基于BP神經(jīng)網(wǎng)絡(luò)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)

吳悠 潘建剛 廖明潮 張亮

摘要： 通過對(duì)電弧熔絲增材制造（Wire and arc additive manufacturing，WAAM）單道焊縫試驗(yàn)數(shù)據(jù)的分類整理，分析用戶需求和使用需要，基于python編程語言下的Django框架，采用B/S架構(gòu)開發(fā)了一個(gè)電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)。試驗(yàn)結(jié)果表明，該系統(tǒng)采用數(shù)據(jù)庫與算法預(yù)測(cè)模型結(jié)合的方式開發(fā)而成，主要設(shè)置了用戶權(quán)限管理、基本打印數(shù)據(jù)和焊縫形貌預(yù)測(cè)三大模塊，具有存儲(chǔ)擴(kuò)展打印試驗(yàn)數(shù)據(jù)功能和預(yù)測(cè)未知工藝參數(shù)下焊縫形貌的功能。不同的打印工藝方法引入不同的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用時(shí)數(shù)據(jù)庫系統(tǒng)自動(dòng)讀取庫內(nèi)已有的算法模型或根據(jù)已有的試驗(yàn)數(shù)據(jù)訓(xùn)練新的模型，之后錄入試驗(yàn)數(shù)據(jù)會(huì)自動(dòng)對(duì)模型重新訓(xùn)練，實(shí)現(xiàn)隨數(shù)據(jù)庫內(nèi)試驗(yàn)數(shù)據(jù)擴(kuò)展或修正自動(dòng)適應(yīng)的參數(shù)預(yù)測(cè)，能夠預(yù)測(cè)未知工藝參數(shù)下的焊縫形貌尺寸。最后，基于MIG工藝設(shè)計(jì)了1組驗(yàn)證試驗(yàn)對(duì)數(shù)據(jù)庫的預(yù)測(cè)功能效果進(jìn)行檢驗(yàn)，熔寬預(yù)測(cè)誤差為1.3%，余高預(yù)測(cè)誤差為1.5%，說明了數(shù)據(jù)庫系統(tǒng)預(yù)測(cè)功能的可行性。

關(guān)鍵詞： 數(shù)據(jù)庫; 電弧熔絲增材制造; 打印工藝; 焊縫形貌預(yù)測(cè); BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TG 44

Database system of wire and arc additive manufacturing based on BP neural network

Wu You1， Pan Jiangang2， Liao Mingchao1， Zhang Liang3

（1. Wuhan Polytechnic University， Wuhan 430023， China；2. Xian Shiyou University， Xian 710065， China； 3. Shenzhen Polytechnic， Institution of Intelligent Manufacturing Technology， Shenzhen 518055， Guangdong， China）

*源文獻(xiàn)：? 吳悠， 潘建剛， 廖明潮， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)［J］. 焊接， 2022（11）： 35-39.

Abstract： Based on the classification of single pass weld experiments data of wire arc additive manufacturing， this paper analyzes the needs of users and uses them. Based on the Django framework under python programming language， a database system of wire and arc additive manufacturing is developed with B/S architecture. The system is developed by the combination of database and algorithm prediction model. It mainly sets three modules： user authority management， basic experiments data management and weld geometry prediction. It has the function of storing and expanding printing experiment data and predicting weld geometry under unknown welding process parameters. Different printing process methods introduce different BP neural network structures. When in use， the database system automatically reads the existing algorithm model in the database or trains a new model according to the existing experimental data. After entering the experimental data， the model will be retrained automatically， so as to realize the parameter prediction automatically adapted with the expansion or correction of the experimental data in the database， it can predict the weld geometry and size under unknown process parameters. Finally， a set of validation tests are designed based on MIG process to test the effect of the prediction function of the database. The prediction error of melt width is 1.3% and the prediction error of reinforcement is 1.5%， which shows the feasibility of the prediction function of the database system.

