Blog

May 10, 2023

Predicción de la deformación por calentamiento de la línea en láminas de metal basada en una ISSA

Informes científicos volumen 13,

Scientific Reports volumen 13, Número de artículo: 1252 (2023) Citar este artículo

321 Accesos

1 Altmetric

Detalles de métricas

Se propuso un método de predicción basado en un algoritmo mejorado de enjambre de salpas (ISSA) y una máquina de aprendizaje extremo (ELM) para mejorar el calentamiento y la formación de líneas. En primer lugar, se llevó a cabo una simulación numérica transitoria tridimensional del calentamiento y conformado de líneas mediante la aplicación de una simulación de elementos finitos, y se estudió la influencia de los parámetros de mecanizado en la deformación. En segundo lugar, se estableció un modelo de predicción para la red ELM basado en datos de simulación, y la red de entrenamiento predijo la deformación de la placa del casco. Además, se estudiaron la optimización de inteligencia de enjambre, la optimización de enjambre de partículas (PSO), el algoritmo de optimización de gaviota (SOA) y el algoritmo de enjambre de salp (SSA) al considerar las deficiencias del ELM, y se propuso ISSA. Se optimizaron los pesos de entrada y los sesgos de capa oculta del modelo ELM para aumentar la estabilidad de los resultados de predicción de los enfoques PSO, SOA, SSA e ISSA. Finalmente, se demostró que el efecto de predicción del modelo ISSA-ELM fue superior al comparar y analizar el efecto de predicción de cada modelo de predicción para el calentamiento y formación de líneas.

La placa del casco es una parte importante de la estructura principal de un barco. Su función es asegurar un casco estanco y permitir que el barco flote en el agua y proporcione la función de transporte. Hay dos métodos de fabricación principales que se utilizan para las placas curvas para barcos: conformado en frío y conformado en caliente. En el conformado en frío, las cargas generalmente se aplican mediante presión hidráulica o presión de rodillos para lograr el estado de deformación deseado. El conformado en caliente aplica calor a la superficie de una lámina de metal, lo que genera un gradiente de temperatura que eventualmente conduce a la deformación local de la placa. En la actualidad, el método principal para mecanizar superficies no desarrollables es el calentamiento y conformado en línea. La tecnología de calentamiento de línea se utiliza actualmente para fabricar cascos grandes y superficies curvas complejas. Tiene las ventajas de una amplia gama de aplicaciones, bajo costo y alta flexibilidad y adaptabilidad. En la actualidad, sin embargo, la técnica se realiza principalmente a mano por trabajadores calificados. El proceso adolece de falta de trabajadores con experiencia, dificultad para capacitar a los trabajadores, cargas de trabajo pesadas, entornos de trabajo deficientes y alta intensidad de mano de obra. Por lo tanto, es necesario estudiar la relación entre los parámetros de procesamiento y la deformación de la hoja.

Los factores que pueden afectar la deformación de una placa de barco incluyen la velocidad de movimiento de la fuente de calor, la intensidad de calentamiento y el modo de calentamiento. Choi1,2 estudió la distribución de temperatura de placas calentadas. También se estudió la influencia de los parámetros de mecanizado sobre la temperatura. Los resultados mostraron que la temperatura máxima disminuye al aumentar la velocidad de la fuente de calor. Qi3 creía que la ruta de calentamiento produciría una deformación desigual. El fenómeno fue estudiado por simulación numérica. También se propuso la tecnología de calefacción de línea de velocidad variable. Zhu4 realizó un estudio numérico sobre la distribución de energía considerando el método de acoplamiento de las características de temperatura de los materiales. Huang5 propuso un método de refinamiento de malla dinámica basado en el refinamiento multinivel, lo aplicó para crear una solución termodinámica transitoria para el calentamiento de líneas y demostró la viabilidad del método. Xu6 derivó una fórmula para la eficiencia de absorción de calor de una placa basada en el método de volumen finito. Esto proporcionó una referencia para analizar la disipación de calor de una fuente de calor en el aire. Akiyama7 estudió la influencia de la interferencia entre múltiples hilos calefactores en la deformación de las láminas. Deng8,9 propuso un método de elementos finitos elásticos para predecir la deformación estructural de la soldadura a gran escala. La deformación por soldadura de una estructura de placa curva fue predicha por el método de elementos finitos elásticos. Basándose en la teoría de la tensión natural, Huang10 utilizó un modelo sólido local y un modelo de capa completa para predecir rápidamente la deformación de placas finas soldadas con láser. Han11 analizó la distribución de la deformación de una zona calentada y una zona no calentada en base a antorchas únicas y múltiples. Con base en la investigación anterior, este artículo lleva a cabo un experimento de simulación de calentamiento en línea para láminas de metal.

