高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS...高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS和铺粉厚度LT与RD样本数据存在缺失参数和分布不均问题,采用最大期望化(EM)算法对缺失参数进行补齐;采用带有梯度惩罚的WGAN算法(WGAN-GP)对数据稀疏的低RD区间生成虚拟样本数据。然后,分别基于补齐文献数据和补充虚拟数据,采用常青藤算法优化的随机森林(IVYA-RF)构建了RD预测模型,并对模型预测精度进行了定量评估和实验验证。结果表明:基于补充虚拟数据集构建的IVYA-RF模型II比基于补齐文献数据集构建的IVYA-RF模型I具有更好的预测精度,其原因主要来源于在低RD区间生成虚拟数据后,使建模样本数据的分布均匀性得到改善,这也是数据增强与机器学习相结合的意义所在。对新实验数据的验证取得了满意的预测精度,其中,IVYA-RF模型I验证结果的统计学参数R2(决定系数)、RMSE(均方根误差)、MAE(平均绝对误差)和MRE(平均相对误差)分别达到了0.891、1.352%、0.915%和0.98%;IVYA-RF模型II验证结果的R2增大至0.956,RMSE、MAE和MRE分别减小至0.833%、0.687%和0.71%,同样显示出后者比前者具有更好的预测精度。实验验证结果表明,所构建的RD预测模型具有较好的鲁棒性,从而具备了较好的工程应用价值。展开更多
文摘高精度且鲁棒的预测模型建立高度依赖于样本数据的大小、多样性和分布;日益积累的文献数据为获得大量的多样性样本数据提供了可能。以SLM-ed IN 718合金的相对密度(RD)为研究对象,针对从文献中挖掘的激光功率P、扫描速度V、扫描间距HS和铺粉厚度LT与RD样本数据存在缺失参数和分布不均问题,采用最大期望化(EM)算法对缺失参数进行补齐;采用带有梯度惩罚的WGAN算法(WGAN-GP)对数据稀疏的低RD区间生成虚拟样本数据。然后,分别基于补齐文献数据和补充虚拟数据,采用常青藤算法优化的随机森林(IVYA-RF)构建了RD预测模型,并对模型预测精度进行了定量评估和实验验证。结果表明:基于补充虚拟数据集构建的IVYA-RF模型II比基于补齐文献数据集构建的IVYA-RF模型I具有更好的预测精度,其原因主要来源于在低RD区间生成虚拟数据后,使建模样本数据的分布均匀性得到改善,这也是数据增强与机器学习相结合的意义所在。对新实验数据的验证取得了满意的预测精度,其中,IVYA-RF模型I验证结果的统计学参数R2(决定系数)、RMSE(均方根误差)、MAE(平均绝对误差)和MRE(平均相对误差)分别达到了0.891、1.352%、0.915%和0.98%;IVYA-RF模型II验证结果的R2增大至0.956,RMSE、MAE和MRE分别减小至0.833%、0.687%和0.71%,同样显示出后者比前者具有更好的预测精度。实验验证结果表明,所构建的RD预测模型具有较好的鲁棒性,从而具备了较好的工程应用价值。
