Page 83 - 无损检测2024年第七期

周 军，等：

多电磁方法检测方向对带钢力学性能预测影响的分析

图 6 5 块试件不同特征值随角度的变化曲线与极图
3.2 模型建立与评价
BP神经网络模型在信息处理和自我学习方面
表现出色，能够准确地识别系统输入向量与输出向
量间的非线性关联。网络的架构由输入层、隐藏层
和输出层3个主要部分组成，在这个结构中，输入层 图 7 BP 神经网络模型结构
和输出层各自只有一个，而隐含层则可以有多个，每 用了整个数据集。
均方根误差
一层都是由多个神经元构成的。 （2）
文章建立的BP神经网络模型的输入为41个电 均方根误差衡量了预测值与真实值之间的均方
磁特征参数，构建 3 个隐含层，每个隐含层的节点 根差异，表示预测值和真实值之间的平均偏差程度，
数为 10 个，层与层之间的激活函数分别为ReLu、 是回归任务中常用的性能评估指标之一。
Tanh、ReLu，输出为试验材料的单个力学性能，包 文章采用 10 折交叉验证，即将训练数据集中
括屈服强度和抗拉强度，具体结构如图7所示，模型 30块试件的检测数据，分成10份（每份3块试件数
的具体结构和参数在不同检测角度下均不改变。 据），训练模型并得到结果，计算每一份测试集样本
为了进一步分析每个检测角度模型的预测精 的均方根误差，然后进行模型的评价。
度，文章采用以下方法作为评估手段。 10折交叉验证后各个检测角度下对屈服强度和
K
（1） 折交叉验证 抗拉强度预测结果的平均均方根误差分布如图8所
将训练数据集划分为K个部分，并使用其中的 示。图中横坐标为检测角度，纵坐标为10份样本的
K-1部分进行训练，而剩下的部分则用于测试，最终 平均均方根误差，可以看出随着检测方向的变化，力
选择平均测试误差作为泛化误差。该方法确保了训 学性能预测的效果也随之变化，平均均方根误差表
练集中的每一个样本都将被视为训练数据，同时也 现出在试件轧制方向（0°，180°） 区域的值总体高于
为其提供了作为测试数据的机会，从而更有效地利 宽度（90°，270°） 方向的值。

45
2024 年 第 46 卷 第 7 期
无损检测