Lleva un tiempo considerable calcular la termoelastoplasticidad compleja mediante simulación numérica, ya que requiere un mayor rendimiento informático. La combinación de la tecnología de calentamiento de línea con un algoritmo para generar parámetros de mecanizado puede mejorar en gran medida el proceso de predicción del conformado de chapa. Shin12 estableció un modelo de red neuronal BP para placas. El espesor de la placa y la velocidad de calentamiento fueron los datos de referencia de entrada, y el desplazamiento longitudinal fue el dato de referencia de salida. Esto se usó para predecir la deformación local de la línea de calentamiento. Jin13 utilizó experimentos y simulaciones para establecer una ecuación de predicción de la deformación del ángulo de acuerdo con los datos de referencia de la fuerza de la fuente de calor, la rigidez a la flexión y la dimensión. Nguyen14 desarrolló un modelo de red neuronal artificial para predecir los parámetros de calentamiento mediante el establecimiento de una red de entrenamiento de entrada y salida. Basándose en un modelo de elementos finitos de análisis térmico del proceso de formación térmica de las placas exteriores de los barcos, Zhang15 propuso aplicar una máquina de vectores de soporte (SVM) para predecir la deformación local bajo el calentamiento de la línea. Shanbehzadeh16 realizó un estudio sobre la prevención temprana de BC basado en un sistema de predicción de ML y los resultados mostraron que el aprendizaje automático tiene un buen poder predictivo. Nopour17 eligió técnicas de aprendizaje automático para realizar investigaciones sobre la predicción de COVID-19, un modelo que podría ayudar a los médicos a lograr una detección temprana y una intervención efectiva y potencialmente reducir las muertes de pacientes. Por lo tanto, el aprendizaje automático se ha utilizado para construir modelos matemáticos que pueden reproducir el mecanizado real, proporcionar resultados similares a los del trabajo real, usarse para analizar resultados y predecir y optimizar ciertos problemas del modelo. Huang18,19 propuso un algoritmo de aprendizaje de red neuronal feedforward simple y efectivo de una sola capa oculta. El algoritmo de máquina de aprendizaje extremo (ELM)20 ofrece una velocidad de aprendizaje más rápida y un mejor rendimiento de generalización. Su velocidad de convergencia es mucho más rápida que la de los métodos tradicionales, tiene un buen rendimiento y se ha aplicado en muchos campos21. El algoritmo salp22 ha optimizado muchos problemas en el aprendizaje automático, el diseño de ingeniería y otros campos en los últimos años. Yildiz23 analizó la efectividad y la capacidad del algoritmo salp desde los aspectos de velocidad de convergencia, calidad de la solución y robustez. Si se puede realizar la predicción de la deformación de la placa, la dificultad de mecanizado se puede reducir en gran medida y se puede aumentar la eficiencia.

Este artículo presenta un modelo de simulación de formación y calentamiento de líneas. Se definen las propiedades de los materiales experimentales. Los datos relevantes se obtuvieron a través de experimentos. El modelo de predicción ELM basado en el algoritmo de enjambre de salp mejorado (ISSA) se estableció mediante el estudio de la teoría del algoritmo relevante. Al comparar los índices de evaluación, se comparan y evalúan los cinco modelos de predicción de este documento, y se concluye que ISSA-ELM tiene un mejor efecto.

La tecnología de formación y calentamiento de líneas se refiere al uso de gases combustibles, electromagnéticos, láser y otras sustancias para el calentamiento de líneas de una placa de acero. Luego, el área calentada se enfría rápidamente con agua o aire. La deformación por flexión de la placa de acero se realiza por la tensión de contracción de una parte de la placa de acero. Su principio de formación se muestra en la Fig. 1. Los resultados de formación se ven afectados por la temperatura de la fuente de calor, los datos de referencia geométricos de la placa exterior y los datos de referencia de procesamiento.

Principio de calentamiento y formación de líneas.

El calentamiento y formación de líneas es un método para dar forma a placas de metal en formas tridimensionales complejas. Este método es eficiente y económico. El cambio de gradiente de temperatura es la razón principal de los diferentes grados de flexión de la chapa. En general, la diferencia entre las propiedades mecánicas y físicas de los metales está determinada por la temperatura. A medida que aumenta la temperatura de la zona de calentamiento de la línea, disminuyen la resistencia a la flexión estándar, la elasticidad y la conductividad térmica del acero. Sin embargo, el coeficiente de calor específico y el coeficiente de expansión aumentan, particularmente el límite elástico y el módulo de Young. La temperatura desciende rápidamente por encima de la temperatura crítica.

