nicht eingeschränkt. Einzelpersonen können sich vollständig rund um den Globus bewegen, um die globale Suchfähigkeit des Algorithmus voll auszunutzen und zu vermeiden, in lokale Extreme zu verfallen. Um eine höhere Genauigkeit zu erreichen, wird in den späten Phasen der Konvergenz der Suchbereich schrittweise verringert, während sich die Person dem optimalen Wert nähert. Dabei wird eine individuelle Präzisionssuche innerhalb eines eingeschränkten Bereichs verwendet, um die lokalen Suchfunktionen zu verbessern.

Um die lokale Suche zu verbessern, sucht der Algorithmus in den frühen Phasen nach größeren Gewichten, die die globale Suche verbessern können, und in den späten Phasen der Suche nach kleineren adaptiven Gewichten, die adaptive Gewichte einführen können, wie in Gleichung (1) gezeigt. (18):

Durch Einführen der obigen Gleichung in die alte Follower-Aktualisierungsgleichung lautet die neue Follower-Update-Gleichung Gleichung. (19):

wenn \(\lambda = 2\) und \(\varphi = 4/3\), konvergiert der Wert von \(\omega\) allmählich. Dies kann die Rechenkomplexität verbessern. Der Suchbereich und die Bevölkerungsvielfalt werden in der frühen Phase des Algorithmus erhöht.

Die verbesserte Implementierung des Salp Swarm-Algorithmus läuft wie folgt ab:

Schritt 1: Legen Sie die Populationsgröße \(N\), die Anzahl der Iterationen, die Dimension \(D\) sowie die oberen und unteren Grenzen fest.

Schritt 2 Initialisieren Sie die Position der Individuen in der Salpenschwarmgruppe. Berechnen Sie dann den Fitnesswert jedes Individuums, um die Position des Individuums mit dem kleinsten Fitnesswert als Lebensmittelposition zu bestimmen.

Schritt 3: Erzeugen Sie den Abklingfaktor \(A\left( l \right)\) und aktualisieren Sie die Führung der Position.

Schritt 4: Fügen Sie adaptive Trägheitsgewichte hinzu, um die Follower-Positionen zu aktualisieren.

Schritt 5: Wenn er kleiner als die aktuelle Lebensmittelposition ist, berechnen Sie den aktualisierten individuellen Anpassungswert und aktualisieren Sie die Lebensmittelposition.

Schritt 6: Bestimmen Sie, ob die aktuelle Iterationszahl die voreingestellte Iterationszahl erreicht. Wenn es erreicht ist, beenden Sie die Iteration; Andernfalls kehren Sie zu Schritt 3 zurück.

Schritt 7 Geben Sie die Lebensmittelposition und den Fitnesswert für diese Position aus.

Durch die Erkenntnisse der SSA haben wir herausgefunden, dass die SSA aufgrund ihres uneingeschränkten Suchbereichs für Positionsaktualisierungen und des geringen Einflussgewichts von Elite-Individuen in der späten Iteration keine genaue Suche durchführen kann und die Follower bei einzelnen Positionsaktualisierungen nicht gut unterstützen können. In diesem Artikel schlagen wir eine verbesserte SSA vor, um die Regressionsvorhersage der Linienerwärmung und -formung für extrem lernende Maschinen zu optimieren. Zunächst wird ein Dämpfungsfaktor hinzugefügt, um die lokale Ausnutzung später in der Iteration zu verbessern. Anschließend werden adaptive Trägheitsgewichte hinzugefügt, um die globale Suchfähigkeit in den frühen Phasen und die lokale Suchfähigkeit in den späteren Phasen zu verbessern. Der Ablauf des verbesserten SSA zur Optimierung der extrem lernenden Maschine ist in Abb. 6 dargestellt.

Flussdiagramm des optimierten ELM basierend auf der IVSS.

