| 基于机器学习的K424合金刻蚀深度预测 |
| |
| 引用本文： | 张青,乔红超,王顺山,赵吉宾.基于机器学习的K424合金刻蚀深度预测[J].激光与红外,2024,54(5):701-709. |
| |
| 作者姓名： | 张青 乔红超 王顺山 赵吉宾 |
| |
| 作者单位： | 1.Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China；2.Institutes for Robotics and Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang 110169,China；3.University of Chinese Academy of Sciences,Beijing 100049,China |
| |
| 基金项目： | 国家重点研发计划项目(No.2022YFB4601600)资助。 |
| |
| 摘 要： | 为探究水导激光加工过程中不同工艺参数对K424高温合金刻蚀深度的作用,对K424高温合金进行了包括激光功率、进给速度及加工次数在内的三个关键工艺参数的影响刻蚀实验,实验结果表明:较大的功率、较小的进给速度和多次加工会产生更深的刻蚀。此外采用XGBoost、RF、BPNN以及SVR四种模型建立了激光功率、进给速度和加工次数与加工深度之间的预测模型。在拟合效果上XGBoost与SVR模型表现优异,最大误差百分比均不到03；在预测结果方面显示,XGBoost最大误差百分比6698,优于另三种模型。最后得出XGBoost模型在拟合和预测K424高温合金加工深度方面有更好的性能。与传统的干式激光加工相比,水导激光加工技术减少了材料热损伤,提高了加工质量。该研究为水导激光加工K424高温合金提供了参考。
|
| 关 键 词： | 水导激光加工技术 K424高温合金 XGBoost 刻蚀深度预测 |
Depth prediction of K424 alloy etching based on machine learning |
| |
| ZHANG Qing,QIAO Hong-cao,WANG Shun-shan,ZHAO Ji-bin.Depth prediction of K424 alloy etching based on machine learning[J].Laser & Infrared,2024,54(5):701-709. |
| |
| Authors: | ZHANG Qing QIAO Hong-cao WANG Shun-shan ZHAO Ji-bin |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《激光与红外》浏览原始摘要信息 |
| 点击此处可从《激光与红外》下载免费的PDF全文 |
|