En el proceso de calentamiento de la línea, se puede ignorar el calor generado durante la deformación plástica de la hoja. En primer lugar, se realiza el análisis térmico. Se usa para crear un campo de temperatura y luego se usa como carga para el análisis estructural.

El modelo de campo de temperatura para el calentamiento y formación de líneas se puede dividir en dos partes: el modelo matemático del flujo de calor de la fuente de gas y el modelo matemático de conducción de calor. En el proceso de formación y calentamiento de la línea, el gas calienta la placa de acero con una llama de chorro. El valor de calor en la unidad de área de la sección transversal de la placa del barco por unidad de tiempo también es el dato del flujo de calor de la placa de acero \(q^{\prime \prime }\).

En la fórmula, \(Q_{ch}\) es el flujo de gas del cañón de acero; \(A\) es el valor de combustión del gas; y \(\eta\) es la eficiencia térmica.

En este estudio, se eligió la fuente de calor gaussiana como modelo de fuente de calor de calefacción de línea debido a su proximidad a la curva de distribución de densidad del flujo de calor.

Al calentar una placa de acero, la distribución del calor es diferente en cada lugar. La cantidad de calor absorbido por unidad de tiempo en un lugar dado es \(q\):

donde \(r_{0}\) es el radio de calentamiento de la llama y \(r\) es la distancia entre el punto a calentar y el centro de calentamiento de la llama.

El proceso de calentamiento de la línea se puede considerar como un análisis transitorio no lineal tridimensional, y su modelo matemático de conducción de calor es:

En la fórmula, \(\rho\) es la densidad del acero; \(c\) es la capacidad calorífica específica del acero; \(\lambda\) es la conductividad térmica del acero; \(T\) es la temperatura del acero; y \(t\) es el tiempo de calentamiento.

La Figura 2 muestra el modelo de fuente de calor establecido en este estudio. Se cumplen las condiciones de frontera de convección libre y radiación. En el análisis mecánico, estas condiciones de contorno se limitan al desplazamiento cero en la línea central de la placa de metal para evitar el movimiento del cuerpo rígido.

Modelo de fuente de calor.

El proceso de calentamiento lineal es un fenómeno de acoplamiento termodinámico. En este estudio se estableció un modelo tridimensional de elementos finitos para simular el proceso de conformado de láminas de metal. Se utilizó el software de simulación SYSWELD para simular el proceso de conformación. El modelo de elementos finitos de la placa de acero se muestra en la Fig. 3 para la división de cuadrícula. En el modelo numérico, la posición cercana a la fuente de calor se utiliza como cuadrícula fina, mientras que la posición alejada de la fuente de calor se utiliza como cuadrícula gruesa. El objetivo es obtener gradientes de tensión y temperatura precisos y reducir el tiempo de cálculo.

Modelo de placa de elementos finitos.

Las dimensiones de la placa de acero elegida para este experimento fueron 300 mm × 400 mm × hmm (\(h \in \left[ {10,14} \right]\)). La línea de calentamiento se ubicó en la línea central de la dirección del ancho de la placa y la velocidad de la fuente de calor se fijó en 6–15 mm/s.

Q345 se usa ampliamente en barcos, vehículos y construcción debido a su contenido moderado de carbono, propiedades generales superiores, buena resistencia, plasticidad y confiabilidad. En este documento, el acero Q345 se selecciona para el estudio y sus propiedades varían con la temperatura, como se muestra en la Tabla 1.

Hay 90 grupos de experimentos en este documento. La primera columna muestra el número de experimento. Las siguientes cuatro columnas representan los parámetros de la característica. La última columna representa el resultado. Los datos experimentales se presentan en la Tabla 2. La forma formada se muestra en la Fig. 4.

Forma de formación curva.

El grado de deformación del calentamiento de la línea se ve afectado por muchos factores, como el material y los parámetros de procesamiento. El método de aprendizaje automático se utiliza para explorar las reglas entre diferentes variables de entrada y resultados de salida para lograr la predicción de la deformación. Una máquina de aprendizaje extremo es un nuevo tipo de red neuronal especial de alimentación directa de una sola capa oculta. Su estructura de red es simple. Puede generar aleatoriamente pesos de entrada y sesgos de capa oculta. El tiempo de entrenamiento de la red es muy rápido. Sin embargo, su estabilidad y capacidad de generalización son ligeramente pobres. Los pesos de entrada y el sesgo de la capa oculta en un ELM se seleccionan aleatoriamente. Los valores generados aleatoriamente pueden no ser buenos para aprender muestras, lo que hace que el efecto de aprendizaje sea inestable. Para obtener un efecto de predicción estable, el algoritmo de optimización de inteligencia de enjambre se puede utilizar para optimizar el peso de entrada y el sesgo de la capa oculta de un ELM. Este documento presenta un ELM optimizado basado en un algoritmo de enjambre de bofetadas mejorado, para encontrar la mejor solución. Por lo tanto, se compara el error de predicción y la eficiencia computacional de las máquinas de aprendizaje extremo basadas en SOA, PSO, SSA e ISSA. Elegir un mejor algoritmo de optimización entre estos métodos permite que ELM calcule de manera más eficiente para lograr una predicción precisa.

