基于机器学习的飞秒激光加工微坑阵列特征预测

微坑阵列结构具有耐磨损、抗腐蚀、提高生物相容性与抗菌性等特点,应用十分广泛。飞秒激光独特的超快加工效应使其在高质量微坑加工中独具优势。应用随机森林回归(RFR)算法和人工神经网络(ANN)算法对飞秒激光加工的微坑阵列几何形状和质量进行了预测,分析了激光加工参数对微坑的直径、深度和表面粗糙度(Ra)的影响。通过均方根误差、确定系数以及平均绝对误差对RFR与ANN 2种模型的预测能力进行了评估。结果显示:ANN模型的整体预测准确率相比RFR略高一些,R^(2)值为0.81,直径、深度、粗糙度预测的R^(2)分别为0.67、0.79、0.85。利用数据增强方法对数据集进行了扩增,ANN模型的准确率进一步提高,整体R^(2)为0.91,直径、深度、粗糙度预测的R^(2)分别为0.81、0.91、0.95。研究结果表明,ANN模型在飞秒激光加工微坑阵列的预测中相比RFR具有更优异的预测性能,且随着数据量的增加,这种优势更加明显,也进一步验证了ANN模型的潜力。