Nouvelles

Jul 24, 2023

Prédiction de la déformation de l'échauffement des lignes sur la tôle basée sur un ISSA

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 1252 (2023) Citer cet article

319 accès

1 Altmétrique

Détails des métriques

Une méthode de prédiction basée sur un algorithme amélioré d'essaim de salpes (ISSA) et une machine d'apprentissage extrême (ELM) a été proposée pour améliorer le chauffage et la formation des lignes. Dans un premier temps, une simulation numérique transitoire tridimensionnelle de l'échauffement et du formage des lignes a été réalisée en appliquant une simulation par éléments finis, et l'influence des paramètres d'usinage sur la déformation a été étudiée. Deuxièmement, un modèle de prédiction pour le réseau ELM a été établi sur la base de données de simulation, et la déformation de la plaque de coque a été prédite par le réseau de formation. De plus, l'optimisation de l'intelligence des essaims, l'optimisation des essaims de particules (PSO), l'algorithme d'optimisation des mouettes (SOA) et l'algorithme des essaims de salpes (SSA) ont été étudiés tout en tenant compte des lacunes de l'ELM, et l'ISSA a été proposée. Les poids d'entrée et les biais de la couche cachée du modèle ELM ont été optimisés pour augmenter la stabilité des résultats de prédiction des approches PSO, SOA, SSA et ISSA. Enfin, il a été démontré que l'effet de prédiction du modèle ISSA-ELM était supérieur en comparant et en analysant l'effet de prédiction de chaque modèle de prédiction pour le chauffage et la formation de lignes.

La plaque de coque est une partie importante de la structure principale d'un navire. Sa fonction est d'assurer une coque étanche et de permettre au navire de flotter dans l'eau et d'assurer une fonction de transport. Il existe deux principales méthodes de fabrication utilisées pour les plaques de navires courbes : le formage à froid et le formage à chaud. Dans le formage à froid, les charges sont généralement appliquées par pression hydraulique ou pression de rouleau pour atteindre l'état de déformation souhaité. Le formage à chaud applique de la chaleur à une surface de tôle, ce qui entraîne un gradient de température, qui conduit finalement à une déformation locale de la plaque. À l'heure actuelle, la principale méthode d'usinage des surfaces non développables est le chauffage et le formage en ligne. La technologie de chauffage en ligne est actuellement utilisée pour fabriquer de grandes coques et des surfaces courbes complexes. Il présente les avantages d'une large gamme d'applications, d'un faible coût et d'une grande flexibilité et adaptabilité. À l'heure actuelle, cependant, la technique est principalement réalisée à la main par des ouvriers qualifiés. Le processus souffre d'un manque de travailleurs expérimentés, d'une difficulté à former les travailleurs, de lourdes charges de travail, d'environnements de travail médiocres et d'une forte intensité de main-d'œuvre. Il est donc nécessaire d'étudier la relation entre les paramètres de traitement et la déformation de la feuille.

Les facteurs qui peuvent affecter la déformation d'une plaque de navire comprennent la vitesse de déplacement de la source de chaleur, l'intensité de chauffage et le mode de chauffage. Choi1,2 a étudié la distribution de température des plaques chauffantes. L'influence des paramètres d'usinage sur la température a également été étudiée. Les résultats ont montré que la température maximale diminue avec l'augmentation de la vitesse de la source de chaleur. Qi3 croyait que le chemin de chauffage produirait une déformation inégale. Le phénomène a été étudié par simulation numérique. Une technologie de chauffage de ligne à vitesse variable a également été proposée. Zhu4 a mené une étude numérique sur la distribution de puissance en considérant la méthode de couplage des caractéristiques de température des matériaux. Huang5 a proposé une méthode de raffinement dynamique du maillage basée sur le raffinement à plusieurs niveaux, l'a appliquée pour élaborer une solution thermodynamique transitoire pour le chauffage des lignes et a prouvé la faisabilité de la méthode. Xu6 a dérivé une formule pour l'efficacité d'absorption de chaleur d'une plaque basée sur la méthode des volumes finis. Cela a fourni une référence pour analyser la dissipation thermique d'une source de chaleur dans l'air. Akiyama7 a étudié l'influence des interférences entre plusieurs fils chauffants sur la déformation de la tôle. Deng8,9 a proposé une méthode d'éléments finis élastiques pour prédire la déformation structurelle du soudage à grande échelle. La déformation de soudage d'une structure de plaque incurvée a été prédite par la méthode des éléments finis élastiques. Sur la base de la théorie des déformations naturelles, Huang10 a utilisé un modèle solide local et un modèle de coque entière pour prédire rapidement la déformation de plaques minces soudées au laser. Han11 a analysé la distribution de déformation d'une zone chauffée et d'une zone non chauffée sur la base de torches simples et multiples. Sur la base des recherches ci-dessus, cet article réalise une expérience de simulation de chauffage de ligne pour la tôle.

