作为一种新兴的固态连接工艺，同时双面摩擦搅拌焊接（SDS-FSW）在提高传统FSW铝合金的质量和效率方面具有显著潜力。然而，其复杂性和成本限制了广泛的实验，从而限制了机械性能的预测。为了解决这一限制，探讨了数据生成和模型预测策略。首先，采用全因素实验设计方法，在三个关键工艺参数下进行SDS-FSW实验：销钉偏移距离、转速和焊接速度。收集焊接过程温度，并测量焊接接头的极限抗拉强度（UTS）。其次，提出了一种小样本数据生成模型，利用变分自编码器和生成对抗网络的特征工程技术，从原始值合成数据，有效解决了数据稀缺和不平衡的问题。最后，基于工艺参数和温度开发了UTS预测模型，采用集成学习技术。实验结果表明，所提出的小样本数据生成模型将Wasserstein距离降低至1.0027，并达到0.0482的Kolmogorov-Smirnov统计量。此外，所提出的预测模型在原始数据上实现了0.6 MPa和0.4 MPa的均方根误差和平均绝对误差，分别比TabNet降低了50%和55.6%。在1.9微米的噪声扰动下，还观察到10.42%的鲁棒性优势。这项工作建立了第一个基于数据驱动的小样本约束下SDS-FSW接头强度预测框架，为工业应用奠定了基础。
Xu等人（周三）研究了这个问题。