收缩性和流动性作为铝合金铸造性能的两个重要指标,对于铸件质量具有着决定性的作用。收缩率和流动性的快速获取对于铸件生产和新合金开发具有重要的意义。本文采用支持向量回归(SVR)算法,结合遗传算法(GA)进行参数寻优,构建了铸造铝合金的流动性和宏观收缩率的预测模型。本论文的主要结论如下:(1)针对实验建立的流动性数据集和收缩率数据集,本文提出了坏点剔除算法。通过坏点剔除,可以在少量数据的损失的情况下,大大提高数据集的可用性以及建模的准确度。(2)采用支持向量回归(SVR)算法,结合遗传算法(GA)进行参数寻优,构建了铸造铝合金宏观收缩率的预测模型,获得了在收缩性预测模型达到最优时的模型超参数:C=3.07,γ=0.12,ε=0.03。建模结果表明SVR模型对于训练数据集的预测值与实验值高度接近。所建模型的误差残差分布证明了模型的误差随机性和可靠性。测试数据集验证了预测模型对于测试样本仍然具有优异的预测性能(其中最大的相对误差为2.7%,最小的相对误差为0.97%,平均绝对误差为2.29%)。MIV显著性分析表明对铝合金收缩率影响最大的三种元素分别是Si、Cu、Fe。(3)采用同样的方法构建了铝合金流动性的预测模型,获得了在模型达到最优时的模型超参数:C=31.59,γ=0.33,ε=0.057。对比发现,无论是训练集还是测试集以及总数据集的SVR预测结果和实验值都非常接近。MIV显著性分析表明铝合金流动性受Si、Mg、Fe三种元素的影响最大。(4)无论是对二元合金、三元合金还是对多元合金,本文所构建的基于SVR铝合金收缩性和流动性预测模型的预测结果不仅与本文的实验结果高度吻合,而且与文献中的实验结果也能很好吻合,表明所构建的预测模型可以很好地预测铝合金的流动性和宏观收缩率,具有较高的预测精度和适用性。