Um die Vorhersageleistung des Modells weiter zu bewerten, werden die folgenden drei Indikatoren zur Beurteilung der Genauigkeit des Modells ausgewählt: der Fitnesswert \(E\), der mittlere quadratische Fehler \(MSE\) und das Bestimmtheitsmaß \(R). ^{2}\), deren Gleichungen in den Gleichungen dargestellt sind. (20, 21 und 22).

wobei \(y_{d}^{*} \left( n \right)\) die Netzwerktrainingsausgabe bezeichnet, \(y_{d} \left( n \right)\) die gewünschte Ausgabe bezeichnet und \(D \) ist die Länge der Trainingsdaten.

In diesem Artikel werden Vorhersagemodelle basierend auf einem ELM, PSO-ELM, SOA-ELM, SSA-ELM und ISSA-ELM entwickelt. Die Vorhersageleistung jedes Modells ist in der Abbildung dargestellt.

Je näher das Bestimmtheitsmaß bei 1 liegt, desto besser ist die Vorhersageleistung des Modells. Abbildung 7 zeigt den mittleren quadratischen Fehler und das Bestimmtheitsmaß für alle Vorhersagemodelle, die zur Vorhersage der Verformung durch Leitungserwärmung verwendet werden. Eine vergleichende Analyse zeigt, dass das anfängliche ELM-Algorithmusmodell einen relativ niedrigen Bestimmtheitskoeffizienten aufweist. Die durch den Optimierungsalgorithmus optimierten Modelle haben alle Bestimmtheitsmaße nahe 1. Es ist offensichtlich, dass ISSA-ELM ein besseres Bestimmtheitsmaß aufweist.

Vergleich der mittleren quadratischen Fehler und Bestimmtheitsmaße der verschiedenen Modelle.

Je näher der mittlere quadratische Fehler bei 0 liegt, desto besser ist die Leistung des Modells. Abbildung 7 zeigt, dass der mittlere quadratische Fehler des ursprünglichen ELM-Modells höher ist als der der anderen vier Modelle, mit einem mittleren quadratischen Fehler von 4,67E−2. Die optimierten ELM-Modelle weisen alle eine gute Leistung mit mittleren quadratischen Fehlern von 5,8E−3, 1,27E−2, 2,2E−3 und 1,7E−3 auf.

Die experimentellen Werte der Fehler und mittleren Fehler zwischen den Vorhersagen der fünf Vorhersagemodelle in diesem Artikel sind in Abb. 8 dargestellt. Der durchschnittliche Vorhersagefehler des ELM beträgt 0,039 mm, was deutlich höher ist als der durchschnittliche Fehler der anderen Modelle . Es ist klar, dass der ursprüngliche ELM-Algorithmus nicht die globale optimale Lösung gefunden hat. Der mittlere Fehler des ELM-Algorithmus wurde nach der Optimierung durch den Optimierungsalgorithmus deutlich reduziert. Das ISSA-ELM-Modell hatte den kleinsten mittleren Vorhersagefehler aller Modelle, sodass seine Vorhersageleistung optimal war.

Vergleich der Vorhersagefehler verschiedener Modelle.

Die Fitnesskurven für die Vorhersagemodelle, die zur Vorhersage der Leitungserwärmung und Formverformung SOA-ELM, PSO-ELM, SSA-ELM und ISSA-ELM verwendet werden, sind in Abb. 9 dargestellt. Der Fitnessfunktionswert ist der MSE des Fehlers im Training set: \(fitness = argmin\left( {MSE_{pridect} } \right)\). Im SOA-ELM-Modell stabilisiert sich der systematische Fehler nach 41 Iterationen bei etwa 1,0E−5. Im PSO-ELM-Modell stabilisiert sich der systematische Fehler nach 35 Iterationen bei etwa 4,0E−5. Im SSA-ELM-Modell stabilisiert sich der Systemfehler nach 42 Iterationen bei etwa 5,0E−6. Im ISSA-ELM-Modell stabilisiert sich der systematische Fehler nach 30 Iterationen bei etwa 2,0E−6. Die Ergebnisse zeigen, dass das in diesem Artikel vorgeschlagene ISSA-ELM-Modell eine schnellere Optimierungsgeschwindigkeit und eine höhere Konvergenzgenauigkeit aufweist und der verbesserte Hüllenalgorithmus die Lerneffizienz des ELM-Modells erheblich verbessert.