La Figura 5 muestra la estructura de una típica red neuronal feedforward de una sola capa oculta. Se compone de una capa de entrada, una capa oculta y una capa de salida. Entre ellas, \(n\) neuronas en la capa de entrada corresponden a \(N\) variables de entrada. La capa oculta tiene \(1\) neurona. La capa de salida tiene \(m\) neuronas correspondientes a \(m\) variables de salida. Para mantener la generalidad, permita que el peso de la conexión entre la capa de entrada y la capa oculta sea \(w\):

donde \(w_{n}\) denota el peso de la conexión entre la \(i\)-ésima neurona en la capa de entrada y la \(j\)-ésima neurona en la capa oculta.

Estructura de la red ELM.

Suponga que el peso de la conexión entre la capa implícita y la capa de salida es \(\beta\):

donde \(\beta_{jk}\) denota el peso de la conexión entre la \(j\)-ésima neurona de la capa oculta y la \(k\)-ésima neurona de la capa de salida.

Supongamos que el umbral \(b\) de la neurona de capa implícita es:

Suponga que la matriz de entrada X y la matriz de salida Y del conjunto de entrenamiento con Q muestras son:

Suponga que la función de activación de la neurona en la capa oculta es g(x), luego de la estructura de red del ELM, la salida T de la red es:

La ecuación anterior se puede expresar como: \(H\beta = T^{\prime }\).

donde \(T^{\prime }\) es la matriz transpuesta de \(T\) y \(H\) es la matriz de salida de la capa oculta de la red neuronal de la siguiente forma.

Una cadena de \(n\) salpas se considera como población. La posición individual de cada salp se representa como un vector dimensional \(D\). La ubicación de las salpas se puede expresar como \(X = \left[ {X_{n1} ,X_{n2} , \ldots ,X_{nD} } \right]^{T} ,n = 1,2, \ldots ,NORTE\). La función que requiere el valor máximo se llama función de aptitud. Se puede sustituir un individuo como variable independiente en la fórmula, por la posición del enjambre de salpas para calcular su correspondiente. La posición de este individuo se denomina posición de comida y se denota como \(F = \left[ {F_{1} ,F_{2} , \ldots ,F_{D} } \right]^{T}\), el límite superior del espacio de búsqueda es \(ub = \left[ {ub_{1} ,ub_{2} , \ldots ,ub_{D} } \right]^{T}\), el límite inferior de la búsqueda el espacio es \(lb = \left[ {lb_{1} ,lb_{2} , \ldots ,lb_{D} } \right]^{T}\), y la población de SSA. La fórmula de inicialización aleatoria es:

donde \(X_{N*D}\) denota el vector de posición del enjambre de salpas y \(R\left( {N,D} \right)\) denota el vector aleatorio dimensional \(N*D\).

El enjambre de salpas líder es el primer vector en la matriz X. En el SSA estándar, el líder lidera el movimiento de toda la colonia de salpas. Su próxima posición será en dirección a la comida de alguna manera. La estrategia de actualización del líder se calcula mediante la ecuación. (12).

donde \(X_{d}^{1}\) es la posición líder. \(ub_{d} ,lb_{d}\) indican los límites de búsqueda superior e inferior del líder individual en la dimensión \(d\). \(c_{1} ,c_{2}\) denota números aleatorios que toman los valores [0,1]. \(c_{1}\) se usa para controlar la capacidad de búsqueda y la capacidad de explotación de todo el grupo, y \(c_{2}\) determina la duración del movimiento.\(c_{3}\) es la búsqueda factor de equilibrio, que determina las direcciones positivas y negativas del movimiento y se utiliza para equilibrar las capacidades de búsqueda globales y locales. En última instancia, esto aumenta la aleatoriedad y la diversidad de los líderes.

Un seguidor del salp es un salp que sigue el movimiento del líder. La posición del seguidor \(m\)th en la siguiente iteración está determinada por su propia posición en la iteración actual y la posición de la salpa anterior. La posición inicial, la velocidad y la aceleración afectan directamente la posición del seguidor. Las posiciones actualizadas se pueden obtener de acuerdo con las ecuaciones de movimiento de Newton, como se muestra en las ecuaciones. (13, 14 y 15):

donde \(a\) significa aceleración; \(v_{0}\) significa la velocidad inicial; \(t_{a}\) significa la longitud del paso de iteración; \(R\) significa la distancia de movimiento; y \(X_{d}^{{m^{\prime } }} ,X_{d}^{m}\) denota la posición dimensional \(m\) del seguidor \(d\) después y antes del actualizar.

