RBF-SVR模型提升定向能量沉积熔道尺寸预测精度

本文主要探讨了基于支持向量回归（Support Vector Regression, SVR）的定向能量沉积（Directed Energy Deposition,DED）熔道尺寸预测方法。在现代制造领域，定向能量沉积是一种关键的增材制造技术，其精度直接影响到最终产品的质量。然而，由于工艺参数的复杂性，精确控制熔道尺寸是挑战之一。 研究者针对这一问题，通过实验设计，选择激光功率、送粉速率、扫描速率和喷嘴高度等工艺参数作为输入，而熔道宽度和高度作为输出变量。他们采用了高斯径向基函数（Gaussian Radial Basis Function, RBF）作为SVR的核函数，这种核函数能够有效地处理非线性和高维数据，提高模型的预测能力。 在建立模型过程中，他们利用RBF-SVR对熔道尺寸进行预测，并引入了改进的粒子群优化（Improved Particle Swarm Optimization, IPSO）算法来自动优化模型的超参数。IPSO算法是一种优化算法，它模拟了鸟群觅食的行为，通过全局搜索寻找最优解，这对于避免局部最优和提升模型性能具有重要意义。 实验结果显示，RBF-SVR模型预测熔道宽度和高度的平均相对误差分别为4.58%和5.33%，相较于传统的反向传播神经网络（Backpropagation Neural Network, BPNN）的预测误差6.72%和7.96%，表现出显著的优势。这表明RBF-SVR模型在定向能量沉积熔道尺寸预测方面具有更高的精度和可靠性。 该研究成果对于提升定向能量沉积的制造精度具有实际价值，不仅提供了更准确的熔道尺寸预测模型，还能为工程师在选择沉积成型工艺参数时提供科学依据。此外，支持向量回归结合高斯径向基函数以及粒子群优化算法的组合策略，也为其他领域的数据分析和预测问题提供了新的思路和技术路线。这项工作对于优化增材制造过程中的精度控制和参数优化具有重要的理论和实践意义。