Vergleich der Fitnesskurven verschiedener Modelle.

Der Vergleich zwischen der Vorhersageausgabe und den experimentellen Werten der fünf Vorhersagemodelle in diesem Artikel ist in Abb. 10 dargestellt. Der Gesamttrend jedes Modells liegt nahe am experimentellen Wert. In Abb. 10 ist deutlich zu erkennen, dass sich der Vorhersageeffekt des ursprünglichen ELM deutlich vom experimentellen Wert unterschied. Je kleiner der relative Fehler ist, desto besser ist der Vorhersageeffekt. Der Vorhersageeffekt des ursprünglichen ELM war schlecht und der durchschnittliche relative Fehler des ELM betrug 1,4 %. Der durchschnittliche relative Fehler des durch den Optimierungsalgorithmus optimierten ELM-Vorhersagemodells ist viel kleiner als der des ursprünglichen ELM. Ihre durchschnittlichen relativen Fehler betragen 0,4 %, 0,8 %, 1,4 %, 0,1 % und 0,08 %. Unter anderem liegt die vorhergesagte Ausgabe des in diesem Artikel vorgeschlagenen ISSA-ELM-Modells näher am experimentellen Wert. Dies deutet darauf hin, dass das Modell überlegen ist.

Prognostizierte versus gewünschte Ausgabe für jedes Modell.

Dieses Papier befasst sich mit den Merkmalen des Linienerwärmungs-Umformprozesses. Verwendung von Finite-Elemente-Simulationstools. Es wurde ein Finite-Elemente-Simulationsmodell basierend auf Thermoelastizität entwickelt. Auf dieser Basis wurden Prozessparameter und Umformdaten ermittelt. Zur Vorhersage der Verformung des Schiffsbords wurde eine maschinelle Lernmethode eingeführt. Aufgrund der Mängel des ELM wurde ein verbesserter Salp-Schwarm-Optimierungsalgorithmus zur Verbesserung des ELM vorgeschlagen. Die Ergebnisse zeigen, dass das in diesem Artikel vorgeschlagene ISSA-ELM-basierte Modell zur Vorhersage der Linienerwärmungsverformung eine gewisse richtungsweisende Bedeutung für die Verarbeitungsproduktion hat.

Zur Vorhersage der Linienerwärmung und -bildung wird ein Algorithmusmodell verwendet, das auf einer verbesserten Salp-Swarm-Algorithmus-optimierten Extreme-Learning-Maschine basiert. Dies hat eine gewisse Orientierungsbedeutung für die sinnvolle Vorhersage der Verformung. Die wichtigsten Schlussfolgerungen werden wie folgt gezogen.

Unter Verwendung eines ELM als Grundgerüst wurden die optimierten Vorhersagemodelle durch den Möwenalgorithmus, den Partikelschwarmalgorithmus, den Salpschwarmalgorithmus und den verbesserten Salpschwarmalgorithmus erhalten. Das auf dem ISSA-ELM basierende Vorhersagemodell erweist sich im Vergleich dazu als besser geeignet für die Vorhersage von Leitungserwärmung und Umformverformung.

Die SSA wird durch die Einführung von Dämpfungsfaktoren und adaptiven Trägheitsgewichten optimiert, und die Ergebnisse zeigen, dass die Vorhersageleistung von ISSA-ELM besser ist.

Die mit einer flachen Platte mit einfacher Krümmung erzielten Ergebnisse sind nur auf eine kleine Stichprobe und eine kleine Anzahl von Eingaben anwendbar. In einer nachfolgenden Studie werden weitere Materialeigenschaften hinzugefügt, um die Anzahl der Eingaben zu erhöhen, basierend auf Simulationsexperimenten als Proben, um die Vorhersage der Verformung von Doppelkrümmungsplatten auf der Grundlage des vorgeschlagenen Vorhersagemodells zu untersuchen.