Key words： ?database； wire and arc additive manufacturing； welding process； geometry prediction； BP neural network

0 前言

電弧熔絲增材制造工藝是一種基于實(shí)體3D模型，采用逐層沉積方式“從無到有”制造實(shí)體工件的技術(shù)，其應(yīng)用涉及航空航天、機(jī)械制造、土木工程等眾多領(lǐng)域。電弧熔絲增材制造工藝是基于傳統(tǒng)的電弧焊接技術(shù)而發(fā)展起來的一種3D打印技術(shù)，具有熱輸入高、成形速度快、材料利用率高等特點(diǎn)，尤其適合中等復(fù)雜程度、大型工件的快速制造。在電弧熔絲增材制造分層沉積過程中，單道焊縫的幾何形狀對(duì)金屬零件的層厚、表面質(zhì)量和尺寸精度有關(guān)鍵影響［1］。焊絲成分、保護(hù)氣體、工藝參數(shù)（電流、電壓、掃描速度）等因素對(duì)單道焊縫成形有至關(guān)重要的影響。因此，在探索不同金屬材料的成形參數(shù)的過程中，必然會(huì)產(chǎn)生大量的試驗(yàn)數(shù)據(jù)，針對(duì)這些試驗(yàn)數(shù)據(jù)的分析、管理及應(yīng)用，并基于少量試驗(yàn)數(shù)據(jù)的工藝—成形預(yù)測(cè)，對(duì)于獲得較優(yōu)的工藝參數(shù)及成形構(gòu)件尤其重要。因此，開發(fā)一款針對(duì)電弧增材制造技術(shù)的數(shù)據(jù)庫系統(tǒng)顯得十分必要。

許多研究者針對(duì)焊接數(shù)據(jù)庫系統(tǒng)做了大量的工作，這些焊接數(shù)據(jù)庫的設(shè)計(jì)開發(fā)一般可分為兩類，第一類是數(shù)據(jù)庫對(duì)焊接工藝參數(shù)、焊接流程、人員等基本信息進(jìn)行分類儲(chǔ)存，操作人員在數(shù)據(jù)庫中可直接定位檢索目的信息，如胡志鵬［2］設(shè)計(jì)的焊接工藝數(shù)據(jù)庫，可以將焊接的工藝參數(shù)錄入到數(shù)據(jù)庫系統(tǒng)中并對(duì)數(shù)據(jù)進(jìn)行基本的增刪改查，榮佑珍等人［3］開發(fā)的航空專用焊接數(shù)據(jù)庫及專家系統(tǒng)，可輔助焊接工藝文件的管理，陳振林等人［4］采用B/S架構(gòu)開發(fā)了應(yīng)用于航空發(fā)動(dòng)機(jī)焊接零件的焊接工藝資源數(shù)據(jù)庫系統(tǒng)，焊接數(shù)據(jù)庫系統(tǒng)涵蓋了焊接基礎(chǔ)數(shù)據(jù)庫、焊接參數(shù)數(shù)據(jù)庫、材料焊接性能數(shù)據(jù)庫和典型零件案例庫，促進(jìn)了焊接知識(shí)自動(dòng)化水平的提高；第二類是在傳統(tǒng)數(shù)據(jù)庫的基本信息儲(chǔ)存功能上加入了推理、經(jīng)驗(yàn)公式、回歸模型等方法對(duì)數(shù)據(jù)庫中沒有錄入的位置參數(shù)進(jìn)行預(yù)測(cè)，如馮允宣等人［5-6］設(shè)計(jì)的中厚板焊接數(shù)據(jù)庫，不僅能夠?qū)崿F(xiàn)參數(shù)信息的基本增刪改查操作，還引入了BP神經(jīng)網(wǎng)絡(luò)建立了板材厚度與焊接參數(shù)之間的映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，一些學(xué)者將BP神經(jīng)網(wǎng)絡(luò)引入到電弧增材制造工藝的開發(fā)中［7-8］，然而目前關(guān)于電弧增材參數(shù)數(shù)據(jù)庫的相關(guān)研究仍然相對(duì)匱乏。

