热加工工艺

Hot Working Technology

ISSN 1001-3814,CN 61-1133/TG

《热加工工艺》网络首发论文

题目： 基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测
作者： 沈轲，彭倚天
DOI： 10.14158/j.cnki.1001-3814.20230752
收稿日期： 2023-03-24
网络首发日期： 2024-07-15
引用格式： 沈轲，彭倚天．基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测
[J/OL]．热加工工艺. https://doi.org/10.14158/j.cnki.1001-3814.20230752

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）
》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）
》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2024-07-15 15:45:03
网络首发地址：https://link.cnki.net/urlid/61.1133.TG.20240711.1721.001

热加工工艺 ISSN1001-3814
Hot Working Technology CN61-1133/TG

DOI: 10.14158/j. cnki. 1001-3814. 20230752

http://www.rjggy.net rjggy@vip.163.com

基于机器学习的铜/石墨烯复合材料
摩擦磨损性能预测
沈 轲, 彭倚天
(东华大学 机械工程学院 , 上海 201620)

摘 要：基于传统方法的铜 / 石墨烯复合材料制备工艺参数的确定耗时耗力，引入机器学习模型来替代传统方法，
利用已知的工艺参数就可进行铜 / 石墨烯复合材料的摩擦磨损性能快速预测。 首先通过改变石墨烯含量、球磨时间和
实验载荷，获取了 56 组摩擦系数和磨损率数据；其次采用广义回归神经网络、反向传播神经网络、支持向量回归机和随
机森林等方法建立铜 / 石墨烯复合材料的摩擦系数和磨损率预测模型；最后对模型进行性能评估。 研究结果表明：广义
回归神经网络摩擦系数预测模 型 的 决 定 系 数 达 到 93% ，磨 损 率 预 测 模 型 的 决 定 系 数 达 到 88% ，与 其 他 3 种 模 型 相 比 ，
广义回归神经网络模型拥有较高的精度，为铜 / 石墨烯复合材料摩擦磨损性能的预测提供了参考。
关键词：石墨烯；复合材料；球磨时间；摩擦磨损性能；机器学习
中图分类号：TB333.1+2 文献标识码：A

Prediction of Friction and Wear Properties of Copper/Graphene

Composite Based on Machine Learning
SHEN Ke, PENG Yitian
(College of Mechanical Engineering, Donghua University, Shanghai 201620, China)
Abstract ：The determination of process parameters for preparation of copper/graphene composites based on traditional
methods is time-consuming and labor-intensive. Instead of traditional methods, machine learning models were introduced,
known process parameters were used to quickly predict the friction and wear properties of copper/graphene composites.
Firstly, 56 sets of friction coefficient and wear rate data were obtained by changing the content of graphene, ball milling time,
and experimental load; secondly, the prediction models for friction coefficient and wear rate of copper/graphene composites
were established using generalized regression neural network, back propagation neural network, support vector regression
machine and random forest methods; finally, the performance of the models was evaluated. The research results show that the
determination coefficient of the generalized neural network prediction model of friction coefficient reaches 93% , and the
prediction model determination coefficient of wear rate is as high as 88% . Compared with the other three models, the
generalized regression neural network model has higher accuracy. It provides a reference for predicting the friction and wear
properties of copper/graphene composites.
Key words ：graphene; composites; milling time; friction and wear properties; machine learning