Le calcul d'une thermoélastoplasticité complexe par simulation numérique prend un temps considérable, car il nécessite des performances informatiques plus élevées. La combinaison de la technologie de chauffage en ligne avec un algorithme de génération de paramètres d'usinage peut grandement améliorer le processus de prédiction du formage de la tôle. Shin12 a établi un modèle de réseau neuronal BP pour les plaques. L'épaisseur de la plaque et la vitesse de chauffage étaient les données de référence d'entrée, et le déplacement longitudinal était les données de référence de sortie. Cela a été utilisé pour prédire la déformation locale du chauffage de la ligne. Jin13 a utilisé des expériences et des simulations pour établir une équation de prédiction de la déformation angulaire en fonction des données de référence de la résistance de la source de chaleur, de la rigidité en flexion et des dimensions. Nguyen14 a développé un modèle de réseau neuronal artificiel pour prédire les paramètres de chauffage en définissant un réseau d'entraînement d'entrée et de sortie. Sur la base d'un modèle d'analyse thermique par éléments finis du processus de formage thermique des plaques extérieures des navires, Zhang15 a proposé d'appliquer une machine à vecteurs de support (SVM) pour prédire la déformation locale sous le chauffage de la ligne. Shanbehzadeh16 a mené une étude sur la prévention précoce du BC basée sur un système de prédiction ML et les résultats ont montré que l'apprentissage automatique a un bon pouvoir prédictif. Nopour17 a choisi des techniques d'apprentissage automatique pour mener des recherches sur la prédiction du COVID-19, un modèle qui pourrait aider les médecins à réaliser une détection précoce et une intervention efficace et potentiellement réduire le nombre de décès de patients. Par conséquent, l'apprentissage automatique a été utilisé pour construire des modèles mathématiques capables de reproduire un usinage réel, de fournir des résultats similaires à ceux d'un travail réel, d'être utilisés pour analyser les résultats et de prédire et d'optimiser certains problèmes de modèle. Huang18,19 a proposé un algorithme simple et efficace d'apprentissage de réseau de neurones par anticipation à une seule couche cachée. L'algorithme ELM (Extreme Learning Machine)20 offre une vitesse d'apprentissage plus rapide et de meilleures performances de généralisation. Sa vitesse de convergence est beaucoup plus rapide que celle des méthodes traditionnelles, et elle a de bonnes performances et a été appliquée dans de nombreux domaines21. L'algorithme salp22 a optimisé de nombreux problèmes d'apprentissage automatique, de conception technique et d'autres domaines ces dernières années. Yildiz23 a analysé l'efficacité et la capacité de l'algorithme salp du point de vue de la vitesse de convergence, de la qualité de la solution et de la robustesse. Si la prédiction de la déformation de la plaque peut être réalisée, la difficulté d'usinage peut être considérablement réduite et l'efficacité peut être augmentée.

Cet article présente un modèle de simulation de chauffage et de formation de lignes. Les propriétés des matériaux expérimentaux sont définies. Les données pertinentes ont été obtenues par des expériences. Le modèle de prédiction ELM basé sur l'algorithme amélioré d'essaim de salpes (ISSA) a été établi en étudiant la théorie de l'algorithme pertinent. En comparant les indices d'évaluation, les cinq modèles de prédiction de cet article sont comparés et évalués, et il est conclu que l'ISSA-ELM a un meilleur effet.

La technologie de chauffage et de formage en ligne fait référence à l'utilisation de gaz combustibles, d'électromagnétiques, de lasers et d'autres substances pour chauffer en ligne une plaque d'acier. La zone chauffée est ensuite refroidie rapidement à l'aide d'eau ou d'air. La déformation en flexion de la plaque d'acier est réalisée par la contrainte de retrait d'une partie de la plaque d'acier. Son principe de formage est illustré à la Fig. 1. Les résultats de formage sont affectés par la température de la source de chaleur, les données de référence géométriques de la plaque extérieure et les données de référence de traitement.

Principe de chauffage et formage de ligne.

Le chauffage et le formage en ligne sont une méthode de façonnage de plaques métalliques en formes tridimensionnelles complexes. Cette méthode est efficace et peu coûteuse. Le changement de gradient de température est la principale raison des différents degrés de flexion de la tôle. En général, la différence entre les propriétés mécaniques et physiques des métaux est déterminée par la température. À mesure que la température de la zone de chauffage de la ligne augmente, la résistance à la flexion, l'élasticité et la conductivité thermique standard de l'acier diminuent. Cependant, le coefficient de chaleur spécifique et le coefficient de dilatation augmentent, en particulier la limite d'élasticité et le module de Young. La température chute rapidement au-dessus de la température critique.

