精密成形工程

作者：朱英霞, 元琛, 王磊, 陈炜, 许江平

单位：江苏大学 机械工程学院,江苏 镇江 212031

关键词：双金属复合管,弯曲,壁厚减薄,机器学习,预测模型

基金：国家自然科学基金（52575387）; 校企合作（HX20241044）

目的 通过机器学习方法构建工艺参数与壁厚减薄率之间的映射关系,建立弯管壁厚减薄率高精度预测模型,为缺陷的有效预测提供数据驱动解决方案。方法 首先,以直径、弯曲程度等6项工艺参数为变量设计仿真方案,并进行实验验证,建立数据库来源。其次,分别建立随机森林（Random Forest,RF）与梯度提升回归树（Gradient Boosting Regression Tree,GBRT）2种机器学习模型。最后,对比分析训练样本量（N=100~808）对2种机器模型泛化性能的影响规律。结果 在中等样本量（N=400）下,2种机器模型的预测性能达到最优。其中,GBRT模型测试集决定系数（R2）高达0.976 9,方差贡献率（VAF）为97.69%,均方根误差（RMSE）和平均绝对误差（MAE）分别低至0.347 0和0.175 9,所有性能指标均显著优于同等条件下的RF模型的性能指标（R2=0.922 9,VAF=92.36,RMSE=0.633 5,MAE=0.363 8）。当样本量超过400后,2种机器模型均出现预测性能饱和甚至衰减的趋势。采用训练区间之外的工艺参数进行GBRT模型预测精度验证,发现其平均预测误差小于7%。结论 构建的GBRT预测模型能够高精度、高效率地映射双金属复合管弯曲工艺参数与壁厚减薄率之间的复杂非线性关系,验证了机器学习方法在该领域替代或辅助传统有限元分析的可行性。

来源：2026年第3期

《精密成形工程》期刊编辑部

查看精密成形工程杂志2026年第3期