铜因其高导电和高导热性能而被广泛用于交通 中加入适量的固体润滑剂。 石墨烯具有出色的润滑

运输、航空航天、军事等行业，但较差的摩擦磨损性 性能 [1]，是一种优秀的固体润滑剂。 已经有研究人员
能限制其应用。为了改善铜的耐磨减摩性能，有效途 将 石 墨 烯 加 入 到 金 属 铜 中 [2]，获 得 了 优 异 的 导 电 导
径之一就是制备铜基自润滑复合材料， 即在铜基体 热以及摩擦学性能的铜 / 石墨烯复合材料 [3]。 基于传
统方法的铜 / 石墨烯复合材料在研制过程中， 工艺
收稿日期 :2023-03-24 参数主要依靠经验进行设计。 在铜 / 石墨烯复合材
作者简介 : 沈轲 (1997- ), 男 , 浙江绍兴人 , 硕士研究生 , 主要研究方向为
料制备成形后， 通过摩擦磨损实验测定其摩擦学性
铜基石墨烯复合材料的摩擦性能预测 ;
能，再继续重复以上步骤，以找出最佳工艺参数。 这
E-mail:keshen@mail.dhu.edu.cn
通讯作者 :彭倚天 (1977- ), 男 , 湖南双峰人 , 教授 , 博士 , 主要研究方向为 一过程耗时耗力，亟需寻找一种不需要实验，仅利用
高性能复合材料制备 ;E-mail:yitianpeng@dhu.edu.cn 已知的工艺参数就可以进行铜 / 石墨烯复合材料的

Hot Working Technology
摩擦磨损性能快速预测的方法。
铜基复合材料的摩擦磨损性能受到多方面因素
的影响，包括固体润滑剂含量、制备工艺及工况条件
[4]
等 。 为了探讨多参数间的相互关系，可采用数据驱
动的方式。 在材料摩擦学研究中，需要获取、处理和
利用大量数据，这些数据涉及表面特性、摩擦、磨损
和材料等方面。因此，有必要选择合适的数据分析方
法和模型建立方法，以提高数据的利用率和准确性。
如今， 机器学习作为一种新的科学研究手段得到越
[5]
来越广泛的应用。 最近摩擦信息学被提出 ，并用它
来研究铜基复合材料 [6]。 利用数据驱动的机器学习
方法， 成功地建立了铜基复合材料摩擦磨损性能与
固体润滑剂含量、 制备工艺以及摩擦磨损实验条件
[7]
之间复杂的高阶相关性 。
高效的机器学习技术具有非线性和自适应性等
特点，能够有效地解决多因素、复杂性、随机性和非线
性的工程问题，在预测材料摩擦磨损性能方面得到了
广泛应用。 为了预测摩擦系数和磨损量，Cetinel 采用
反向传播神经网络（back-propagation neural network ，
BPNN）方法构建摩擦系数和磨损量的预测模型，其
中，实验载荷及润滑条件作为输入值，摩擦系数和磨
损 量 作 为 输 出 值 ， 训 练 BPNN 模 型 。 经 过 训 练 的
BPNN 模型能够较好地预测出 Al2O3-TiO2 涂层在各
种载荷及各种润滑情况下的摩擦系数和磨损量，从
而可以在无需摩擦磨损实验的情况下， 迅速预测出
所需摩擦磨损实验载荷及润滑条件下的摩擦系数及
[9]
磨损量。 Yang 等 分别利用 BPNN 和广义回归神经
网 络 （generalized regression neural network ，GRNN）
对高速钢衬底上 Cr1-xAlxC 薄膜的摩擦系数进行了
预测，结果表明，相对于常规 BPNN 模型，GRNN 模
型可以准确地建立摩擦系数随工艺参数变化的模