Dans le processus de chauffage de la ligne, la chaleur générée lors de la déformation plastique de la feuille peut être ignorée. Dans un premier temps, une analyse thermique est effectuée. Il est utilisé pour créer un champ de température, puis utilisé comme charge pour l'analyse structurelle.

Le modèle de champ de température pour le chauffage et le formage des lignes peut être divisé en deux parties : le modèle mathématique du flux de chaleur de la source de gaz et le modèle mathématique de la conduction de la chaleur. Dans le processus de chauffage et de formage en ligne, le gaz chauffe la plaque d'acier avec une flamme de jet. La valeur de chaleur sur l'aire de section transversale unitaire de la plaque de navire par unité de temps est également la donnée pour le flux de chaleur de la plaque d'acier \(q^{\prime \prime }\).

Dans la formule, \(Q_{ch}\) est le débit de gaz du pistolet en acier ; \(A\) est la valeur de combustion du gaz ; et \(\eta\) est le rendement thermique.

Dans cette étude, la source de chaleur gaussienne a été choisie comme modèle de source de chaleur de chauffage de ligne en raison de sa proximité avec la courbe de distribution de la densité du flux de chaleur.

Lors du chauffage d'une plaque d'acier, la répartition de la chaleur est différente à chaque endroit. La quantité de chaleur absorbée par unité de temps à un endroit donné est \(q\) :

où \(r_{0}\) est le rayon de chauffage de la flamme et \(r\) est la distance entre le point à chauffer et le centre de chauffage de la flamme.

Le processus de chauffage de la ligne peut être considéré comme une analyse transitoire non linéaire tridimensionnelle et son modèle mathématique de conduction thermique est :

Dans la formule, \(\rho\) est la masse volumique de l'acier ; \(c\) est la capacité calorifique spécifique de l'acier ; \(\lambda\) est la conductivité thermique de l'acier ; \(T\) est la température de l'acier ; et \(t\) est le temps de chauffage.

La figure 2 montre le modèle de source de chaleur établi dans cette étude. Les conditions aux limites de convection libre et de rayonnement sont satisfaites. En analyse mécanique, ces conditions aux limites sont limitées à un déplacement nul au niveau de l'axe de la plaque métallique pour éviter le mouvement du corps rigide.

Modèle de source de chaleur.

Le processus de chauffage linéaire est un phénomène de couplage thermodynamique. Dans cette étude, un modèle d'éléments finis en trois dimensions a été établi pour simuler le processus de mise en forme de la tôle. Le logiciel de simulation SYSWELD a été utilisé pour simuler le processus de mise en forme. Le modèle d'éléments finis de la plaque d'acier est illustré à la Fig. 3 pour la division de la grille. Dans le modèle numérique, la position proche de la source de chaleur est utilisée comme grille fine, tandis que la position éloignée de la source de chaleur est utilisée comme grille grossière. L'objectif est d'obtenir des gradients de température et de contrainte précis et de réduire le temps de calcul.

Modèle d'éléments finis de plaque.

Les dimensions de la plaque d'acier choisie pour cette expérience étaient de 300 mm × 400 mm × hmm (\(h \in \left[ {10,14} \right]\)). La ligne de chauffage était située dans la ligne médiane de la direction de la largeur de la plaque et la vitesse de la source de chaleur était fixée à 6–15 mm/s.

Le Q345 est largement utilisé dans les navires, les véhicules et la construction en raison de sa teneur modérée en carbone, de ses propriétés globales supérieures, de sa bonne résistance, de sa plasticité et de sa fiabilité. Dans cet article, l'acier Q345 est sélectionné pour l'étude et ses propriétés varient avec la température, comme indiqué dans le tableau 1.

Il y a 90 groupes d'expériences dans cet article. La première colonne indique le numéro de l'expérience. Les quatre colonnes suivantes représentent les paramètres de la fonction. La dernière colonne représente le résultat. Les données expérimentales sont présentées dans le tableau 2. La forme formée est illustrée à la figure 4.

Forme courbée.

Le degré de déformation du chauffage de la ligne est affecté par de nombreux facteurs tels que les paramètres de matériau et de traitement. La méthode d'apprentissage automatique est utilisée pour explorer les règles entre différentes variables d'entrée et résultats de sortie afin d'obtenir une prédiction de déformation. Une machine d'apprentissage extrême est un nouveau type de réseau neuronal spécial à couche cachée unique. Sa structure en réseau est simple. Il peut générer de manière aléatoire des poids d'entrée et des biais de couche cachés. Le temps de formation du réseau est très rapide. Cependant, sa stabilité et sa capacité de généralisation sont légèrement médiocres. Les poids d'entrée et le biais de la couche cachée dans un ELM sont sélectionnés de manière aléatoire. Les valeurs générées aléatoirement peuvent ne pas être bonnes pour l'apprentissage des échantillons, ce qui rend l'effet d'apprentissage instable. Pour obtenir un effet de prédiction stable, l'algorithme d'optimisation de l'intelligence en essaim peut être utilisé pour optimiser le poids d'entrée et le biais de la couche cachée d'un ELM. Cet article présente un ELM optimisé basé sur un algorithme amélioré de slap swarm, pour trouver la meilleure solution. Par conséquent, l'erreur de prédiction et l'efficacité de calcul des machines d'apprentissage extrêmes basées sur SOA, PSO, SSA et ISSA sont comparées. Le choix d'un meilleur algorithme d'optimisation parmi ces méthodes permet à l'ELM de calculer plus efficacement pour obtenir une prédiction précise.

