热门标签-网站地图-注册-登陆-手机版-投稿 3D打印网,中国3D打印行业门户网!
当前位置:主页 > 新闻频道 > 深度解读 > 正文

前沿研究:基于神经网络的机器学习方法在3D打印中的应用(2)

时间:2021-04-04 22:06 来源:3D科学谷 作者:中国3D打印网 阅读:

block 工艺-性能-使役性能的联系

从技术和经济上的观点来看,过程参数的选择对优化AM性能是必需的。在工艺、性能和使役性能之间建立直接联系是科学家和工程师非常感兴趣的。这种联系通常是高度非线性的,因为输入变量的数量通常大于3个。因此,很难确定这种联系的基础数学公式。由于NN模型固有的非线性特性,它已被应用于为各种AM过程建立这些数学关系。表1总结了NN在AM中的应用(实际上,NN在这里称为MLP,因为所有数据集都是表格类型),并列出了作为输入的工艺参数值和作为输出的性能/使役性能。从表1中可以看出,不同的AM技术应该选择不同的输入特征,因为确定AM部件的关键因素是不同的。此外,由于大量参数会对最终成品产生影响,所以确定选择哪些参数需要深入了解AM过程。

表1 NN应用程序,用于构建过程-性质-性能联系

Method_NN_4SL: stereolithography; LMD: laser metal deposition; WAAM: wire and arc additive manufacturing

NN算法的详细设置总结在表2中。确定NN结构的典型超参数通常由4部分组成:隐藏层数目、单层中神经元数量、激活函数和损失函数。

表2 有关NN算法的详细信息

Method_NN_5MAE: mean absolute error; RMSE: root mean square error; SSE: sum square error

(1)隐藏层数目。在表2的“Layer/neuron”列中,“5-8-1”表示该NN结构包含3层:输入层有5个神经元,唯一的隐藏层有8个神经元,输出层有一个神经元。从表中可以看出,一个隐藏层足以应对大多数AM问题。

(2)单层神经元数量。输入层和输出层的神经元数由问题本身决定。然而,需要仔细选择唯一隐藏层的神经元数量,因为它与ML中的欠拟合和过拟合问题直接相关。根据表2,我们建议至少以5~10个神经元作为隐藏层神经元的最佳数量。

(3)激活函数。激活函数是输入信号的非线性变换,它决定是否应该激活神经元。这对NN至关重要,因为没有激活函数的网络只是一个线性回归模型,无法处理复杂的任务。一些流行的激活函数类型如下:

Method_6Method_7

在实际应用过程中,sigmoid和tanh函数的任一侧以及ReLU函数负轴的梯度将会很小,甚至趋于零,因此,在学习期间权重无法得到更新调节。这种情况就是典型的梯度消失问题。使用Max-min归一化技术将输入特征的范围变更为(0, 1),其可以有效地避免这个问题。如有必要,还可使用批标准化技术,以便继续细化每一层的输入信号。

(4)损失函数。损失函数应由确切的问题确定,并且通常带有实际的解释。例如,均方根误差(RMSE)和平均绝对误差(MAE)都是评估预测值和目标值两个向量之间距离的方法。其表达方式如下:

Method_8

式中,i 是样本索引;yi 是预测值;yt 是目标值。它们之间存在一些小的变化:计算RMSE对应于L2范数(即欧几里德范数),这是最常见的欧式距离;计算MAE对应于L1范数(即曼哈顿范数),其测量从原点到目标的矩形网格中的距离。一般来说,Lp规范由下式表示:

Method_9

式中,p是范数指数。p值越大,则它对较大的值越敏感。例如,由于L2范数使误差平方,因此模型将产生比L1范数大得多的误差。如果这种情况是一个异常值,L2范数将更加关注这个单一的异常情况,因为许多其他常见情况的误差较小。换句话说,如果考虑每个异常值都很重要的话,RMSE方法是更好的选择。反之则MAE适用于可以安全有效地忽略异常值的情形。应当注意的是,在某些特殊情况下,可能有必要考虑自定义设计损失函数。

挑战和可能的解决方案

(责任编辑:admin)

weixin
评论
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片