Page 155 - 数值模拟驱动的高温合金热加工技术

第四章 高温合金锻造过程数值模拟

其核心是通过生成器与判别器的博弈生成逼真的缺陷样本，增强模型对缺陷特征
的学习能力。
（二）锻造缺陷预测模型的构建与优化

1. 特征工程与输入变量选择
特征工程是构建锻造缺陷预测模型的重要环节，其核心在于从数据中提取和
筛选对缺陷预测最为重要的变量。递归特征消除（Recursive Feature Elimination，
RFE）是一种常用的特征选择方法，通过迭代地移除不重要特征，并将模型
性能作为判断依据，保留最优特征的子集。主成分分析（Principal Component
Analysis，PCA）则通过将原始高维特征降维到低维空间，保留主要信息，同时

降低噪声和多重共线性。在锻造缺陷预测中，关键特征包括温度梯度、压力波动
和变形量分布等。
2. 模型构建与算法选择
在模型构建阶段，传统机器学习算法与深度学习模型各有优势。其中，传统
的机器学习算法包括决策树、随机森林、支持向量机等。决策树通过递归分割构

建预测路径，直观且易解释；随机森林通过多棵决策树的投票提升稳定性；支持
向量机通过构建超平面实现高维特征空间的分类。深度学习模型则更适用于复杂
非线性特征的挖掘。卷积神经网络可以提取锻造过程中的局部特征；循环神经网
络则适用于处理时间序列工艺参数数据。
3. 模型优化与参数调优
模型优化和参数调优是提升预测精度和稳定性的关键环节。超参数优化可采

用网格搜索、随机搜索和贝叶斯优化等方法来实现。网格搜索通过穷举所有可能
的超参数组合来找到最优配置；随机搜索在参数空间中随机采样，其效率更高；
贝叶斯优化利用概率模型指导搜索，提高收敛速度。
（三）模型验证与预测性能评估

1. 交叉验证与模型稳定性分析
交叉验证是模型评估中的常用方法，尤其是在数据量有限时，通过将数据集
分割成若干个子集，能有效避免因过度拟合或数据偏差而导致评估不准确。在 K
折交叉验证中，数据集被划分为KKK个子集。每次选择其中一个子集作为验证集，
其余 K-1K~1K-1 个子集作为训练集，反复进行 KKK 次，最后将所有测试结果的
均值作为模型的评估指标。这种方法能够提高模型性能评估的可靠性，确保评估
结果不会受到单一数据集分割方式的影响。

139