La figure 5 montre la structure d'un réseau neuronal prédictif à couche cachée unique typique. Il est composé d'une couche d'entrée, d'une couche cachée et d'une couche de sortie. Parmi eux, \(n\) neurones de la couche d'entrée correspondent à \(N\) variables d'entrée. La couche cachée a \(1\) neurone. La couche de sortie a \(m\) neurones correspondant à \(m\) variables de sortie. Pour maintenir la généralité, laissez le poids de connexion entre la couche d'entrée et la couche cachée être \(w\) :

où \(w_{n}\) désigne le poids de la connexion entre le \(i\)ème neurone de la couche d'entrée et le \(j\)ème neurone de la couche cachée.

Structure du réseau ELM.

Supposons que le poids de connexion entre la couche implicite et la couche de sortie est \(\beta\) :

où \(\beta_{jk}\) désigne le poids de connexion entre le \(j\)ème neurone de la couche cachée et le \(k\)ème neurone de la couche de sortie.

Supposons que le seuil \(b\) du neurone de couche implicite est :

Supposons que la matrice d'entrée X et la matrice de sortie Y de l'ensemble d'apprentissage avec Q échantillons sont :

Supposons que la fonction d'activation du neurone dans la couche cachée est g(x), puis à partir de la structure de réseau de l'ELM, la sortie T du réseau est :

L'équation ci-dessus peut être exprimée comme suit : \(H\beta = T^{\prime }\).

où \(T^{\prime }\) est la matrice transposée de \(T\) et \(H\) est la matrice de sortie de la couche cachée du réseau de neurones sous la forme suivante.

Une chaîne de \(n\) salpes est considérée comme une population. La position individuelle de chaque salpe est représentée par un vecteur de dimension \(D\). L'emplacement des salpes peut être exprimé par \(X = \left[ {X_{n1} ,X_{n2} , \ldots ,X_{nD} } \right]^{T} ,n = 1,2, \ldots ,N\). La fonction qui requiert la valeur maximale s'appelle la fonction de fitness. Un individu peut être substitué comme variable indépendante dans la formule, à la position de l'essaim de salpes pour calculer son correspondant. La position de cet individu est appelée position alimentaire et est notée \(F = \left[ {F_{1} ,F_{2} , \ldots ,F_{D} } \right]^{T}\), la limite supérieure de l'espace de recherche est \(ub = \left[ {ub_{1} ,ub_{2} , \ldots ,ub_{D} } \right]^{T}\),la limite inférieure de la recherche l'espace est \(lb = \left[ {lb_{1} ,lb_{2} , \ldots ,lb_{D} } \right]^{T}\), et la population de la SSA. La formule d'initialisation aléatoire est :

où \(X_{N*D}\) désigne le vecteur de position de l'essaim de salpes et \(R\left({N,D} \right)\) désigne le vecteur aléatoire dimensionnel \(N*D\).

L'essaim de salpes leader est le premier vecteur de la matrice X. Dans le SSA standard, le leader dirige le mouvement de toute la colonie de salpes. Sa prochaine position sera en quelque sorte dans le sens de la nourriture. La stratégie de mise à jour du leader est calculée par Eq. (12).

où \(X_{d}^{1}\) est la position du leader. \(ub_{d} ,lb_{d}\) indiquent les limites de recherche supérieure et inférieure du leader individuel dans la dimension \(d\). \(c_{1} ,c_{2}\) désignent des nombres aléatoires prenant les valeurs [0,1]. \(c_{1}\) est utilisé pour contrôler la capacité de recherche et la capacité d'exploitation de l'ensemble du groupe, et \(c_{2}\) détermine la longueur du déplacement.\(c_{3}\) est la recherche facteur d'équilibrage, qui détermine les directions positives et négatives du mouvement et est utilisé pour équilibrer les capacités de recherche globales et locales. En fin de compte, cela augmente le caractère aléatoire et la diversité des dirigeants.

