自蔓延高温合成多孔NiTi合金孔隙的SVR预测

根据自蔓延高温合成法(SHS)制备多孔NiTi合金孔隙试验所获得的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同反应参数(温度,粒度和压坯密度)下合成的多孔NiTi合金孔隙的SVR预测模型,并与基于误差反向传播神经网络(BPNN)回归模型的预测结果进行比较。结果表明：在相同的训练与测试样本集下所获的SVR预测结果的平均绝对百分误差(MAPE)比BPNN预测模型的要小,其预测精度更高,预测效果更好;SVR-LOOCV预测的MAPE也比BPNN略小,且其预测结果的相关系数达到了0.999。因此,该方法是一种预测SHS法制备多孔NiTi合金孔隙的有效方法,可为SHS合成多孔NiTi提供理论指导     

考虑变形参数的锰黄铜高温本构模型构建及变形激活能演化

采用Gleeble-3500热模拟实验机对挤压态HMn64-8-5-1.5锰黄铜合金在不同变形温度(873～1073 K)及应变速率(0.01～10s-1)条件下进行等温热压缩实验,获得其真应力-真应变曲线.基于实验数据构建考虑应变补偿的Arrhenius模型并检验其预测精度,结果表明由于该模型未考虑变形条件对材料参数的影响,导致了预测精度不高.因此,提出一种考虑变形条件对材料参数影响的修正型本构模型,经验证,所建立修正的Arrhenius本构模型能很好地预测HMn64-8-5-1.5合金的高温流变应力.此外,基于修正模型可获得不同变形条件下合金的变形激活能,其受到应变、应变速率和变形温度的影响.     

采用改进和优化的Zerilli-Armstrong本构模型预测AZ80镁合金的高温流动应力EI北大核心CSCD

合理的本构模型是实现精确模拟镁合金挤压过程的关键,基于均匀化态AZ80镁合金在应变速率0.001~1 s^(-1)、变形温度523~673 K下的热压缩实验数据,建立了改进的Z-A模型来描述AZ80镁合金的热变形行为,并在此基础上,通过考虑应变对材料参数的影响,提出优化的Z-A模型。对两种模型预测精度进行定量分析表明:优化的Z-A模型对流动应力的预测效果较好,相关系数R和平均绝对相对误差E_(AR)的计算值分别为0.9962和3.60%;改进的Z-A模型的预测结果相对较差,其R值和EAR值分别为0.94和8%。比较分析表明,优化的Z-A模型具有良好的适应性,可以在整个应变范围内(0~0.9)很好地预测不同变形条件下的流动应力,因而工程适用范围广;改进的Z-A模型不能描述加工硬化-动态回复阶段的流动应力,因而预测精度较低。     

2219铝合金高温本构模型及热加工图研究

为研究2219铝合金的高温流变行为及最佳热加工工艺窗口，采用Gleeble-3500热模拟试验机在变形温度为573～773 K和应变速率为0.01～10 s^-1条件下对2219铝合金进行了等温压缩实验，得到了不同应变速率和温度下的真实应力-真实应变曲线。根据2219铝合金流变数据的特性，提出了一种新的本构模型，并将其与经典模型的预测精度进行了对比。此外，利用构建的新本构模型推导出了2219铝合金的热加工图解析计算公式，并绘制了其热加工图。结果表明，2219铝合金是一种温度和应变速率高度敏感材料，其高温本构关系必须考虑温度和应变速率的影响。在低温下，Arrhenius模型和Hensel-Spittle模型的预测精度较低，尤其在573和623 K温度下，其预测结果与实验数据存在较大误差。相比之下，新模型在不同温度和应变速率下的预测精度误差较小，并且明显优于Arrhenius模型和Hensel-Spittle模型。这是因为新模型在lnσ和■之间采用了3阶精度逼近，而Arrhenius模型和Hensel-Spittle模型只采用了1阶精度逼近。通过采用更高阶的逼近方法，新...     

ZL205A铝合金淬火过程本构模型及数值模拟

通过等温压缩实验研究了ZL205A铝合金在宽温度范围(2～500℃)和宽应变速率范围(0.001～0.1 s-1)条件下的塑性变形行为.采用Arrhenius模型、Extended Ludwik-Hollomon(ELH)模型和BP人工神经网络模型描述ZL205A铝合金的流动应力,并应用在ZL205A工件淬火过程有限元仿真中.结果 表明:ZL205A铝合金在低温段和高温段有着不同的变形机制,低温段以应变强化为主,在一定温度和应变速率情况下,会出现负应变速率敏感性.在高温段流动应力对应变速率较敏感,体现为正应变速率敏感性.BP神经网络模型相较于其他两个模型,其拟合精度和预测精度都更好,平均拟合相对误差为0.9594％,平均预测相对误差约10％.阶梯件的有限元仿真结果表明采用不同本构模型对阶梯件的应力场的分布影响不大,但是会影响应力场的大小.     

