引用格式
徐承亮，张祥林，王大军. 机器学习耦合有限元分析预测板料气弯回弹行为[J]. 锻压技术.2022, 47(06): 107-112. 研究背景
气弯工艺参数和弯曲行为之间表现出高度复杂的非线性关系，且开发基于复杂工艺参数构建的非线性模型非常困难。目前的研究大多集中在回弹问题上，但回弹前的弯曲成形过程需要考虑，因为回弹与弯曲零件上的应力分布密切相关。 研究目的
考虑不同材料、工艺参数和模具几何形状， 有效和准确地预测工件的弯曲回弹行为。 研究方法
采用机器学习神经网络(NN) 耦合有限元分析 (FEA) 的方法，构建弯曲成形过程的非线性回弹模型。 研究思路（技术路线）
机器学习耦合有限元分析：机器学习神经网络模型 FEA数据集 
NN训练：在训练过程中，基于训练集的结果对NN节点之间的权重进行动态调整，使MSE值最小，在训练结束之后，将机器学习NN模型的计算结果与有限元分析(FEA)数据和回弹后分析解进行比较，以评价机器学习NN模型的性能。 
实物验证：该实验结果表明，有限元建模获得的数值求解结果具有良好的精度，进一步说明了有限元结果数据集用于预测冲头压下量(位移－弯曲角度)的机器学习NN模型的可靠性。 
研究结果
机器学习模型的预测值与回弹后分析解的均方根误差RMSE分别为0.28和1.70；神经网络模型可以在良好的预测精度和高效的求解速度之间达到最佳平衡。 论文意义
机器学习NN模型所获得的结果是有效和准确的，并且可以结合有限元模拟对气辅弯曲回弹加以控制。 论文评价
对于复杂的板料回弹等问题，目前的材料本构模型还不够完善，仅通过有限元方法，还难以预测。 采用机器学习NN模型，结合大数据，较好的预测板料回弹，并节省求解时间。 