文中開發(fā)的數(shù)據(jù)庫系統(tǒng)實(shí)現(xiàn)了對(duì)試驗(yàn)數(shù)據(jù)的基本管理，主要用于儲(chǔ)存金屬材料種類，氣體種類，基板種類，打印工藝方法及打印工藝參數(shù)，單道焊縫形貌等基本信息，針對(duì)電弧熔絲增材試驗(yàn)中使用的各類焊接工藝，引入BP神經(jīng)網(wǎng)絡(luò)建立打印參數(shù)與單道焊縫形貌的映射關(guān)系，實(shí)現(xiàn)對(duì)未錄入打印參數(shù)下焊縫形貌的預(yù)測(cè)，并賦予模型實(shí)時(shí)更新功能，即使后續(xù)修改了數(shù)據(jù)庫中的試驗(yàn)數(shù)據(jù)信息，也確保了模型預(yù)測(cè)能力的準(zhǔn)確性。用戶只需選擇材料、基板種類、保護(hù)氣種類、打印工藝方式及打印工藝參數(shù)即可自動(dòng)調(diào)用算法模型預(yù)測(cè)出該參數(shù)下的焊縫形貌。該數(shù)據(jù)庫系統(tǒng)不僅將已有試驗(yàn)數(shù)據(jù)進(jìn)行完整備份，并進(jìn)一步開發(fā)了已有試驗(yàn)數(shù)據(jù)的預(yù)測(cè)價(jià)值，大大節(jié)省了工藝開發(fā)的周期和成本。

1 系統(tǒng)總體設(shè)計(jì)

文中所開發(fā)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)擁有三大功能模塊：用戶權(quán)限管理模塊，基礎(chǔ)數(shù)據(jù)信息模塊，焊縫形貌預(yù)測(cè)模塊。用戶權(quán)限管理模塊將管理員用戶和普通用戶進(jìn)行分級(jí)管理以賦予不同權(quán)限?；A(chǔ)數(shù)據(jù)信息模塊用于分類管理已有的試驗(yàn)數(shù)據(jù)信息，并將試驗(yàn)數(shù)據(jù)分類型實(shí)時(shí)地傳遞到焊縫形貌預(yù)測(cè)模塊。焊縫形貌預(yù)測(cè)模塊將基礎(chǔ)數(shù)據(jù)信息模塊傳遞的試驗(yàn)數(shù)據(jù)自動(dòng)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模并預(yù)測(cè)單道焊縫形貌的熔寬和余高。電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)的總體結(jié)構(gòu)及相互依賴關(guān)系如圖1所示。文中基于前期試驗(yàn)獲得的低碳鋼，不銹鋼和鋁合金等單道成形試驗(yàn)數(shù)據(jù)，通過開發(fā)電弧熔絲增材制造數(shù)據(jù)庫實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)和焊縫形貌（熔寬和余高）預(yù)測(cè)。

2 系統(tǒng)功能設(shè)計(jì)及實(shí)現(xiàn)

電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)采用B/S架構(gòu)，開發(fā)過程使用前后端分離模式，后端使用python編程語言下的Django框架進(jìn)行開發(fā)，前端使用Vue框架進(jìn)行頁面UI搭建，數(shù)據(jù)庫使用MySQL作為主要關(guān)系型數(shù)據(jù)庫存儲(chǔ)基礎(chǔ)數(shù)據(jù)模塊的試驗(yàn)數(shù)據(jù)信息，采用Redis作為緩存數(shù)據(jù)庫用于存儲(chǔ)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)重等信息。Django引入了ORM的概念，可以連接到MySQL數(shù)據(jù)庫中操作數(shù)據(jù)。用戶從前端發(fā)來對(duì)數(shù)據(jù)的操作請(qǐng)求后，由Django后端接受到請(qǐng)求，后端選擇先到緩存中獲取數(shù)據(jù)并進(jìn)行處理，若是緩存沒有獲得數(shù)據(jù)再到數(shù)據(jù)庫中對(duì)數(shù)據(jù)進(jìn)行操作，最后將處理好的數(shù)據(jù)封裝傳遞回前端，由前端動(dòng)態(tài)的渲染到用戶頁面上。