基于GA-Arrhenius本构模型的EA4T钢高温变形行为北大核心CSCD

通过Gleeble-3800热模拟实验机,对EA4T车轴钢分别在变形温度为970、1070和1170℃及应变速率为0.01、0.1和1.0 s的条件下进行热压缩实验,压缩至最大真应变为0.8。以得到的真应力-真应变实验数据为基础,分别建立了考虑应变补偿的Arrhenius本构模型和经过遗传算法优化后的Arrhenius本构模型(GA-Arrhenius),用于预测真应力与真应变的关系。为了验证GA-Arrhenius本构模型在真应力预测中的优越性,使用相关系数R、平均绝对误差AARE和均方根误差RMSE来说明其预测精度。实验结果表明:采用Arrhenius本构模型时,R=0.9970、AARE=3.4232%、RMSE=2.8773 MPa;采用GA-Arrhenius本构模型时,R=0.9982、AARE=2.6577%、RMSE=2.2110 MPa。说明相较Arrhenius本构模型,GA-Arrhenius本构模型能够更好地预测EA4T钢热成形过程中的真应力与真应变的关系,可以实现更高精度的有限元数值模拟。     

基于IFA-BPNN的长输管道外腐蚀速率预测

目的 构建陆地长输管道外腐蚀速率的预测模型,提升管道外腐蚀速率预测的精度,对长输管道外腐蚀状态进行准确把控.方法 深入解析了萤火虫算法(FA)的工作原理,针对FA易出现陷入局部最优或因控制参数设置不合适而导致函数无法收敛等问题,提出了FA的改进方案:采用Logistics混沌映射的方法初始化萤火虫的位置,提升萤火虫种群的所养性;引入一种新的惯性权重计算方法来改进萤火虫位置移动公式,提升FA全局寻优能力.利用改进的萤火虫算法(IFA)对误差反向传播神经网络(BPNN)初始权值和阈值进行优化,建立基于IFA-BPNN的长输管道外腐蚀速率预测模型.以111组长输管道外腐蚀检测数据为例,在MATLAB中进行模拟仿真计算,使用粒子群算法优化的BPNN(PSO-BPNN)、遗传算法优化的BPNN(GA-BPNN)以及未进行优化的BPNN作为对比模型进行对比分析.结果 使用IFA优化BPNN,大幅提升了BPNN模型的预测精度.使用IFA-BPNN模型预测12组管道腐蚀速率,平均相对误差仅为5.94％,预测结果的R2为0.99595,均优于BPNN、PSO-BPNN以及GA-BPNN模型的预测结果.结论 IFA-BPNN作为预测管道腐蚀速率工具具有较好的预测精度和鲁棒性.     

铸态7050铝合金大应变速率下有外推能力的本构模型

以温度为523～723 K、应变速率为0.01～10s<'-1>以及总应变为0.69的实验数据为基础,应用神经网络建立具有外推能力的7050铝合金本构模型,实现了在大应变速率下(10～50s<'-1>)流变应力的预测,并基于实验数据和预测数据,建立了7050铝合金大应变速率的逐步回归模型.误差结果分析表明,回归结果与实验数据及预测结果之间的平均相对误差不超过6.5%,能够准确地预测7050铝合金的流变应力,适用于分析热变形过程中的问题.     

新型热冲压高强钢22MnB5(Nb&V)的热变形本构关系

为了研究新型热冲压高强钢22MnB5 (Nb&V)高温流变力学行为,采用热模拟试验机Gleeble-1500D,在550～850℃温度区间,分别以0. 1、0. 5、1和5 s~(-1)的应变速率进行等温单向拉伸实验,得到相应实验条件下的真应力-应变曲线。综合考虑应变量、加工硬化、应变速率和温度等因素的影响,采用Johnson-Cook模型描述了流变应力方程,将建立的新型高强钢本构模型应用于热冲压数值模拟中,得到板料变形过程的载荷变化曲线,并与实验数据进行对比表明,该模型能准确描述不同变形条件下的流变应力-应变曲线,较好地再现了变形过程中的加工硬化、应变速率强化以及温度软化等效应。     