Un suiveur de salpe est une salpe qui suit le mouvement du leader. La position du \(m\)ème suiveur dans l'itération suivante est déterminée par sa propre position dans l'itération courante et la position du salp précédent. La position initiale, la vitesse et l'accélération affectent directement la position du suiveur. Les positions mises à jour peuvent être obtenues selon les équations de mouvement de Newton, comme indiqué dans les équations. (13, 14 et 15):

où \(a\) signifie accélération ; \(v_{0}\) signifie la vitesse initiale ; \(t_{a}\) signifie la longueur du pas d'itération ; \(R\) signifie la distance de déplacement ; et \(X_{d}^{{m^{\prime } }} ,X_{d}^{m}\) désigne la \(m\) ème position dimensionnelle \(d\) du suiveur après et avant le mise à jour.

Dans cet article, nous introduisons un facteur d'atténuation dans la SSA. Par conséquent, la plage de mise à jour de la position du leader diminue progressivement avec l'augmentation du nombre d'itérations, évitant de tomber dans des extrêmes locaux au début de la convergence. Ensuite, il se rapproche de la valeur optimale au dernier stade de précision pour obtenir une précision de solution plus élevée. Le leadership de la formule de mise à jour de la position avec l'ajout du facteur de décroissance est illustré dans l'équation. (16).

où le facteur de décroissance A(l), qui contrôle la plage de recherche, est une fonction décroissante non linéaire définie comme dans l'Eq. (17):

où \(l\) est le nombre d'itérations en cours. \(T\) désigne le nombre maximal d'itérations.

Au début de la convergence, la plage de recherche n'est pas restreinte. Les individus peuvent se déplacer entièrement dans le monde entier pour tirer pleinement parti de la capacité de recherche globale de l'algorithme et éviter de tomber dans des extrêmes locaux. Pour obtenir une plus grande précision, dans les derniers stades de la convergence, la plage de recherche diminue progressivement à mesure que l'individu se rapproche de la valeur optimale en utilisant une recherche de précision individuelle dans une plage restreinte pour améliorer les capacités de recherche locales.

Pour améliorer la recherche locale, l'algorithme recherche des poids plus importants dans les premiers stades qui peuvent améliorer la recherche globale et des poids adaptatifs plus petits dans les derniers stades de la recherche qui peuvent introduire des poids adaptatifs, comme indiqué dans l'équation. (18):

En introduisant l'équation ci-dessus dans l'ancienne équation de mise à jour du suiveur, la nouvelle équation de mise à jour du suiveur est Eq. (19):

lorsque \(\lambda = 2\) et \(\varphi = 4/3\), la valeur de \(\omega\) converge progressivement. Cela peut améliorer la complexité de calcul. La plage de recherche et la diversité de la population sont augmentées au début de l'algorithme.

La mise en œuvre améliorée de l'algorithme Salp Swarm se déroule comme suit :

Étape 1 Définissez la taille de la population \(N\), le nombre d'itérations Itération, la dimension \(D\) et les limites supérieure et inférieure.

Étape 2 Initialiser la position des individus dans le groupe d'essaims de salpes. Calculez ensuite la valeur de fitness de chaque individu pour déterminer la position de l'individu ayant la plus petite valeur de fitness comme position alimentaire.

Étape 3 Générez le facteur de décroissance \(A\left( l \right)\) et mettez à jour la direction du poste.

Étape 4 Ajoutez des poids d'inertie adaptatifs pour mettre à jour les positions des suiveurs.

Étape 5 Si elle est inférieure à la position actuelle de l'aliment, calculez la valeur d'adaptation individuelle mise à jour et mettez à jour la position de l'aliment.

Étape 6 Déterminez si le nombre d'itérations actuel atteint le nombre d'itérations prédéfini. S'il est atteint, terminez l'itération ; sinon, retournez à l'étape 3.

Étape 7 Sortez la position des aliments et la valeur de fitness sur cette position.

Grâce à l'apprentissage de la SSA, nous avons constaté qu'en raison de sa plage de recherche illimitée de mises à jour de position et du faible poids d'influence des individus d'élite, la SSA ne peut pas effectuer une recherche précise à la fin de l'itération, et les suiveurs ne peuvent pas bien aider dans les mises à jour de position individuelles. Dans cet article, nous proposons une SSA améliorée pour optimiser la prédiction de régression de l'échauffement et de la formation de lignes pour les machines d'apprentissage extrêmes. Tout d'abord, un facteur d'atténuation est ajouté pour améliorer l'exploitation locale plus tard dans l'itération. Ensuite, des poids d'inertie adaptatifs sont ajoutés pour améliorer la capacité de recherche globale dans les premières étapes et la capacité de recherche locale dans les étapes ultérieures. Le flux de la SSA améliorée pour optimiser la machine d'apprentissage extrême est illustré à la Fig. 6.

Organigramme de l'ELM optimisé basé sur l'ISSA.