En este artículo, introducimos un factor de atenuación en el SSA. Por lo tanto, el rango de actualización de la posición líder disminuye gradualmente con el aumento en el número de iteraciones, evitando caer en extremos locales en la etapa temprana de convergencia. Luego, se acerca al valor óptimo en la última etapa de precisión para lograr una mayor precisión de la solución. El liderazgo de la fórmula de actualización de posición con la adición del factor de decaimiento se muestra en la ecuación. (dieciséis).

donde el factor de decaimiento A(l), que controla el rango de búsqueda, es una función decreciente no lineal definida como en la ecuación. (17):

donde \(l\) es el número de iteraciones actuales. \(T\) denota el número máximo de iteraciones.

En la etapa inicial de convergencia, el rango de búsqueda no está restringido. Las personas pueden moverse por todo el mundo para aprovechar al máximo la capacidad de búsqueda global del algoritmo y evitar caer en extremos locales. Para lograr una mayor precisión, en las últimas etapas de la convergencia, el rango de búsqueda disminuye gradualmente a medida que el individuo se acerca al valor óptimo utilizando la búsqueda de precisión individual dentro de un rango restringido para mejorar las capacidades de búsqueda local.

Para mejorar la búsqueda local, el algoritmo busca pesos más grandes en las primeras etapas que pueden mejorar la búsqueda global y pesos adaptativos más pequeños en las últimas etapas de la búsqueda que pueden introducir pesos adaptativos, como se muestra en la ecuación. (18):

Al introducir la ecuación anterior en la vieja ecuación de actualización del seguidor, la nueva ecuación de actualización del seguidor es la Eq. (19):

cuando \(\lambda = 2\) y \(\varphi = 4/3\), el valor de \(\omega\) converge gradualmente. Esto puede mejorar la complejidad computacional. El rango de búsqueda y la diversidad de la población aumentan en la etapa inicial del algoritmo.

La implementación mejorada del algoritmo Salp Swarm fluye de la siguiente manera:

Paso 1 Establezca el tamaño de la población \(N\), el número de iteraciones Iteración, la dimensión \(D\) y los límites superior e inferior.

Paso 2 Inicialice la posición de los individuos en el grupo de enjambre de salpas. Luego calcule el valor de aptitud física de cada individuo para determinar la posición del individuo con el valor de aptitud más pequeño como posición de alimento.

Paso 3 Genere el factor de decaimiento \(A\left( l \right)\) y actualice el liderazgo de la posición.

Paso 4 Agregue pesos de inercia adaptables para actualizar las posiciones de los seguidores.

Paso 5 Si es más pequeño que la posición de comida actual, calcule el valor de adaptación individual actualizado y actualice la posición de comida.

Paso 6 Determine si el recuento de iteraciones actual alcanza el recuento de iteraciones preestablecido. Si se alcanza, finaliza la iteración; de lo contrario, regrese al Paso 3.

Paso 7 Muestra la posición de comida y el valor de fitness en esa posición.

A través del aprendizaje de la SSA, descubrimos que, debido a su rango de búsqueda ilimitado de actualizaciones de posición y al pequeño peso de influencia de los individuos de élite, la SSA no puede realizar una búsqueda precisa en la iteración tardía, y los seguidores no pueden asistir bien en las actualizaciones de posición individuales. En este documento, proponemos un SSA mejorado para optimizar la predicción de regresión del calentamiento y formación de líneas para máquinas de aprendizaje extremo. Primero, se agrega un factor de atenuación para mejorar la explotación local más adelante en la iteración. Luego, se agregan pesos de inercia adaptables para mejorar la capacidad de búsqueda global en las primeras etapas y la capacidad de búsqueda local en las etapas posteriores. El flujo de la SSA mejorada para optimizar la máquina de aprendizaje extremo se muestra en la Fig. 6.

Diagrama de flujo del ELM optimizado basado en la AISS.

Para evaluar aún más el rendimiento de predicción del modelo, se eligen los siguientes tres indicadores para evaluar la precisión del modelo: el valor de aptitud \(E\), el error cuadrático medio \(MSE\) y el coeficiente de determinación \(R ^{2}\), cuyas ecuaciones se muestran en las Ecs. (20, 21 y 22) respectivamente.

donde \(y_{d}^{*} \left( n \right)\) denota la salida de entrenamiento de la red, \(y_{d} \left( n \right)\) denota la salida deseada y \(D \) es la longitud de los datos de entrenamiento.