40Mn钢高温高应变速率塑性本构行为

为研究40Mn钢在高温高应变速率下的塑性本构行为，利用分离式霍普金森压杆装置对40Mn钢开展了高温(650℃)和高应变速率(1700、2800、3500、4600和5500 s^-1)下的压缩实验。实验结果显示，在应变速率高于4600 s^-1时，40Mn钢的应变速率强化效应明显减弱。对测量获得的应力和应变数据进行Johnson-Cook塑性本构模型拟合。利用MATLAB进行了材料塑性本构参数的优化，并在有限元模拟中应用了所构建的本构模型。通过对比有限元模拟和实验测量的高速压缩后的试样高度，验证了所构建本构模型及优化后的模型的预测精度。     

机器学习法预测不同应力比6005A-T6铝合金疲劳裂纹扩展速率

本文开展了不同应力比(R为0.05,0.1,0.3,0.5,0.6)条件下的6005A-T6铝合金紧凑拉伸试样疲劳裂纹扩展速率试验,在此基础上采用BPNN、SVR、KNN和XGboost共4种机器学习方法,比较了4种机器学习方法预测6005A-T6铝合金疲劳裂纹扩展速率的能力;作为对照组,利用试验数据拟合得到了传统的Forman疲劳裂纹扩展率方程。结果表明：应力比R对6005A-T6铝合金裂纹扩展速率存在显著影响,相同应力强度因子范围ΔK下,裂纹扩展速率da/d N随R增大而提高,且R的增大会使裂纹更早进入稳定扩展阶段;4种机器学习模型建立的裂纹扩展率预测内推模型均能体现裂纹扩展过程中速率的非线性变化特征,且对试验数据的拟合系数r²均达0.99以上,普遍高于Forman方程的0.82;4种机器学习模型建立的裂纹扩展率预测外推模型,BPNN算法的拟合系数r²仍高于0.99;KNN算法消耗的训练时间最短,XGboost算法具有最佳的疲劳裂纹扩展速率内推预测能力,而BPNN算法则具有更好的扩展率外推预测性能表现。     

应用本构模型和神经网络模型预测铝/镁基纳米复合材料的高温流变行为(英文)

为了预测Al/Mg基纳米复合材料的高温流变行为,在不同的应变速率(0.01-1.0s-)和温度(523,623和1723K)的条件下进行热压缩试验,利用所得到的应力-应变数据,开发了本构模型,比如一般流动方程。阿累尼乌斯双曲模型、Johnson-Cook(JC)和改性的Zerilli-Armstrong(ZA)模型及人工神经网络(ANN)模型。通过使用统计参数,例如均方根误差(RMSE)、回归系数(R2)、平均相对误差(MRE)和分散指数(Is),比较了人工神经网络和不同的本构模型。结果表明,人工神经网络模型对AA5083-2%TiC复合材料的热变形流动应力的评估准确性更高。     

基于修正Arrhenius模型和SVR-PSO模型的HNi55-7-4-2合金高温本构模型的对比

采用Gleeble-3500热模拟试验机对HNi55-7-4-2合金进行热压缩实验,研究其高温流变应力行为。通过等温热压缩实验和摩擦修正获得了HNi55-7-4-2合金在温度为600～800℃、应变速率为0.01～10 s~(-1)时的应力-应变曲线。结果表明:HNi55-7-4-2合金的流变应力值与温度、应变速率和变形量之间成非线性关系,流变应力值随着应变率增大而升高,随着变形温度的升高而降低。基于实验数据,分别建立修正Arrhenius本构模型和粒子群算法优化的支持向量机回归模型(SVR-PSO),引入统计学方法对模型的精度进行量化评估:修正Arrhenius模型的平均相对误差和均方根误差分别为6.30%和2.43 MPa,SVR-PSO模型的平均相对误差和均方根误差分别为0.61%和0.28 MPa,SVR-PSO模型预测精度和泛化能力均优于Arrhenius模型。     

轻轨用55Q钢的高温流变应力本构模型

通过Gleeble-3800热模拟实验机,在应变速率为0.1～20 s^-1、变形温度为900～1200℃的条件下对轻轨用55Q钢进行轴向单道次压缩实验,得到55Q钢的真应力-真应变曲线,并分析研究了不同热加工条件对55Q钢高温流变应力的影响。实验结果表明：在相同变形温度下,低应变速率时的流变应力较低,在相同应变速率下,高温时的流变应力较低,说明低应变速率和高温有利于动态软化。对流变应力、应变速率和变形温度之间的关系进行线性拟合,建立了55Q钢的修正Johnson-Cook本构模型和基于应变补偿的Arrhenius本构模型,对比两种模型发现,基于应变补偿的Arrhenius本构模型的预测精度更高,能够较好地揭示55Q钢的热变形特性。     