Pour évaluer davantage les performances de prédiction du modèle, les trois indicateurs suivants sont choisis pour évaluer la précision du modèle : la valeur de fitness \(E\), l'erreur quadratique moyenne \(MSE\) et le coefficient de détermination \(R ^{2}\), dont les équations sont présentées dans Eqs. (20, 21 et 22) respectivement.

où \(y_{d}^{*} \left( n \right)\) désigne la sortie d'apprentissage du réseau, \(y_{d} \left( n \right)\) désigne la sortie souhaitée et \(D \) est la longueur des données d'apprentissage.

Dans cet article, des modèles de prédiction basés sur un ELM, PSO-ELM, SOA-ELM, SSA-ELM et ISSA–ELM sont développés. Les performances de prédiction de chaque modèle sont présentées dans la figure.

Plus le coefficient de détermination est proche de 1, meilleures sont les performances de prédiction du modèle. La figure 7 montre l'erreur quadratique moyenne et le coefficient de détermination pour tous les modèles de prédiction utilisés pour prédire la déformation de l'échauffement des lignes. Une analyse comparative montre que le modèle initial de l'algorithme ELM a un coefficient de détermination relativement faible. Les modèles optimisés par l'algorithme d'optimisation ont tous des coefficients de détermination proches de 1. Il est évident que ISSA–ELM a un meilleur coefficient de détermination.

Comparaison des erreurs quadratiques moyennes et des coefficients de détermination des différents modèles.

Plus l'erreur quadratique moyenne est proche de 0, meilleures sont les performances du modèle. La figure 7 montre que l'erreur quadratique moyenne du modèle ELM original est supérieure à celle des quatre autres modèles, avec une erreur quadratique moyenne de 4,67E−2. Les modèles ELM optimisés fonctionnent tous bien avec des erreurs quadratiques moyennes de 5,8E−3, 1,27E−2, 2,2E−3 et 1,7E−3.

Les valeurs expérimentales des erreurs et des erreurs moyennes entre les prédictions des cinq modèles de prédiction de cet article sont présentées à la Fig. 8. L'erreur de prédiction moyenne de l'ELM est de 0,039 mm, ce qui est nettement supérieur à l'erreur moyenne des autres modèles. . Il est clair que l'algorithme ELM initial n'a pas trouvé la solution optimale globale. L'erreur moyenne de l'algorithme ELM a été significativement réduite après optimisation par l'algorithme d'optimisation. Le modèle ISSA-ELM avait la plus petite erreur de prédiction moyenne de tous les modèles, de sorte que ses performances de prédiction étaient optimales.

Comparer les erreurs de prédiction de différents modèles.

Les courbes de fitness pour les modèles de prédiction utilisés pour prédire l'échauffement des lignes et la déformation de formation SOA-ELM, PSO-ELM, SSA-ELM et ISSA-ELM sont présentées à la Fig. 9. La valeur de la fonction de fitness est la MSE de l'erreur dans la formation set : \(fitness = argmin\left( {MSE_{pridect} } \right)\). Dans le modèle SOA-ELM, après 41 itérations, l'erreur systématique est stabilisée à environ 1.0E−5. Dans le modèle PSO-ELM, après 35 itérations, l'erreur systématique est stabilisée à environ 4.0E−5. Dans le modèle SSA-ELM, après 42 itérations, l'erreur système est stabilisée à environ 5.0E−6. Dans le modèle ISSA–ELM, après 30 itérations, l'erreur systématique est stabilisée à environ 2.0E−6. Les résultats montrent que le modèle ISSA-ELM proposé dans cet article a une vitesse d'optimisation plus rapide et une plus grande précision de convergence, et l'algorithme de gaine amélioré améliore considérablement l'efficacité d'apprentissage du modèle ELM.

Comparaison des courbes de fitness de différents modèles.

La comparaison entre la sortie de prédiction et les valeurs expérimentales des cinq modèles de prédiction dans cet article est illustrée à la Fig. 10. La tendance globale de chaque modèle est proche de la valeur expérimentale. Il est évident sur la figure 10 que l'effet de prédiction de l'ELM d'origine était significativement différent de la valeur expérimentale. Plus l'erreur relative est petite, meilleur est l'effet de prédiction. L'effet de prédiction de l'ELM original était médiocre et l'erreur relative moyenne de l'ELM était de 1,4 %. L'erreur relative moyenne du modèle de prédiction ELM optimisé par l'algorithme d'optimisation est beaucoup plus petite que celle de l'ELM d'origine. Leurs erreurs relatives moyennes sont de 0,4 %, 0,8 %, 1,4 %, 0,1 % et 0,08 %. Parmi eux, la sortie prédite du modèle ISSA-ELM proposé dans cet article est plus proche de la valeur expérimentale. Cela indique que le modèle est supérieur.

Sortie prévue par rapport à la sortie souhaitée pour chaque modèle.