Die Daten, die die Ergebnisse dieser Studie stützen, sind von der Jiangsu University of Science and Technology erhältlich. Es gelten jedoch Einschränkungen hinsichtlich der Verfügbarkeit dieser Daten, die unter Lizenz für die aktuelle Studie verwendet wurden und nicht öffentlich verfügbar sind. Daten sind jedoch auf begründete Anfrage und mit Genehmigung der Jiangsu University of Science and Technology bei den Autoren erhältlich.

Choi, YH, Lee, YW, Choi, K., Doh, DH & Kim, KJ Temperaturverteilung und thermische Spannungen unter verschiedenen Bedingungen einer bewegten Heizquelle während des Leitungserwärmungsprozesses. J. Therm. Wissenschaft. 21(1), 82–87 (2012).

Artikel ADS Google Scholar

Choi, Y., Lee, Y. & Kwang, C. Studie zur Temperaturverteilung für verschiedene Bedingungen einer bewegten Heizquelle während des Leitungserwärmungsprozesses. J. Adv. Mar. Eng. Technol. 34(5), 617–624 (2010).

Artikel Google Scholar

Qi, L., Li, T., Mao, W. & Yang, P. Forschung zur Kurvenbildung von Schiffsrumpfplatten mittels Linienerwärmung mit variabler Geschwindigkeit. Int. J. Mater. Struktur. Integr. 10(1), 99–107 (2016).

Artikel Google Scholar

Zhu, Y. & Luo, Y. Ein vereinfachtes Wärmequellenmodell zum Biegen dicker Bleche mittels Hochfrequenz-Induktionslinienerwärmung. Offshore-Struktur für Schiffe. 14(1), 64–73 (2019).

Artikel Google Scholar

Huang, H. & Murakawa, H. Thermomechanische Analyse des Leitungserwärmungsprozesses durch eine effiziente und genaue mehrstufige Netzverfeinerungsmethode. Mar. Struktur. 49, 239–255 (2016).

Artikel Google Scholar

Xu, W., Zheng, S. & Han, X. (Hrsg.) Die Analyse und numerische Simulation der Temperaturfeldtheorie der Leitungserwärmung. 2013 Internationale Konferenz für Energietechnik und Umwelttechnik, ICEEEE 2013, 18. Januar 2013–19. Januar 2013; 2013; Hangzhou, China: Trans Tech Publications Ltd.

Akiyama, T., Kitamura, T., Izutsu, R. & Maeda, Y. Einfluss der Erwärmungsreihenfolge auf die Interferenz zwischen Verformungen durch gekrümmte Linienerwärmung bei der Laserumformung. J. Jpn. Inst. Getroffen. Mater. 85(4), 138–146 (2021).

Artikel CAS Google Scholar

Deng, D., Murakawa, H. & Liang, W. Vorhersage des Schweißverzugs in einer gekrümmten Plattenstruktur mittels der elastischen Finite-Elemente-Methode. J. Mater. Verfahren. Technol. 203(1–3), 252–266 (2008).

Artikel CAS Google Scholar

Deng, D. & Murakawa, H. Vorhersage von Schweißverzug und Eigenspannung in einer stumpfgeschweißten Verbindung dünner Bleche. Berechnen. Mater. Wissenschaft. 43(2), 353–365 (2008).

Artikel Google Scholar

Huang, H., Wang, J., Li, L. & Ma, N. Vorhersage der durch Laserschweißen induzierten Verformung in dünnen Blechen durch effiziente numerische Modellierung. J. Mater. Verfahren. Technol. 227, 117–128 (2016).

Artikel CAS Google Scholar

Han, X., Zhou, B. & Tan, S.-K. Einfluss des Heizabstands auf die Verformungsverteilung des Leitungsheizprozesses. J. Schiffsprod. und Des. 35(1), 1–11 (2019).

Artikel CAS Google Scholar

Shin, JG, Kim, WD & Lee, JH Integrierter Ansatz für den computergestützten Produktionsprozess gebogener Rumpfplatten. J. Schiffsprod. 14(2), 124–133 (1998).

