×
Sánchez Lasheras，F。;加西亚·尼托，P.J。;de Cos Juez，F.J。;维兰·维兰，J.A。

进化支持向量回归算法应用于硬镀铬工艺中铬层厚度的预测。 （英语） Zbl 1364.78040号

申请。数学。计算。 227, 164-170 (2014).
概述：硬铬电镀工艺旨在直接在金属零件上形成厚度为一些微米的硬耐磨铬涂层，而无需插入铜或镍层。由于阴极表面同时发生的析氢对铬沉积的影响，这是最困难的电镀工艺之一。镀铬的特点是具有高硬度和耐磨性，正是由于这些性能，它们可以应用于许多领域。硬铬板的耐腐蚀性取决于涂层的厚度、附着力和后者的微裂纹。这种微裂纹结构提供了层的最佳硬度。电沉积铬层分布不均匀：有一些区域，如锋利的边缘或点，沉积物高度突出，而孔或底切中几乎不存在沉积物。镀硬铬工艺是在恶劣环境中保护基材或改善基材表面性能的最有效方法之一。然而，在电镀行业中，电镀机面临着许多问题，常常在镀铬材料上取得不良结果。电镀行业最常见的问题是无光泽沉积、乳白色铬沉积、粗糙或砂质铬沉积以及厚度或硬度不足。最后，必须指出，涂层中的缺陷局部降低了涂层的耐腐蚀性，氢化铬的分解导致涂层中形成网状裂纹。这项创新性的研究工作使用进化支持向量回归算法预测硬铬电镀过程中铬层的厚度。进化支持向量机（ESVM）是一种新技术，它吸收了最先进的支持向量机的学习引擎，但通过进化算法（EA）进化决策函数的系数。从这个意义上讲，当前的研究重点是通过进化策略估计回归支持向量机技术（SVR）所需的超参数。将结果与作者在前一篇论文中获得的结果进行了简要比较，其中基于人工神经网络的模型是使用实验设计（DOE）进行调整的。

引用于1文件

MSC公司：

78立方米 神经和启发式方法在光学和电磁理论问题中的应用
68T05型 人工智能中的学习和自适应系统
78A57型 电化学

关键词：

镀硬铬工艺;回归支持向量机（SVR）;机器学习;进化算法（EA）;进化支持向量机

软件：

e1071号;R（右）;伦敦银行支持向量机;SoDA公司
PDF格式BibTeX公司 XML格式引用
\textit{F.Sánchez Lasheras}等人，应用。数学。计算。227164-170（2014年；Zbl 1364.78040）
全文： 内政部

参考文献：

[2] Sargent，G.J.，《电解铬》，美国电化学学会学报，37，479-497（1920）
[3] Udy，M.J.，Chromium（1956），Reinhold出版公司：Reinhoeld出版公司纽约
[4] Dennis，J.K。；Thouse，T.E.，《镀镍和镀铬》（1994），伍德黑德出版社：伍德黑特出版社，纽约
[5] Guffie，R.K.，《镀铬手册》（1986），加德纳出版有限公司：纽约加德纳出版社
[6] Lindsay，J.H.，《装饰和硬铬电镀、电镀和表面精加工》，90，22-24（2003）
[7] 施莱辛格，M。；Paunovich，M.，《现代电镀》（2000），Wiley-Interscience:Wiley-Interscience New York
[8] Sánchez Lasheras，F。；维兰·维兰，J.A。；García Nieto，P.J。；del Coz Díaz，J.J.，《利用实验设计改进神经网络模型以预测硬铬电镀过程中铬层的厚度》，《数学与计算机建模》，52，7-8，1169-1176（2010）
[9] Irvine，T.H.，《电镀溶液的化学分析》（2000），化学出版公司：纽约化学出版公司
[10] Kanani，N.，《电镀：基本原理、工艺和实践》（2005），爱思唯尔科学：阿姆斯特丹
[11] Ùlmez，T.，使用响应面方法优化电凝法还原和去除Cr（VI），危险材料杂志，1621371-1378（2009）
[12] Ortiz，M.J.，薄硬铬涂层对4140钢疲劳行为的影响，表面工程，20345-352（2004）
[13] Engelbrecht，A.P.，《计算智能：导论》（2007年），威利父子公司：新泽西州霍博肯威利父孙河街
[14] Friedrichs，F。；Igel，C.，多SVM参数的进化调整，神经计算，64，107-117（2005）
[15] Kazemian，H.B。；怀特，K。；Palmer Brown，D.，进化支持向量机在膜α螺旋预测中的应用，专家系统与应用，40，9，3412-3420（2013）
[16] Vapnik，V.，《统计学习理论》（1998），威利国际科学：威利国际科学，纽约·Zbl 0935.62007号
[17] 科尔特斯，C。；Vapnik，V.，支持向量网络，机器学习，20，3，273-297（1995）·Zbl 0831.68098号
[18] Smola，A.J。；Schölkopf，B.，《支持向量回归教程，统计与计算》，第14、3、199-222页（1998年）
[19] 阿尔瓦雷斯·安顿，J.C。；García Nieto，P.J。；de Cos Juez，F.J。；Sánchez Lasheras，F。；González Vega，M。；RoqueñíGutiérrez，M.N.，使用SVM技术的电池状态容量估计器，应用数学建模，37，9，6244-6253（2013）
[20] Vapnik，V.，统计学习理论概述，IEEE神经网络汇刊，1988-999（1999）
[21] 肖-泰勒，J。；Cristianini，N.，《模式分析的核心方法》（2004），剑桥大学出版社：剑桥大学出版社，纽约
[22] 斯坦瓦特，I。；Christmann，A.，支持向量机（2008），Springer:Springer New York·Zbl 1203.68171号
[23] Alpaydin，E.，《机器学习导论》（2004），麻省理工学院出版社：麻省理学院出版社纽约
[24] Goldberg，D.E.，《搜索、优化和机器学习中的遗传算法》（1989），Addison-Wesley:Addison-Whesley Reading，MA·Zbl 0721.68056号
[26] Fogel，D.B.，《模拟进化优化导论》，IEEE神经网络汇刊，5，1，3-14（1994）
[27] 姚明，X。；刘，Y。；Lin，G.，《进化编程变得更快》，IEEE进化计算汇刊，3，2，82-102（1999）
[28] Lee，C.Y。；Yao，X.，基于levy概率分布的变异进化编程，IEEE进化计算汇刊，8，1，1-13（2004）
[29] Salcedo-Sanz，S。；Ortiz-García，E.G。；Pérez-Bellido，上午。；Portilla-Figueras，A.，基于进化支持向量回归算法的短期风速预测，应用专家系统，38，4052-4057（2011）
[33] Chambers，J.M.，《数据分析软件：用R编程》（2008），Springer:Springer New York·Zbl 1180.62002号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。