Page 156 - 数值模拟驱动的高温合金热加工技术

Numerical Simulation Driven Hot Working Technology for High-temperature Alloys
数值模拟驱动的高温合金热加工技术

2. 预测性能评估指标
为了全面评估模型的性能，相关人员需要使用一系列统计指标。在分类问
题中，准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数

是最常用的四个评价标准。准确率表示所有预测结果中正确预测的比例；精确率
衡量预测为正类的样本中，实际为正类的比例；召回率衡量所有正类样本中，能
够被模型正确预测出来的比例；F1 分数则是精确率和召回率的调和平均数，能
够综合反映分类模型的性能。这表明模型在正确识别缺陷样本和减少误识别样
本之间取得了较好的平衡。对于回归问题，常用的评估指标为均方误差（Mean

Square Error，MSE）和均方根误差（Root Mean Squard Error，RMSE）。MSE
能够反映预测值与实际值之间的整体差异，而 RMSE 则提供了误差的量级，更
易于理解。假设某回归模型在测试集上的实际值为 10，12，15，18，预测值为

11，13，14，16，则其 MSE 为 1.75，RMSE 为 1.32。这表明模型预测值与实际
值之间存在一定的差距，但误差较小，模型表现较好。
3. 预测结果分析与可视化
预测结果的分析和可视化能够直观地展现模型的实际效果和预测误差。在实

际应用中，采用多种可视化技术，可以帮助用户更好地理解模型的预测性能。例
如，绘制实际值与预测值的散点图，可以直观地看到模型预测的分布与实际值的
关系。如果散点图中的点大致呈直线分布，说明模型具有较高的预测精度。如果
散点图中的点分布较为分散，则可能存在较大误差。

（四）锻造缺陷预测模型的应用与优化建议
1. 实际应用场景分析
实时缺陷预测系统在锻造工业中的应用前景广阔，尤其是结合生产线实时数
据，对缺陷进行动态预测和预警，能够大幅度提升生产效率和产品质量。当前的

锻造生产过程中，工艺参数的波动往往会导致不同类型的缺陷出现，如裂纹、折
叠和夹杂物等。通过搭建一个实时缺陷预测系统，锻造生产线上的传感器可以不
断收集温度、压力、成形速度、成形位移等工艺参数。同时，这些数据通过数据
采集系统传送至预测模型进行实时分析和预测。在模具设计与工艺优化方面，基

于缺陷预测结果，锻造企业能够对模具设计和成形工艺进行实时优化。例如，某
锻造厂通过结合缺陷预测模型的结果，发现模具表面温度的波动与裂纹缺陷之间
存在强相关性。通过制定模具表面温度分布式控制方案，优化模具冷却系统，模

140