En este artículo se desarrollan modelos de predicción basados ​​en ELM, PSO-ELM, SOA-ELM, SSA-ELM e ISSA-ELM. El rendimiento de predicción de cada modelo se muestra en la figura.

Cuanto más cerca esté el coeficiente de determinación de 1, mejor será el rendimiento de predicción del modelo. La figura 7 muestra el error cuadrático medio y el coeficiente de determinación de todos los modelos de predicción utilizados para predecir la deformación por calentamiento de la línea. Un análisis comparativo muestra que el modelo de algoritmo ELM inicial tiene un coeficiente de determinación relativamente bajo. Todos los modelos optimizados por el algoritmo de optimización tienen coeficientes de determinación cercanos a 1. Es obvio que ISSA-ELM tiene un mejor coeficiente de determinación.

Comparación de los errores cuadráticos medios y coeficientes de determinación de los diferentes modelos.

Cuanto más cerca esté el error cuadrático medio de 0, mejor será el rendimiento del modelo. La figura 7 muestra que el error cuadrático medio del modelo ELM original es mayor que el de los otros cuatro modelos, con un error cuadrático medio de 4,67E−2. Todos los modelos ELM optimizados funcionan bien con errores cuadráticos medios de 5,8E−3, 1,27E−2, 2,2E−3 y 1,7E−3.

Los valores experimentales de los errores y los errores medios entre las predicciones de los cinco modelos de predicción de este documento se muestran en la Fig. 8. El error de predicción medio del ELM es de 0,039 mm, que es significativamente mayor que el error medio de los otros modelos. . Está claro que el algoritmo ELM inicial no encontró la solución óptima global. El error medio del algoritmo ELM se redujo significativamente después de la optimización mediante el algoritmo de optimización. El modelo ISSA-ELM tuvo el error medio de predicción más pequeño de todos los modelos, por lo que su rendimiento de predicción fue óptimo.

Comparación de los errores de predicción de diferentes modelos.

Las curvas de aptitud para los modelos de predicción utilizados para predecir el calentamiento de la línea y la deformación de la formación SOA-ELM, PSO-ELM, SSA-ELM e ISSA-ELM se muestran en la Fig. 9. El valor de la función de aptitud es el MSE del error en el entrenamiento. conjunto: \(fitness = argmin\left( {MSE_{pridect} } \right)\). En el modelo SOA-ELM, después de 41 iteraciones, el error sistemático se estabiliza en aproximadamente 1,0E−5. En el modelo PSO-ELM, después de 35 iteraciones, el error sistemático se estabiliza en aproximadamente 4,0E−5. En el modelo SSA-ELM, después de 42 iteraciones, el error del sistema se estabiliza en aproximadamente 5,0E−6. En el modelo ISSA-ELM, después de 30 iteraciones, el error sistemático se estabiliza en aproximadamente 2,0E−6. Los resultados muestran que el modelo ISSA-ELM propuesto en este documento tiene una velocidad de optimización más rápida y una mayor precisión de convergencia, y el algoritmo de vaina mejorado mejora significativamente la eficiencia de aprendizaje del modelo ELM.

Comparación de las curvas de fitness de diferentes modelos.

La comparación entre el resultado de la predicción y los valores experimentales de los cinco modelos de predicción de este documento se muestra en la Fig. 10. La tendencia general de cada modelo se acerca al valor experimental. Es obvio en la Fig. 10 que el efecto de predicción del ELM original fue significativamente diferente del valor experimental. Cuanto menor sea el error relativo, mejor será el efecto de predicción. El efecto de predicción del ELM original fue deficiente y el error relativo promedio del ELM fue del 1,4 %. El error relativo medio del modelo de predicción ELM optimizado por el algoritmo de optimización es mucho menor que el del ELM original. Sus errores relativos medios son 0,4%, 0,8%, 1,4%, 0,1% y 0,08%. Entre ellos, el resultado previsto del modelo ISSA-ELM propuesto en este documento está más cerca del valor experimental. Esto indica que el modelo es superior.

Salida prevista versus salida deseada para cada modelo.

Este artículo aborda las características del proceso de formado por calentamiento en línea. Uso de herramientas de simulación por elementos finitos. Se desarrolló un modelo de simulación de elementos finitos basado en la termoelasticidad. Sobre esta base, se obtuvieron los parámetros del proceso y los datos de formación. Se introdujo un método de aprendizaje automático para predecir la deformación del barco. De acuerdo con las deficiencias del ELM, se propuso un algoritmo de optimización de enjambre de salp mejorado para mejorar el ELM. Los resultados muestran que el modelo de predicción de deformación por calentamiento de línea basado en ISSA-ELM propuesto en este documento tiene cierta importancia de orientación para la producción de procesamiento.