型，且预测值的精度高，平均误差在 ±0.97% 。 Hasan
[10]
等 成功地用多种机器学习算法对铝 / 石墨复合材
料的摩擦磨损性能进行了预测， 经过训练的机器学
习模型能够在铝 / 石墨复合材料测试集上对其摩擦
磨损性能进行精确预测。
目前， 关于铜 / 石墨烯复合材料的摩擦磨损性
能预测的报道很少。 本研究以铜 / 石墨烯复合材料
为研究对象，以球磨和冷压烧结为制备工艺，设计并
制备了不同石墨烯含量和球磨时间处理后的铜 / 石
墨烯复合材料样品， 并在不同的实验载荷下进行了
摩擦磨损实验， 以获得样品的摩擦系数和磨损率数
热加工工艺
据。利用随机化和归一化技术对数据进行预处理，以
提高预测效果和效率。 采用 GRNN、BPNN、支持向
量回归机（support vector regression machine ，SVR）和
随机森林（random forest ，RF）等 4 种算法对铜 / 石墨
烯复合材料的摩擦 系数和磨损率进行建模和预测，
并利用多种评价方式对模型进行性能评估。 建立机
器学习模型的过程可以分为 4 个阶段：数据收集、数
据预处理、构建模型和模型验证，本文即按照此顺序
进行介绍。
1 数据收集
1.1 铜/石墨烯复合材料样品制备
本实验所用的铜粉形状近似球形或椭球形，粒
径介于 5～10 μm ，纯度超过 99.9% 。 石墨烯是采用
物理剥离法进行制备的。 该石墨烯的层数可达 1～3
层，粒度为 7～12 μm ，含碳量达到 98% ，具有薄厚度
和结构缺陷少的优良特性。
[8]
为得到目标质量分数的铜 / 石墨烯复合材料样
品，首先在烧杯中分别加入 0.01、0.02、0.03 和 0.04 g
石墨烯粉末，在其中加入少量无水乙醇，并超声分散
处理 1 h ； 其次， 往对应烧杯中添加 4.99、4.98、4.97
和 4.96 g 的 铜 粉 ，均 匀 混 合 ，放 入 MITR-QMQX-1L
球磨机中；最后，将复合材料粉末放入 70 ℃ 的 真空
恒 温 干 燥 箱 中 干 燥 ， 获 得 石 墨 烯 含 量 分 别 为 0.2、
0.4、0.6 和 0.8 wt%的铜 / 石墨烯复合材料粉末。球磨
过程中，球磨转速、球料比、球磨时间作为首要的球
磨工艺参数 [11]。 在本实验中，将球磨时间设为 2、4、6
和 8 h，把 其 他 球 磨 参 数 设 为 定 值 ，球 磨 速 度 为 250
r/min ，球料比为 10∶ 1。
在烧结炉中对制得的铜 / 石墨烯复合材料粉末
进行还原处理，还原时间 2 h ，并注入氩气及氢气，再
进行压制烧结， 最后将得到的铜 / 石墨烯复合材料
块体进行抛光处理，以完成制备过程。该材料具体制
作流程如图 1 所示。
1.2 摩擦磨损实验
摩 擦 磨 损 实 验 是 在 HSR-2M 高 速 往 复 摩 擦 试
验机上完成的， 主要测定铜 / 石墨烯复合材料的摩
擦系数和磨损率。 实验参数设定为：往复行程 5 mm ，
速 度 50 r/min ，载 荷 1、2、3 和 4 N，实 验 时 间 10 min ，
干摩擦条件下测试样品的摩擦系数和磨损率。 上摩
擦副是直径为 2 mm 的黄铜球（硬度 65 HV），下摩擦
副是铜 / 石墨烯复合材料样品，其直径为 14 mm ，厚
 热加工工艺
Hot Working Technology

