用于确定熔化极气体保护焊T接头焊缝形状参数的机器学习模型——一项比较研究
机器学习
2022-06-08 v1
摘要
焊缝形状对于评估焊接接头质量至关重要。特别是，它对数值分析所得结果的准确性有重大影响。本研究侧重于统计设计技术和人工神经网络，以预测熔化极气体保护焊（GMAW）角接接头的焊缝形状参数。对厚度为 3mm 至 10mm 的低碳钢板进行了广泛测试。焊接电压、焊接电流和移动热源速度被作为焊接参数。创建了三种多元线性回归（MLR）模型，以建立一个包含交互项和高阶项的经验方程来定义 GMAW 焊缝形状参数。此外，基于类似方案创建了人工神经网络（ANN）模型，并使用 SHapley Additive exPlanations（SHAP）研究了特定特征的相关性。结果表明，在可预测性和误差评估方面，基于 MLR 的方法优于基于 ANN 的模型。本研究展示了预测工具在辅助焊接数值分析方面的实用性。
引用
@article{arxiv.2206.02794,
title = {Machine learning models for determination of weldbead shape parameters for gas metal arc welded T-joints -- A comparative study},
author = {R. Pradhan and A. P Joshi and M. R Sunny and A. Sarkar},
journal= {arXiv preprint arXiv:2206.02794},
year = {2022}
}