Artikel Google Scholar

Jin, H.-K., Jeon, D.-J., Park, S.-S. & Shin, S.-B. (Hrsg.) Vorhersagemethode für die Winkelverzerrung des Linienerwärmungsprozesses mit Hochfrequenz-Induktionserwärmung. Auf der 24. International Ocean and Polar Engineering Conference, ISOPE 2014, Busan, 15. Juni 2014 – 20. Juni 2014; 2014; Busan, Korea, Republik: International Society of Offshore and Polar Engineers.

Nguyen, T.-T., Yang, Y.-S. & Bae, K.-Y. Die Entwicklung eines künstlichen neuronalen Netzwerkmodells zur Vorhersage der Heizlinienpositionen für die Plattenumformung im Induktionserwärmungsprozess. Mech. Basierend auf Des. Struktur. Mach. 37(2), 201–227 (2009).

Artikel Google Scholar

Zhang, X.-B., Ji, Z.-S. & Liu, Y.-J. Vergleich lokaler Verformungsvorhersagemethoden bei der Leitungserwärmung. Harbin Gongcheng Daxue 329–334 (2005).

Google Scholar

Shanbehzadeh, M. et al. Vergleich von Data-Mining-Algorithmen für die Brustkrebsdiagnose. Brieflands. 23(7), e120140 (2022).

Google Scholar

Nopour, R., Kazemi-Arpanahi, H., Shanbehzadeh, M. & Azizifar, A. Leistungsanalyse von Data-Mining-Algorithmen zur Diagnose von COVID-19. J. Educ. Gesundheitsförderer. 10, 405 (2021).

Google Scholar

Huang, G.-B., Wang, DH & Lan, Y. Extreme Lernmaschinen: Eine Umfrage. Int. J. Mach. Lernen. Cybern. 2(2), 107–122 (2011).

Artikel Google Scholar

Huang, GB, Zhu, QY & Siew, CK Extreme Lernmaschine: Theorie und Anwendungen. Neurocomputing 70(1–3), 489–501 (2006).

Artikel Google Scholar

Ding, SF, Xu, XZ & Nie, R. Extreme Lernmaschine und ihre Anwendungen. Neuronale Berechnung. Appl. 25(3–4), 549–556 (2014).

Artikel ADS Google Scholar

Wang, J., Lu, SY, Wang, SH & Zhang, YD Eine Rezension über extreme Lernmaschinen. Multimed. Werkzeuge Appl. 81(29), 41611–41660 (2022).

Artikel Google Scholar

Abualigah, L., Shehab, M., Alshinwan, M. & Alabool, H. Salp-Schwarmalgorithmus: eine umfassende Umfrage. Neuronale Berechnung. Appl. 32(15), 11195–11215 (2020).

Artikel Google Scholar

Yildiz, AR, Abderazek, H. & Mirjalili, S. Eine vergleichende Studie über neuere, nicht-traditionelle Methoden zur mechanischen Designoptimierung. Bogen. Berechnen. Methoden Eng. 27(4), 1031–1048 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom National Defense Basic Scientific Research Project (NR. JCKY2021414B011) unterstützt. Das Forschungs- und Entwicklungsprojekt für intelligente Methanol-betriebene neue Energieschiffe (Guangdong Natural Resources Cooperation [2021] Nr. 44). Das High-Tech-Schiffsprojekt des Ministeriums für Industrie und Informationstechnologie: Effizienter Bauprozess und Schlüsseltechnologieforschung für RO-RO-Passagierschiffe (Projekt Nr. CJ07N20).

School of Mechanical Engineering, Jiangsu University of Science and Technology, Zhenjiang, 21.2013, China

Lei Li, Shukang Qi, Honggen Zhou und Lei Wang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

LL und SQ haben den Hauptmanuskripttext geschrieben. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Honggen Zhou.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Li, L., Qi, S., Zhou, H. et al. Vorhersage der Verformung von Blechen durch Linienerwärmung basierend auf einem ISSA-ELM-Modell. Sci Rep 13, 1252 (2023). https://doi.org/10.1038/s41598-023-28538-8

Zitat herunterladen

Eingegangen: 05. Mai 2022

Angenommen: 19. Januar 2023

Veröffentlicht: 23. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28538-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.