还原 3 构建模型
本 实 验 使 用 Matlab R2018b 构 建 了 GRNN、

铜 / 石墨烯复合材料粉末 冷压
生胚 BPNN、SVR 和 RF 算 法模型。 其中 ，GRNN 具有较
强的抗外界干扰能力、优异的拟合能力、快速收敛和
自我学习能力，特别适用于小样本或不稳定数据 [12]。
BPNN 是最具代表性的机器学习算法， 其基本单元
[13]
是神经元 ， 可以有效处理内部机制复杂的问题。
不同石墨烯含量和球磨时间 高温烧结 SVR 的目标是最小化结构风险的损失，其核函数实
制得的样品
现了从输入空间到高维空间的转换， 从而改善了预
图 1 石墨烯铜基复合材料的制作流程
Fig.1 Production process of graphene copper matrix 测的效果。 RF 抗过度拟合能力较强并且十分稳定，
composites
仅在一半以上基分类器发生错误时才会发生错误预
度为1.4 mm 。 为了确保接触条件一致，所有待测样品 判[14]。 为了评估模型的优劣，本文采用平均绝对误差
在 实 验 前 要 按 顺 序 用 800～2000 目 碳 化 硅 砂 纸 抛 （average absolute error ，MAE ）、 均 方 根 误 差 （root
光，再经过丙酮超声波清洗，磨球也要用丙酮超声清 mean square error ，RMSE） 和 决 定 系 数 （coefficient of
洗，清除表面油污。 determination ，R2） 来 评 估 结 果 。 MAE、RMSE 值 越
1.3 实验数据 低，预测结果越接近真实值，R2 值越接近 1，表明 拟
通过改变石墨烯含量、 球磨时间及实验载荷进 合效果越好。
行摩擦磨损实验，对实验数据进行分析和整理，剔除 图 2 显示了在训练阶段预测的摩擦系数和磨损
异常数据后，获取 56 组不同变量对应的摩擦系数和 率与相应实验数据之间的关系。 图中的横轴是实验
磨损率数据，如表 1 所示。 值 ，纵 轴 是 预 测 值 ，理 想 线 段 为 截 距 为 0，斜 率 为 1
表 1 实验数据 的线段。散点越接近理想线段，表明该模型对摩擦磨
Tab.1 Experimental data
损性能预测的精度越高。 如图 2 和图 3 所示，GRNN
样本 石墨烯含 球磨时间 实验载荷 摩擦系数 磨损率
序号 量 (wt%) /h /N 均值 /(10-4 mm3·m-1) 模型在训练阶段中表现最佳。
1 0.2 2 2 0.222 4.93 表 2 列出了训练阶段 4 种机器学习模型的
2 0.2 2 3 0.219 20.40 MAE、RMSE 和 R2 值。 GRNN 模型的性能最优，其摩
3 0.2 4 1 0.322 0.80
擦 系 数 模 型 和 磨 损 率 模 型 的 R2 值 分 别 为 0.942 和
4 0.2 4 2 0.193 4.33
0.826。 GRNN 摩擦系数模型的 MAE 和 RMSE 值分
… … … … … …
别 为 0.011 和 0.016，GRNN 磨 损 率 模 型 的 MAE 和
53 0.8 8 1 0.365 2.13
54 0.8 8 2 0.287 4.67 RMSE 值分别为 0.00022 和 0.00033，这些值低于 其
55 0.8 8 3 0.27 2.87 他模型。 因 此，GRNN 模型在训 练阶 段 优 于 其 他 3
56 0.8 8 4 0.229 3.73 种模型。

2 数据预处理 4 模型验证
将上述实验数据分为训练集和测试集。 训练集 为了验证预测模型对摩擦系数和磨损率的预测
比例占 85%，测试集比例占 15%。 故采用 48 组数据 精度，采用测试集对其验证。摩擦系数和磨损率的测
作为训练集，另外取 8 组数据作为测试集。 试集的预测结果曲线及残差分别如图 3 和图 4 所
数据预处理是机器学习中不可或缺的一环，在训 示。 从图 3 和图 4 可以看出， 测试集中获得的结果
练模型之前必须进行这一步骤， 以确保模型的准确 与 训 练 集 中 的 结 果 相 似 ，GRNN 模 型 的 精 度 最 高 ，
性。 为此，应采用随机排序的方式，以确保数据的有效 摩擦系数的最大残差仅为 0.02， 磨损率的最大残差
性和可靠性。 此外，为了减少不同数量级之间的相对 仅为 4.69×10-4 mm3·m -1，而且 GRNN 模型在处理高
关系和影响，样本数据被归一化并映射到[0，1]。 输出值和低输出值时表现更加稳定。这些结果表明，
 热加工工艺
Hot Working Technology

0.6 0.6 0.6 0.6

(a) GRNN (b) BPNN (c) SVR (d) RF
0.5 0.5 0.5 0.5
预测摩擦系数

预测摩擦系数

预测摩擦系数

预测摩擦系数
0.4 0.4 0.4 0.4
0.3 0.3 0.3 0.3
0.2 0.2 0.2 0.2
0.1 0.1 0.1 0.1
0 0 0 0
0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6 0.1 0.2 0.3 0.4 0.5 0.6
实际摩擦系数 实际摩擦系数 实际摩擦系数 实际摩擦系数
预测磨损率 /(10-4 mm3·m-1)