2.1 用戶權(quán)限管理模塊設(shè)計(jì)

用戶的權(quán)限分級(jí)分為管理員用戶與普通用戶，普通用戶可以根據(jù)前端注冊(cè)，管理員權(quán)限只能夠通過后臺(tái)系統(tǒng)賦予。該系統(tǒng)賦予管理員用戶最高權(quán)限，可以對(duì)整個(gè)數(shù)據(jù)庫的所有信息、模型預(yù)測(cè)算法內(nèi)容等進(jìn)行增刪修改；僅賦予普通用戶對(duì)庫內(nèi)試驗(yàn)數(shù)據(jù)的檢索權(quán)以及焊縫形貌的預(yù)測(cè)權(quán)。

2.2 基礎(chǔ)數(shù)據(jù)信息模塊設(shè)計(jì)

基礎(chǔ)數(shù)據(jù)信息模塊主要由絲材、基板、保護(hù)氣體、工藝方法及打印參數(shù)、焊縫形貌等基本信息組成，用于存儲(chǔ)試驗(yàn)數(shù)據(jù)，如圖2所示。后臺(tái)數(shù)據(jù)儲(chǔ)存是依靠關(guān)系型數(shù)據(jù)庫數(shù)據(jù)存儲(chǔ)模式的表格制成，通過表格中字節(jié)之型間進(jìn)行關(guān)聯(lián)。由于電弧熔絲增材制造涉及多種工藝，每種工藝設(shè)置的打印參數(shù)種類也不甚相同。因此，對(duì)于打印工藝表的設(shè)計(jì)，需要引入“多態(tài)”的概念［9］，具體設(shè)計(jì)過程：每種工藝方法及該工藝方法下設(shè)置的工藝參數(shù)標(biāo)簽及數(shù)據(jù)都單獨(dú)地創(chuàng)建成一張表；另外建立一個(gè)中間關(guān)聯(lián)表將工藝方法和該工藝方法下的具體某一組參數(shù)關(guān)聯(lián)起來，就可實(shí)現(xiàn)用戶界面工藝方法及打印參數(shù)展示的簡潔，在此基礎(chǔ)上進(jìn)一步設(shè)置了工藝方法增加擴(kuò)展功能，需要添加新的工藝只需再創(chuàng)建一張表，表中存儲(chǔ)該工藝對(duì)應(yīng)的參數(shù)即可，這樣的設(shè)計(jì)極大地節(jié)省了存儲(chǔ)空間，并增加了該數(shù)據(jù)庫系統(tǒng)的擴(kuò)展性。該模塊關(guān)系表實(shí)體聯(lián)系圖（E-R圖）如圖3所示，E-R圖描述本數(shù)據(jù)庫系統(tǒng)內(nèi)各項(xiàng)數(shù)據(jù)實(shí)體之間的關(guān)系以及每張數(shù)據(jù)表的具體表字段。

2.3 焊縫形貌預(yù)測(cè)模塊設(shè)計(jì)

基于基礎(chǔ)數(shù)據(jù)信息模塊已錄入的試驗(yàn)數(shù)據(jù)，焊縫形貌預(yù)測(cè)模塊結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法模型對(duì)焊縫形貌進(jìn)行了預(yù)測(cè)，設(shè)計(jì)示意圖如圖4所示。不同工藝方法下設(shè)置的打印參數(shù)種類也不相同，相應(yīng)地，BP神經(jīng)網(wǎng)絡(luò)算法的模型結(jié)構(gòu)也不相同。在預(yù)測(cè)過程中，根據(jù)已有的試驗(yàn)數(shù)據(jù)，選擇對(duì)焊縫形貌影響較大的參數(shù)用于算法預(yù)測(cè)，而不是將所有參數(shù)都用于模型預(yù)測(cè)，避免影響模型的預(yù)測(cè)準(zhǔn)確度。文中所涉及到的焊接工藝均基于SKS焊機(jī)系統(tǒng)研發(fā)，但數(shù)據(jù)庫系統(tǒng)仍可適用于其他焊機(jī)下的焊接工藝，針對(duì)該焊機(jī)系統(tǒng)的MIG工藝及MIG-CC工藝，焊縫形貌預(yù)測(cè)模塊使用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

