Diese Arbeit präsentiert eine neue Methode des maschinellen Lernens zur Bewertung der thermischen Leistung von konformen Kühlsystemen. Die Erstellung eines einzelnen neuronalen Netzwerks zur Vorhersage des zeitlichen thermischen Verhaltens von konformen Kühlsystemen ist eine Herausforderung. Durch die Kombination eines nichtlinearen Regressionsmodells und eines neuronalen Netzwerks kann die thermische Leistung von konformen Kühlsystemen präzise vorhergesagt und bewertet werden. Mit den Ergebnissen der thermischen Leistungsbewertung können die optimalen Parameter für das Konstruktionsdesign von konformen Kühlsystemen ermittelt werden. Die systematische Methodik zum Aufbau der Maschinenlernmethode zur Bewertung der thermischen Leistung von konformen Kühlsystemen umfasst Datenbeschaffung, nichtlineare Regressionsmodelle und neuronale Netzwerke sowie eine Einführung in die Parameter konformer Kühlsysteme. Detaillierte Erläuterungen zu jedem dieser Bestandteile sind in den nachfolgenden Abschnitten angegeben.
Eine umfassende Bewertung der thermischen Leistung von konformen Kühlformsystemen erfordert die Berücksichtigung zweier wesentlicher Parametergruppen: konforme Kühl-Designparameter und Formsystemparameter. Drei Schlüsselkonforme Kühl-Designparameter (D, DtP und TL) spielen eine wichtige Rolle für die Kühlleistung. Produkt- und Kühlparameter, sowie Formeinsatzdaten haben ebenfalls einen direkten Einfluss auf die Kühlleistung. Produktmaterialien, Kühlkonfigurationsdaten und Formeinsatzmaterialien beeinflussen die Effizienz der Kühlung. Um robuste maschinelle Lernmodelle zu entwickeln, wurden eine Vielzahl von Fallstudien verwendet, um umfangreiche Kühlfleistungsdproben zu sammeln. Die Temperaturdaten wurden während des Formprozesses in Echtzeit erfasst, um das Regressionsmodell und die neuronalen Netzwerke zu validieren.
Das Ziel des Aufbaus eines nichtlinearen Regressionsmodells besteht darin, den effektivsten Algorithmus zu identifizieren, um das Kühlverhalten genau anzunähern. Die Modelle wie Polynomiale Regression, Logarithmische Regression und Exponentielle Regression wurden evaluiert. Die logarithmische Regressionsmethode zeigt die genauesten Ergebnisse bei der Bestimmung der Beziehung zwischen Temperatur und Kühlzeit aus den thermischen Leistungsdaten. Die logarithmische Regression mit einem Grad von 4 erbrachte eine zufriedenstellende Anpassungsleistung. Ein Trainings-Neuronales Netzwerk wurde entwickelt, um die thermischen Ergebnisse genau vorherzusagen.
Drei Neuronale Netzwerkarchitekturen wurden entwickelt und bewertet: Einzel-ANN, Mehrfach-NNs und Zweig-NN. Das Einzel-ANN wurde effektiv trainiert und konnte die thermische Leistung von konformen Kühlsystemen genau vorhersagen. Der Vergleich zwischen dem Einzel-ANN und den Mehrfach-NNs zeigte, dass das Einzel-ANN in Bezug auf die Genauigkeit der Anpassung und Validierungsfehler überlegen war. Das Zweig-NN übertroff die anderen Modelle und wurde als bevorzugtes neuronales Netzwerk gewählt, da es die beste Anpassungs- und Validierungsleistung erzielte. Die Systeme wurden mit echten Formzyklusdaten evaluiert, wobei die Ergebnisse trotz mancher Ungenauigkeiten die Effektivität der Methoden bestätigten.