预测磨损率 /(10-4 mm3·m-1)

预测磨损率 /(10-4 mm3·m-1)

预测磨损率 /(10-4 mm3·m-1)
45 45 45 45
(e) GRNN (f) BPNN (g) SVR (h) RF
36 36 36 36
27 27 27 27
18 18 18 18
9 9 9 9
0 0 0 0
9 18
27 36 45 9
27 36 45 18
27 36 45 9 18 9 18 27 36 45
实际磨损率 /(10-4 mm3·m-1) 实际磨损率 /(10-4 mm3·m-1)
实际磨损率 /(10-4 mm3·m-1) 实际磨损率 /(10-4 mm3·m-1)
图 2 摩擦系数和磨损率的不同算法预测结果和实验数据对比
Fig.2 Comparison between predicted results by different algorithms and experimental data of friction coefficient and wear rate
表 2 训练阶段不同机器学习模型的 MAE 、RMSE 和 R2 GRNN 模型没有过度拟合训练数据， 而且能够对输
Tab.2 MAE, RMSE and R2 of different machine learning
入与输出关系进行有效的研究。
models at training stage
摩擦系数均值 磨损率
为了解释本文模型性能 ， 计算 MAE 、RMSE 和
模型 2
MAE RMSE R2 MAE RMSE R2 R 的值，如表 3 所示。 GRNN 摩擦系数模型的 MAE
GRNN 0.01102 0.01563 0.94155 0.00022 0.00033 0.82597 和 RMSE 值分别为 0.01069 和 0.01220；GRNN 磨损
BPNN 0.02574 0.03525 0.70294 0.00038 0.00050 0.60554 率 预 测 模 型 的 MAE 和 RMSE 值 分 别 为 0.00021 和
SVR 0.01489 0.02580 0.84086 0.00025 0.00048 0.63157 0.00025。 GRNN 模型的 MAE 和 RMSE 均明显低于
RF 0.01937 0.02517 0.84857 0.00029 0.00042 0.72259 其余 3 种模型，表明 GRNN 模型的预测结果具有更
0.45 0.10
(a) 实际值 (b) GRNN 预测值的残差
GRNN 预测值 BPNN 预测值的残差
0.40 BPNN 预测值 SVR 预测值的残差
SVR 预测值 0.05 RF 预测值的残差
RF 预测值
摩擦系数残差

0.35
摩擦系数

0
0.30

0.25 -0.05

0.20
-0.10
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
样本序号 样本序号
图 3 摩擦系数模型的预测结果 (a)及残差 (b)
Fig.3 Prediction results (a) and residual error (b) of friction coefficient model
40 15
(a) 实际值 (b) GRNN 预测值的残差
磨损率残差 /(10-4 mm3·m-1)

GRNN 预测值 BPNN 预测值的残差

10
磨损率 /(10-4 mm3·m-1)

BPNN 预测值 SVR 预测值的残差

30 SVR 预测值 RF 预测值的残差
RF 预测值
5
20 0

-5
10
-10
0
-15
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
样本序号 样本序号
图 4 磨损率模型的预测结果 (a)及残差 (b)
Fig.4 Prediction results (a) and residual error (b) of wear rate model
 热加工工艺
Hot Working Technology

表 3 测试阶段不同机器学习模型的 MAE 、RMSE 和 R2 [2] 王 忠 勇 ， 高 文 理． 石 墨 烯 增 强 铜 基 复 合 材 料 的 制 备 与 性 能

Tab.3 MAE, RMSE and R2 of different machine learning [J]． 热加工工艺，2019 ，48(18) ：76-80．
models at testing stage [3] Balandin A A， Ghosh S， Bao W， et al．Superior thermal con-
摩擦系数均值 磨损率 ductivity of single-layer graphene[J]．Nano Letters，2008 ，8(3) ：
模型
MAE RMSE R 2
MAE RMSE R 2 902-907．
GRNN 0.01069 0.01220 0.92807 0.00021 0.00025 0.87526 [4] 马文林，吕晋军 ． 干摩擦条件下铜 - 石墨复合材料与 ZQAl9-4
铝青铜的磨损图研究 [J]． 摩擦学学报，2008 ，28(5) ：389-393．
BPNN 0.02428 0.02800 0.62118 0.00034 0.00039 0.70125
[5] Kordijazi A， Roshan H M， Dhingra A， et al. Machine-learning
SVR 0.01753 0.02563 0.68241 0.00031 0.00039 0.70597
methods to predict the wetting properties of iron-based
RF 0.01895 0.02311 0.74185 0.00035 0.00037 0.72848
composites[J]．Surface Innovations，2020 ，9(2/3) ：111-119．