MIG工藝的熔滴過渡為脈沖熔滴過渡與短路熔滴過渡相結(jié)合的方式，其對(duì)應(yīng)的工藝參數(shù)中脈沖序列決定了單位時(shí)間內(nèi)的脈沖數(shù)，每一次脈沖都會(huì)產(chǎn)生熔滴過渡，效率更高，MIG-CC工藝為SKS焊機(jī)特有的工藝，其熔滴過渡方式為短路熔滴過渡，因此只用通過調(diào)整電流即會(huì)較大程度的改變?nèi)鄣芜^度的速度。

由于只選出了對(duì)焊縫形貌影響程度較大的參數(shù)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元不多，不需要使用復(fù)雜的網(wǎng)絡(luò)將數(shù)據(jù)庫的數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，需要將數(shù)據(jù)進(jìn)行歸一化處理， 這樣做的目的是將一個(gè)數(shù)據(jù)范圍轉(zhuǎn)換為表示數(shù)據(jù)特征的另一個(gè)數(shù)據(jù)范圍，以確保每個(gè)焊接參數(shù)對(duì)網(wǎng)絡(luò)的影響相同，并適應(yīng)由神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)計(jì)算的值。數(shù)據(jù)處理后，所有的訓(xùn)練數(shù)據(jù)歸一化到閉合區(qū)間［0，1］內(nèi)，即

xnorm=x-xminxmax-xmin（1）式中：x為各個(gè)工藝參數(shù)的值，通過式（1）將所有輸入工藝參數(shù)在訓(xùn)練前歸一化到［0，1］內(nèi)。

隱藏層神經(jīng)元是神經(jīng)網(wǎng)絡(luò)擬合任何非線性關(guān)系的關(guān)鍵點(diǎn)。神經(jīng)元中的激活函數(shù)會(huì)扭曲輸入和輸出之間的線性關(guān)系，從而使網(wǎng)絡(luò)模型能夠逼近任何復(fù)雜的映射關(guān)系。訓(xùn)練過程中，所有神經(jīng)元的激活函數(shù)選擇sigmoid函數(shù)，反向傳播過程中使用Adam作為優(yōu)化器，相較于使用隨機(jī)梯度下降，Adam優(yōu)化器不容易陷入局部最小值［10］，損失值函數(shù)選擇平均絕對(duì)誤差公式用于評(píng)定神經(jīng)網(wǎng)絡(luò)的性能，即

ER=|ypred-ytrue|ytrue×100%（2）

式中：ypred表示神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值；ytrue表示數(shù)據(jù)的原始值。之后基于Tensorflow框架進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的搭建，以MIG工藝為例，使用一層循環(huán)調(diào)整隱藏層的神經(jīng)元個(gè)數(shù)，最后確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-12-2時(shí)損失值最小。

神經(jīng)網(wǎng)絡(luò)模型會(huì)根據(jù)數(shù)據(jù)庫中的信息， 將不同條件下的工藝參數(shù)數(shù)據(jù)進(jìn)行模型訓(xùn)練，并將訓(xùn)練過后神經(jīng)網(wǎng)絡(luò)的參數(shù)存儲(chǔ)記錄在服務(wù)器端的緩存數(shù)據(jù)庫，當(dāng)普通用戶使用預(yù)測(cè)功能時(shí)，不需要等待神經(jīng)網(wǎng)絡(luò)重新訓(xùn)練，直接加載對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)模型與模型參數(shù)即可，當(dāng)數(shù)據(jù)庫中原始數(shù)據(jù)發(fā)生較大變化時(shí)，系統(tǒng)內(nèi)部會(huì)重新對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并重新記錄緩存模型參數(shù)。

