基于BP神经网络的熔模铸件收缩率预测研究

针对熔模铸件模具型腔设计中存在收缩率赋值不准确导致多次修模的问题,作为初期研究,提出一种典型结构在凝固过程中收缩率的预测方法,为铸件收缩率预测提供一种思路。由于BP神经网络具有强大的容错性和鲁棒性,故基于BP神经网络构建依附于铸件结构的几何参数和收缩率之间的映射模型。由于BP神经网络隐含层神经元尚无针对不同案例的设计准则,因此,在映射模型建立时研究隐含层神经元个数对建模准确度的影响。结果表明,针对此典型结构铸件,当隐含层神经元个数为3时,映射模型的预测误差最小,此时,测试样本的预测和实测值收缩率平均偏差为0.09%,可较好地实现凝固过程收缩率预测。