高的精度；GRNN 摩擦系数预测模型和磨损率预测 [6] Bhattacharya S K， Sahara R， Bozic D， et al．Data analytics

approach to predict the hardness of the copper matrix
模 型 的 R2 值 分 别 为 0.92807 和 0.87526，GRNN 模
composites[J]．Metallurgical & Materials Engineering ，2020 ，26
型的 R2 值更接近 1，表明该模型拟合效果较好。 因
(4) ：357-364．
此，GRNN 模型是 预测铜 / 石 墨烯复合材 料摩 擦 系 [7] 董文文，尹延国，张国涛，等 ． 基于 BP 神经网络的粉末冶金铜
数和磨损率的最佳选择。 基滑动轴承材料磨损量预测 [J]． 轴承，2021(2) ：52-56．
[8] Cetinel H．The artificial neural network based prediction of
5 结论 friction properties of Al2O3-TiO2 coatings[J]．Industrial Lubrica-
tion and Tribology，2012 ，64(5) ：288-293．
本研究以铜 / 石墨烯复合材料为基础， 通过实
[9] Yang Y S， Chou J H， Huang W， et al．An artificial neural
验及模型构建得出以下结论： network for predicting the friction coefficient of deposited
（1） 采用 4 种机器学习算法建立了铜 / 石墨烯 Cr1-xAlxC films [J]．Applied Soft Computing ，2013 ，13(1) ：109-
复合材料的摩擦系数和磨损率预测模型。 GRNN 摩 115．

擦系数预测模型的最大残差仅为 0.02， 磨损率预测 [10] Hasan M S， Kordijazi A， Rohatgi P K， et al．Triboinformatics

approach for friction and wear prediction of Al-graphite
模 型 的 最 大 残 差 仅 为 4.69 ×10 -4 mm3·m -1， 而 且
composites using machine learning methods [J]．Journal of
GRNN 模 型 在 处 理 高 输 出 值 和 低 输 出 值 时 表 现 更 Tribology，2022 ，144(1) ：1-47．
加稳定。 [11] 凌自成，闫翠霞，史庆南，等 ． 球磨时间对石墨烯 / 铜复合材料
（2） 与其他 3 种模型相比，GRNN 模型 具有最 组 织 和 性 能 的 影 响 [J]． 稀 有 金 属 材 料 与 工 程 ，2017 ，46(1) ：
2
佳的性能，R 最高，残差最小。 GRNN 模型能够有效 207-212．
[12] Zhang Y， Niu J ， Na S．A novel nonlinear function fitting
预测铜 / 石墨烯复合材料的摩擦磨损性能， 可以加
model based on FOA and GRNN[J]．Mathematical Problems in
速发展铜 / 石墨烯复合材料的设计和研发。
Engineering，2019 ，2019(3) ：1-10．
[13] 刘 彩 红 ．BP 神 经 网 络 学 习 算 法 的 研 究 [J]． 西 安 工 业 大 学 学
参考文献 : 报，2012 ，32(9) ：723-727．
[1] Berman D， Erdemir A， Sumant A V．Few layer graphene to [14] 刘 芳 宁 ，王 越 ，孙 瑞 侠 ． 针 对 高 温 合 金 微 观 组 织 - 拉 伸 性 能 关
reduce wear and friction on sliding steel surfaces [J]．Carbon ， 系 的 机 器 学 习 预 测 模 型 [J]． 中 国 材 料 进 展 ，2022 ，41(11) ：
2013 ，54 ：454-459． 938-946．