Se utiliza un modelo de algoritmo basado en una máquina de aprendizaje extremo optimizada con algoritmo de enjambre de salp mejorado para predecir el calentamiento y la formación de la línea. Esto tiene cierto significado de orientación para la predicción razonable de la deformación. Las principales conclusiones se extraen de la siguiente manera.

Utilizando un ELM como marco básico, los modelos de predicción optimizados se obtuvieron mediante el algoritmo de gaviota, el algoritmo de enjambre de partículas, el algoritmo de enjambre de salpas y el algoritmo de enjambre de salpas mejorado. Se considera que el modelo de predicción basado en ISSA-ELM es más adecuado para el calentamiento de líneas y la predicción de la deformación de la formación en comparación.

El SSA se optimiza mediante la introducción de factores de atenuación y pesos de inercia adaptativos, y los resultados muestran que el rendimiento de predicción de ISSA-ELM es mejor.

Los resultados obtenidos con una placa plana de una sola curvatura solo son aplicables a una pequeña muestra y un número reducido de entradas. En un estudio posterior, se agregarán más propiedades de materiales para aumentar el número de entradas, basadas en experimentos de simulación como muestras, para estudiar la predicción de deformación de placa de doble curvatura basada en el modelo de predicción propuesto.

Los datos que respaldan los hallazgos de este estudio están disponibles en la Universidad de Ciencia y Tecnología de Jiangsu, pero se aplican restricciones a la disponibilidad de estos datos, que se usaron bajo licencia para el estudio actual y no están disponibles públicamente. Sin embargo, los datos están disponibles de los autores previa solicitud razonable y con el permiso de la Universidad de Ciencia y Tecnología de Jiangsu.

Choi, YH, Lee, YW, Choi, K., Doh, DH y Kim, KJ Distribución de temperatura y tensiones térmicas en diversas condiciones de fuente de calor en movimiento durante el proceso de calentamiento de la línea. J. Therm. ciencia 21(1), 82–87 (2012).

Artículo ANUNCIOS Google Académico

Choi, Y., Lee, Y. & Kwang, C. Estudio sobre la distribución de la temperatura para diversas condiciones de fuente de calor en movimiento durante el proceso de calentamiento de la línea. j adv. Mar. Ing. Tecnología 34(5), 617–624 (2010).

Artículo Google Académico

Qi, L., Li, T., Mao, W. & Yang, P. Investigación sobre la formación de la curva de la placa del casco del barco mediante el calentamiento de la línea con velocidad variable. En t. J.Mater. Estructura. Integrar 10(1), 99–107 (2016).

Artículo Google Académico

Zhu, Y. & Luo, Y. Un modelo de fuente de calor simplificado para el doblado de placas gruesas a través de una línea de calentamiento por inducción de alta frecuencia. Barcos Offshore Struct. 14(1), 64–73 (2019).

Artículo Google Académico

Huang, H. & Murakawa, H. Análisis termomecánico del proceso de calentamiento de línea mediante un método de refinación de malla multinivel eficiente y preciso. Mar. Estructura. 49, 239–255 (2016).

Artículo Google Académico

Xu, W., Zheng, S. & Han, X. (eds) El análisis de la teoría del campo de temperatura de calentamiento de línea y la simulación numérica. En la Conferencia Internacional de Ingeniería Energética e Ingeniería Ambiental de 2013, ICEEEE 2013, 18 de enero de 2013–19 de enero de 2013; 2013; Hangzhou, China: Trans Tech Publications Ltd.

Akiyama, T., Kitamura, T., Izutsu, R. y Maeda, Y. Efecto del orden de calentamiento en la interferencia entre deformaciones por calentamiento de línea curva en la formación por láser. J. Jpn. Inst. Reunió. Mate. 85(4), 138–146 (2021).

Artículo CAS Google Académico

Deng, D., Murakawa, H. & Liang, W. Predicción de distorsión de soldadura en una estructura de placa curva mediante el método de elementos finitos elásticos. J.Mater. Proceso. Tecnología 203(1–3), 252–266 (2008).

Artículo CAS Google Académico

Deng, D. & Murakawa, H. Predicción de distorsión de soldadura y tensión residual en una junta soldada a tope de placa delgada. computar Mate. ciencia 43(2), 353–365 (2008).

Artículo Google Académico

Huang, H., Wang, J., Li, L. y Ma, N. Predicción de la deformación inducida por soldadura láser en láminas delgadas mediante modelado numérico eficiente. J.Mater. Proceso. Tecnología 227, 117–128 (2016).