含铝节镍型奥氏体耐热钢(AFA钢)的热变形行为与热加工图

为了预测含铝节镍型奥氏体耐热钢(AFA钢)的热变形行为,利用Gleeble-3500热力模拟试验机对AFA钢进行了温度950～1150℃、应变速率0.01～10 s^-1、真应变为0.51～1.2的高温热压缩试验,构建了本构方程,并建立了热加工图。结果表明,在同一应变速率下,随着变形温度的升高,AFA钢的流变应力逐渐降低,在同一变形温度下,随着应变速率的增加,流变应力随之增加。在真应变为0.69(变形量为50%)下,预测应力与实际应力的线性相关系数R²为0.998 53,随着应变的增加,材料的失稳区域先减小后增大,集中于低温区;高效率区域变大,且高效率区域集中于变形温度为1100～1150℃、应变速率为0.01～0.1 s^-1之间,说明AFA钢适合在高温低应变速率的情况下进行热加工。     

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σ_b、屈服强度σ_(0.2)和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较.结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σ_b、σ_(0.2)和HB)预测的均方根误差(RMSE)分别为4.531 9 MPa、14.550 8 MPa和HB1.414 2,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小.     

基于人工神经网络的高精度Ti6242s合金热变形本构模型

使用Gleeble-3800对锻态Ti6242s钛合金在温度950～1010℃、应变速率0.01～10 s-1的条件下进行了75%变形量的热压缩模拟试验。基于实验取得的真应力-真应变曲线,分别使用人工神经网络(ANN)和Arrhenius方程建立Ti6242s合金本构模型,研究其热变形行为。结果表明:流变应力在变形开始后迅速上升至峰值应力,随后硬化与软化达到动态平衡,在真应变达到0.6后加工硬化逐渐占据主导,硬化幅度随应变速率的增大而提高;人工神经网络本构模型预测值的平均相对误差(AARE)为2.25%,决定系数(R2)为0.999 06;Arrhenius方程本构模型预测值的AARE为14.40%,R~2为0.954 68,精度在参数范围内波动较大;ANN本构模型精度远高于Arrhenius本构模型,且在整个参数范围内具有一致的精度;ANN本构模型具有良好的泛化能力,在实验参数范围外预测流变应力仍具有较高的精度。     

基于PSO-BP模型的5083铝合金力学性能预测

为准确预测5083铝合金热力学参数与其流变应力之间的关系,基于PSO优化BP神经网络方法提出了PSO-BP铝合金性能预测模型,并对BP模型和PSO-BP模型预测结果进行了对比与分析。结果表明:PSO-BP模型预测值与试验值的吻合度高于BP模型,更能准确地反映铝合金在不同工艺条件下流变应力的变化规律; PSO-BP预测模型具有更快的收敛速度,达到BP预测模型的10倍以上;与传统BP模型相比,PSO-BP模型预测值的平均相对误差不到BP模型的50%,在低温和高温时更明显,且4种应变速率下其预测值与试验值的线性回归决定系数更接近于1,证明了PSO-BP模型对5083铝合金力学性能具有更高的预测精度。     

基于人工神经网络的中碳含钒微合金钢热变形流变应力预报

以0.33C,0.40Si,1.50Mn,0.099V(wt%)的中碳含钒微合金钢在应变速率为0.005～30 S-1、温度为750～1050℃条件下的单向热压缩变形实验数据为样本数据,用商用软件matlab6.5构建BP人工神经网络模型.经实验数据验证,该模型预测的流变应力结果可靠.研究结果表明:利用人工神经网络方法建立热变形流变应力预测模型,适用于预测一定温度与应变速率范围内(0.1～0.9)应变处的热变形流变应力,为控制轧制工艺参数提供参考.与常用的表征稳态或峰值应变处的流变应力与温度和应变速率关系的Arrhenius方程相比,应用范围更广.     

18CrNiMo7-6合金钢Zerilli-Armstrong本构模型的建立及修正

采用Gleeble-3500热模拟试验机在应变速率为0.001～1s^-1、变形温度为700～1000℃的条件下,对18CrNiMo7-6合金钢实施等温压缩试验,获得18CrNiMo7-6合金钢在不同条件下的真实应力-真实应变曲线,分析其热变形行为。构建了18CrNiMo7-6合金钢的Zerilli-Armstrong (Z-A)本构模型,描述其热变形行为。通过对比分析Z-A本构模型的预测值与等温压缩试验的试验值发现,预测值与试验值的线性相关系数为0.9750,平均相对误差为8.1792%。为了进一步提高模型的预测精度,采用应变的5阶多项式描述Z-A本构模型中与应变有关的材料参数,实现对模型的修正,修正后的Z-A本构模型的预测值与试验值的线性相关系数为0.9853,平均相对误差为5.5358%,有效提高了本构模型的预测精度。