為驗(yàn)證焊縫形貌預(yù)測(cè)功能的準(zhǔn)確度，額外進(jìn)行驗(yàn)證試驗(yàn)，驗(yàn)證試驗(yàn)的具體打印參數(shù)見表1。使用數(shù)據(jù)庫系統(tǒng)預(yù)測(cè)功能得出的結(jié)果是焊縫寬度的預(yù)測(cè)誤差為1.3%，焊縫余高的誤差為1.5%。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)算法可以很好地?cái)M合焊接工藝參數(shù)與焊縫形貌之間的關(guān)系，并且可以實(shí)現(xiàn)高精度的焊縫形貌預(yù)測(cè)效果。

3 結(jié)論

（1）文中開發(fā)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)，實(shí)現(xiàn)了不同工藝方法下工藝方法與焊縫形貌的試驗(yàn)數(shù)據(jù)分類管理以及預(yù)測(cè)功能，并保留了數(shù)據(jù)庫的擴(kuò)展功能，降低試驗(yàn)成本，實(shí)現(xiàn)了電弧增材試驗(yàn)數(shù)據(jù)的信息化管理。

（2）引入BP神經(jīng)網(wǎng)絡(luò)算法，賦予焊縫形貌預(yù)測(cè)模型實(shí)時(shí)更新功能，充分開發(fā)已有試驗(yàn)數(shù)據(jù)的信息價(jià)值，實(shí)現(xiàn)對(duì)未知工藝參數(shù)下焊縫形貌的高精度預(yù)測(cè)，驗(yàn)證試驗(yàn)焊縫寬度的預(yù)測(cè)誤差為1.5%，焊縫余高的誤差為5%。

參考文獻(xiàn)

［1］ Xiong J， Zhang G， Hu J，? et al. Bead geometry prediction for robotic GMAW-based rapid manufacturing through a neural network and a second-order regression analysis［J］. Journal of Intelligent Manufacturing，? 2014，? 25（1）：157-163.

［2］ 胡志鵬. 基于B/S模式的焊接工藝管理系統(tǒng)［D］. 南昌：南昌航空大學(xué)， 2012.

［3］ 榮佑珍， 劉仁培， 魏艷紅. 航空專用焊接數(shù)據(jù)庫及專家系統(tǒng)［J］. 航空制造技術(shù)， 2017（12）：43-47.

［4］ 陳振林， 張玉蓮， 苑興楠， 等. 航空發(fā)動(dòng)機(jī)焊接工藝資源數(shù)據(jù)庫系統(tǒng)開發(fā)［J］. 機(jī)械制造文摘——焊接分冊(cè)， 2020（4）：1-5.

［5］ 張兆棟， 馮允宣， 祝美麗， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的中厚板焊接數(shù)據(jù)庫系統(tǒng)設(shè)計(jì)［J］. 焊接設(shè)備與材料， 2021， 50（5）：107-110.

［6］ 馮允宣. 中厚板高效平位置焊接工藝研究及焊接數(shù)據(jù)庫的建立［D］. 大連：大連理工大學(xué)， 2021.

［7］ Hu Z， Qin X， Li Y， et al. Welding parameters prediction for arbitrary layer height in robotic wire and arc additive manufacturing［J］. Journal of Mechanical Science and Technology， 2020， 34（4）： 1683-1695.

［8］ Xia C， Pan Z， Polden J， et al. Modelling and prediction of surface roughness in wire arc additive manufacturing using machine learning［J］. Journal of Intelligent Manufacturing， 2022， 33（5）： 1467-1482.

［9］ 劉晶東， 趙棟梁， 劉達(dá). 基于多態(tài)的自然資源數(shù)據(jù)庫研究［J］. 測(cè)繪與空間地理信息， 2020， 43（S1）：68-69.

［10］ 王建輝， 冉金鑫， 沈瑩瑩， 等. 基于GA-ADAM優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)灌水量預(yù)測(cè)模型［J］. 中國農(nóng)村水利水電， 2022（4）：138-143.

吳悠簡介： 碩士研究生；主要從事電弧增材制造及深度學(xué)習(xí)的研究；472624271@qq.com。

張亮簡介： 通信作者， 博士， 副研究員；主要從事金屬增材制造的研究；已發(fā)表論文20余篇；zhangliang@szpt.edu.cn。