Cet article traite des caractéristiques du processus de formage par chauffage en ligne. Utilisation d'outils de simulation par éléments finis. Un modèle de simulation par éléments finis basé sur la thermoélasticité a été développé. Sur cette base, les paramètres de processus et les données de formage ont été obtenus. Une méthode d'apprentissage automatique a été introduite pour prédire la déformation du bord du navire. Selon les lacunes de l'ELM, un algorithme amélioré d'optimisation de l'essaim de salpes a été proposé pour améliorer l'ELM. Les résultats montrent que le modèle de prédiction de la déformation de l'échauffement des lignes basé sur ISSA-ELM proposé dans cet article a une certaine importance directrice pour la production de traitement.

Un modèle d'algorithme basé sur une machine d'apprentissage extrême optimisée par algorithme d'essaim de salpes amélioré est utilisé pour prédire l'échauffement et la formation de lignes. Cela a une certaine importance pour la prédiction raisonnable de la déformation. Les principales conclusions sont tirées comme suit.

En utilisant un ELM comme cadre de base, les modèles de prédiction optimisés ont été obtenus par l'algorithme de mouette, l'algorithme d'essaim de particules, l'algorithme d'essaim de salpes et l'algorithme amélioré d'essaims de salpes. Le modèle de prédiction basé sur l'ISSA-ELM s'avère plus approprié pour la prédiction de l'échauffement des lignes et de la déformation de formage par comparaison.

Le SSA est optimisé en introduisant des facteurs d'atténuation et des poids d'inertie adaptatifs, et les résultats montrent que les performances de prédiction d'ISSA-ELM sont meilleures.

Les résultats obtenus avec une plaque plane à simple courbure ne sont applicables qu'à un petit échantillon et à un petit nombre d'entrées. Dans une étude ultérieure, davantage de propriétés de matériaux seront ajoutées pour augmenter le nombre d'entrées, basées sur des expériences de simulation en tant qu'échantillons, pour étudier la prédiction de la déformation des plaques à double courbure basée sur le modèle de prédiction proposé.

Les données à l'appui des conclusions de cette étude sont disponibles auprès de l'Université des sciences et technologies du Jiangsu, mais des restrictions s'appliquent à la disponibilité de ces données, qui ont été utilisées sous licence pour l'étude actuelle et ne sont pas accessibles au public. Les données sont cependant disponibles auprès des auteurs sur demande raisonnable et avec l'autorisation de l'Université des sciences et technologies du Jiangsu.

Choi, YH, Lee, YW, Choi, K., Doh, DH et Kim, KJ Répartition de la température et contraintes thermiques dans diverses conditions de déplacement de la source de chauffage pendant le processus de chauffage de la ligne. J. Therm. Sci. 21(1), 82–87 (2012).

Annonces d'article Google Scholar

Choi, Y., Lee, Y. & Kwang, C. Étude sur la distribution de la température pour diverses conditions de déplacement de la source de chauffage pendant le processus de chauffage de la ligne. J. Adv. Ing. mar. Technol. 34(5), 617–624 (2010).

Article Google Scholar

Qi, L., Li, T., Mao, W. & Yang, P. Recherche sur la formation de la courbe d'une plaque de coque de navire au moyen d'un chauffage en ligne à vitesse variable. Int. J. Mater. Structure. Intégr. 10(1), 99-107 (2016).

Article Google Scholar

Zhu, Y. & Luo, Y. Un modèle de source de chaleur simplifié pour le pliage de plaques épaisses via un chauffage par ligne d'induction à haute fréquence. Navires Offshore Structure. 14(1), 64–73 (2019).

Article Google Scholar

Huang, H. & Murakawa, H. Analyse thermomécanique du processus de chauffage de la ligne par une méthode efficace et précise de raffinage du maillage à plusieurs niveaux. Structure de mars. 49, 239-255 (2016).

Article Google Scholar

Xu, W., Zheng, S. & Han, X. (eds) L'analyse de la théorie du champ de température de chauffage de la ligne et la simulation numérique. En 2013 Conférence internationale sur l'ingénierie énergétique et l'ingénierie environnementale, ICEEEE 2013, 18 janvier 2013-19 janvier 2013 ; 2013 ; Hangzhou, Chine : Trans Tech Publications Ltd.

Akiyama, T., Kitamura, T., Izutsu, R. & Maeda, Y. Effet de l'ordre de chauffage sur l'interférence entre les déformations par chauffage par ligne courbe dans le formage au laser. J.Jpn. Inst. Rencontré. Mater. 85(4), 138–146 (2021).

Article CAS Google Scholar

Deng, D., Murakawa, H. & Liang, W. Prédiction de la distorsion de soudage dans une structure de plaque courbe au moyen de la méthode des éléments finis élastiques. J. Mater. Processus. Technol. 203(1–3), 252–266 (2008).

Article CAS Google Scholar

Deng, D. & Murakawa, H. Prédiction de la distorsion de soudage et de la contrainte résiduelle dans un joint soudé bout à bout à plaque mince. Calcul. Mater. Sci. 43(2), 353–365 (2008).