Artículo CAS Google Académico

Han, X., Zhou, B. y Tan, S.-K. Efecto del espaciado de calentamiento en la distribución de la deformación del proceso de calentamiento de la línea. J. Barco Prod. y Des. 35(1), 1–11 (2019).

Artículo CAS Google Académico

Shin, JG, Kim, WD & Lee, JH Enfoque integrado para el proceso de producción computarizado de placas de casco curvas. J. Barco Prod. 14(2), 124–133 (1998).

Artículo Google Académico

Jin, H.-K., Jeon, D.-J., Park, S.-S. y Shin, S.-B. (eds) Método predictivo para la distorsión angular del proceso de calentamiento de línea con calentamiento por inducción de alta frecuencia. En la 24ª Conferencia Internacional de Ingeniería Polar y Oceánica, ISOPE 2014 Busan, 15 de junio de 2014 - 20 de junio de 2014; 2014; Busan, Corea, República de: Sociedad Internacional de Ingenieros Marinos y Polares.

Nguyen, T.-T., Yang, Y.-S. & Bae, K.-Y. El desarrollo de un modelo de red neuronal artificial para predecir las posiciones de la línea de calentamiento para la formación de placas en el proceso de calentamiento por inducción. mecánico Diseño basado en Estructura. Mach. 37(2), 201–227 (2009).

Artículo Google Académico

Zhang, X.-B., Ji, Z.-S. & Liu, Y.-J. Comparación de métodos de predicción de deformación local en calefacción en línea. Harbin Gongcheng Daxue Xuebao/J. Harbin Eng. Univ. 26(3), 329–334 (2005).

Google Académico

Shanbehzadeh, M. et al. Comparación de algoritmos de minería de datos para el diagnóstico de cáncer de mama. Brevetierras. 23(7), e120140 (2022).

Google Académico

Nopour, R., Kazemi-Arpanahi, H., Shanbehzadeh, M. y Azizifar, A. Análisis de rendimiento de algoritmos de minería de datos para diagnosticar COVID-19. J. Educ. Promoción de la Salud. 10, 405 (2021).

Google Académico

Huang, G.-B., Wang, DH & Lan, Y. Máquinas de aprendizaje extremas: una encuesta. En t. J. Mach. Aprender. cibernético 2(2), 107–122 (2011).

Artículo Google Académico

Huang, GB, Zhu, QY & Siew, CK Máquina de aprendizaje extremo: teoría y aplicaciones. Neurocomputación 70(1–3), 489–501 (2006).

Artículo Google Académico

Ding, SF, Xu, XZ & Nie, R. Máquina de aprendizaje extremo y sus aplicaciones. Cómputo neuronal. aplicación 25(3–4), 549–556 (2014).

Artículo ANUNCIOS Google Académico

Wang, J., Lu, SY, Wang, SH y Zhang, YD Una revisión sobre la máquina de aprendizaje extremo. multimed. Aplicación de herramientas 81(29), 41611–41660 (2022).

Artículo Google Académico

Abualigah, L., Shehab, M., Alshinwan, M. y Alabool, H. Algoritmo de enjambre de Salp: una encuesta exhaustiva. Cómputo neuronal. aplicación 32(15), 11195–11215 (2020).

Artículo Google Académico

Yildiz, AR, Abderazek, H. & Mirjalili, S. Un estudio comparativo de métodos no tradicionales recientes para la optimización del diseño mecánico. Arco. computar Métodos Ing. 27(4), 1031–1048 (2020).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado por el Proyecto de Investigación Científica Básica de Defensa Nacional (NO. JCKY2021414B011). Proyecto de investigación y desarrollo de barcos de nueva energía alimentados con metanol inteligente (Cooperación de recursos naturales de Guangdong [2021] No. 44). El proyecto de buques de alta tecnología del Ministerio de Industria y Tecnologías de la Información: Proceso de construcción eficiente de buques de pasajeros RO-RO e investigación de tecnologías clave (Proyecto n.° CJ07N20).

Escuela de Ingeniería Mecánica, Universidad de Ciencia y Tecnología de Jiangsu, Zhenjiang, 212013, China

Lei Li, Shukang Qi, Honggen Zhou y Lei Wang

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

LL y SQ escribieron el texto principal del manuscrito. Todos los autores revisaron el manuscrito.

Correspondencia a Honggen Zhou.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Li, L., Qi, S., Zhou, H. et al. Predicción de la deformación por calentamiento lineal en láminas de metal con base en un modelo ISSA-ELM. Informe científico 13, 1252 (2023). https://doi.org/10.1038/s41598-023-28538-8

Descargar cita

Recibido: 05 Mayo 2022

Aceptado: 19 de enero de 2023

Publicado: 23 enero 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.