机器学习法预测AZ91合金在干滑动摩擦条件下的磨损性能.pdf

标题和描述中提到的研究主要关注使用机器学习方法预测AZ91合金在干滑动摩擦条件下的磨损性能。AZ91合金是一种镁合金，因其低密度和高比强度而在航空航天和汽车工业中具有潜力。然而，镁及其合金的机械性能、磨损和腐蚀性能较差，这限制了它们在实际应用中的广泛使用。 为了改善这种情况，研究人员通常会开发新的合金或通过表面处理等方法增强材料性能。在这个特定的研究中，作者Fatih Aydin和Rafet Durgut探讨了不同参数，如负载（10-50牛顿）、滑动速度（160-220毫米/秒）和滑动距离（250-1000米）对AZ91合金磨损行为的影响。实验结果表明，随着负载的增加，磨损体积损失也会增加。例如，在滑动速度为220毫米/秒，滑动距离为1000米时，不同负载下的磨损体积损失分别为15.0、19.0、24.3、33.9和37.4立方毫米。 磨损表面分析显示，低负载下主要表现为磨蚀和氧化，而高负载下则转变为层状剥落。通过方差分析(ANOVA)，研究发现负载、滑动距离和滑动速度对磨损的贡献分别为12.99%、83.04%和3.97%，表明滑动距离是影响磨损的主要因素。 接下来，研究者运用了人工神经网络(ANN)、支持向量回归(SVR)和随机森林(RF)三种机器学习方法来预测AZ91合金的磨损体积损失。测试结果显示，SVR、RF和ANN的决定系数(R²)分别为0.9245、0.9800和0.9845，表明这些模型都能有效地预测磨损性能，其中ANN模型表现最佳，有望成为预测AZ91合金磨损性能的有效工具。 关键词：AZ91合金；磨损性能；人工神经网络；支持向量回归；随机森林方法 这个研究不仅提供了关于AZ91合金在干滑动摩擦条件下磨损特性的深入理解，还展示了机器学习技术在材料科学中的应用潜力，特别是在预测和优化材料性能方面。未来的研究可以进一步扩展到其他镁合金或材料，探索更复杂的因素如何影响材料的磨损行为，并优化预测模型的精度。同时，这些机器学习方法也可以应用于其他工程领域，如材料设计、故障预测和寿命评估。