Article Google Scholar

Huang, H., Wang, J., Li, L. & Ma, N. Prédiction de la déformation induite par le soudage laser dans les tôles minces par une modélisation numérique efficace. J. Mater. Processus. Technol. 227, 117-128 (2016).

Article CAS Google Scholar

Han, X., Zhou, B. & Tan, S.-K. Effet de l'espacement de chauffage sur la distribution de déformation du processus de chauffage de la ligne. J. Ship Prod. et Dés. 35(1), 1–11 (2019).

Article CAS Google Scholar

Shin, JG, Kim, WD & Lee, JH Approche intégrée pour le processus de production informatisé de plaques de coque incurvées. J. Ship Prod. 14(2), 124–133 (1998).

Article Google Scholar

Jin, H.-K., Jeon, D.-J., Park, S.-S. & Shin, S.-B. (eds) Méthode prédictive de la distorsion angulaire du processus de chauffage de ligne avec chauffage par induction à haute fréquence. In 24th International Ocean and Polar Engineering Conference, ISOPE 2014 Busan, 15 juin 2014 - 20 juin 2014 ; 2014 ; Busan, Corée, République de : Société internationale des ingénieurs offshore et polaires.

Nguyen, T.-T., Yang, Y.-S. & Bae, K.-Y. Le développement d'un modèle de réseau neuronal artificiel pour prédire les positions des lignes de chauffage pour la formation de plaques dans le processus de chauffage par induction. Méca. Basé Des. Structure. Mach. 37(2), 201–227 (2009).

Article Google Scholar

Zhang, X.-B., Ji, Z.-S. & Liu, Y.-J. Comparaison des méthodes de prévision de la déformation locale dans le chauffage des lignes. Harbin Gongcheng Daxue Xuebao/J. Harbin Eng. Univ. 26(3), 329-334 (2005).

Google Scholar

Shanbehzadeh, M. et al. Comparaison d'algorithmes d'exploration de données pour le diagnostic du cancer du sein. Terres Brèves. 23(7), e120140 (2022).

Google Scholar

Nopour, R., Kazemi-Arpanahi, H., Shanbehzadeh, M. & Azizifar, A. Analyse des performances des algorithmes d'exploration de données pour le diagnostic de la COVID-19. J. Educ. Promotion de la santé. 10, 405 (2021).

Google Scholar

Huang, G.-B., Wang, DH & Lan, Y. Machines d'apprentissage extrêmes : une enquête. Int. J.Mach. Apprendre. Cybern. 2(2), 107–122 (2011).

Article Google Scholar

Huang, GB, Zhu, QY & Siew, CK Machine d'apprentissage extrême : théorie et applications. Neuroinformatique 70(1–3), 489–501 (2006).

Article Google Scholar

Ding, SF, Xu, XZ & Nie, R. Machine d'apprentissage extrême et ses applications. Calcul neuronal. Appl. 25(3–4), 549–556 (2014).

Annonces d'article Google Scholar

Wang, J., Lu, SY, Wang, SH et Zhang, YD Un examen de la machine d'apprentissage extrême. Multimed. Outils Appl. 81(29), 41611–41660 (2022).

Article Google Scholar

Abualigah, L., Shehab, M., Alshinwan, M. et Alabool, H. Algorithme d'essaim de Salp : une enquête complète. Calcul neuronal. Appl. 32(15), 11195–11215 (2020).

Article Google Scholar

Yildiz, AR, Abderazek, H. & Mirjalili, S. Une étude comparative des méthodes non traditionnelles récentes d'optimisation de la conception mécanique. Cambre. Calcul. Méthodes Ing. 27(4), 1031-1048 (2020).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par le projet de recherche scientifique de base de la Défense nationale (NO. JCKY2021414B011). Le projet de R&D de navires intelligents alimentés au méthanol (Coopération sur les ressources naturelles du Guangdong [2021] n° 44). Le projet de navire de haute technologie du ministère de l'industrie et des technologies de l'information : le processus de construction efficace des navires à passagers RO-RO et la recherche sur les technologies clés (projet n° CJ07N20).

École de génie mécanique, Université des sciences et technologies du Jiangsu, Zhenjiang, 212013, Chine

Lei Li, Shukang Qi, Honggen Zhou et Lei Wang

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

LL et SQ ont rédigé le texte principal du manuscrit. Tous les auteurs ont examiné le manuscrit.

Correspondance à Honggen Zhou.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Li, L., Qi, S., Zhou, H. et al. Prédiction de la déformation par échauffement des lignes sur tôle basée sur un modèle ISSA–ELM. Sci Rep 13, 1252 (2023). https://doi.org/10.1038/s41598-023-28538-8

Télécharger la citation

Reçu : 05 mai 2022

Accepté : 19 janvier 2023

Publié: 23 janvier 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.