基于NSGA-Ⅱ和神经网络的GFRP拉挤工艺优化.docx

基于NSGA-Ⅱ和神经网络的GFRP拉挤工艺优化
摘要
GFRP（玻璃纤维增强聚合物）这一复合材料在现代工业中被广泛应用，其中拉挤工艺是一种主流的加工方式。为了进一步优化GFRP拉挤工艺，本文提出了一种基于NSGA-Ⅱ和神经网络的优化方法。首先，利用NSGA-Ⅱ算法寻求出具有一定优势的GFRP拉挤工艺参数集。然后，将这些参数集作为神经网络的输入，进行训练和预测，以预测最优的GFRP拉挤工艺参数。经过实验验证，本文提出的方法能够有效地优化GFRP拉挤工艺，提高其加工质量和效率。
关键词:GFRP,拉挤工艺,NSGA-Ⅱ,神经网络,优化
Abstract
GFRP(glassfiberreinforcedpolymer)compositematerialiswidelyusedinmodernindustry,andextrusionprocessisamainstreamprocessingmethod.InordertofurtheroptimizetheGFRPextrusionprocess,thispaperproposesanoptimizationmethodbasedonNSGA-Ⅱalgorithmandneuralnetwork.Firstly,theNSGA-ⅡalgorithmisusedtofindGFRPextrusionprocessparametersetswithcertainadvantages.Then,theseparametersetsareusedastheinputoftheneuralnetworkfortrainingandprediction,andtheoptimalGFRPextrusionprocessparametersarepredicted.Throughexperimentalverification,themethodproposedinthispapercaneffectivelyoptimizetheGFRPextrusionprocess,improveitsprocessingqualityandefficiency.
Keywords:GFRP,extrusionprocess,NSGA-Ⅱ,neuralnetwork,optimization
1.引言
GFRP是一种高性能复合材料，具有优良的力学性能、化学性能和阻燃性能，在航空航天、交通运输、建筑等领域得到广泛应用[1]。拉挤工艺是一种主流的GFRP加工方式，通过控制拉挤温度、速度和模具结构等参数，可以实现GFRP加工的精度和效率的提高[2]。
GFRP拉挤工艺参数的优化是GFRP加工技术发展的重要课题之一。传统的优化方法主要采用试错方法或经验公式法，面对复杂多变的加工环境时，效率较低、鲁棒性不强[3]。随着计算机技术和数据处理能力的不断提升，优化算法在加工技术中的应用越来越广泛。NSGA-Ⅱ算法作为一种多目标优化算法，被应用于GFRP拉挤工艺参数优化，并取得了一定的成效[4]。
然而，单纯利用NSGA-Ⅱ算法进行优化的局限性也很明显，如：仅能处理少数参数优化问题，易收敛至局部最优解等[5]。为此，本文提出一种结合神经网络的优化方法，以提高GFRP拉挤工艺的加工质量和效率。
2.GFRP拉挤工艺参数优化方法
2.1NSGA-Ⅱ算法
NSGA-Ⅱ算法是一种经典的多目标优化算法，通过维护种群的非支配排序和拥挤度距离来保留种群中的多样性[6]。其基本思想是：在高维空间中，将多个目标函数转化为一个多维的非支配排序问题，即找出不被其他个体所支配的个体并给予排名，最终得到一系列Pareto最优解集合[7]。
NSGA-Ⅱ算法的最优解集合为Pareto最优解集合，是指任意两种目标函数间无法通过改变目标函数参数而相互取代的一组解的集合。NSGA-Ⅱ算法通过非支配排序和拥挤度距离来实现Pareto最优解集合的搜索，具备高效稳定的优化性能，并且能够处理多目标、多维问题[8]。
2.2神经网络
神经网络是一种用于解决分类、识别和模式识别等问题的复合模型，其基本思路是模拟生物神经元的工作原理，通过对大量样本数据的学习和训练，提取数据间的非线性关系，并生成非线性映射模型[9]。神经网络的优点是具有强大的非线性建模能力，其缺点是对模型参数需要进行精细调整，且模型结构复杂，存在过拟合和欠拟合等问题[10]。
2.3GFRP拉挤工艺参数优化过程
本文提出的GFRP拉挤工艺参数优化过程如下：
（1）NSGA-Ⅱ算法构建初始种群
设目标体积为$f_1$，对象尺寸为$f_2$，热处理温度为$f_3$。通过NSGA-Ⅱ算法构建GFRP拉挤工艺参数的初始种群，并分别计算出每个参数集对应的目标体积$f_1$、对象尺寸$f_2$和热处理温度$f_