在TC11钛合金大量实验数据的基础上,应用人工神经网络建立TC11钛合金的化学元素与力学性能关系模型.模型的输入参数包括Al、Mo、Zr、Si、Fe、C、O、N和H共9种化学元素；输出为常规力学性能指标(抗拉强度、屈服强度、延伸率和断面收缩率).运用未知数据样本对已建立神经网络模型的预测能力进行检验,并以Al、Mo、Zr和C元素为研究对象,利用该模型分析TC11钛合金化学元素对力学性能的影响规律.结果表明:网络的预测值与实验值的相对误差均在10％以内,说明所建立的神经网络预测模型具有较精确的预测能力,而且能够清楚地反映出该合金化学元素与力学性能之间的非线性关系.
参考文献
| [1] | 陈秀琴.化学成分及退火工艺对H62黄铜组织与性能的影响[J].热加工工艺,2007(16):58-60. |
| [2] | 李建萍.合金元素对镍基单晶合金性能影响的研究[J].南昌大学学报(理科版),2001(04):400-403,408. |
| [3] | Kim D E;Shang S L;Liu Z K .[J].Intermetallics,2010,18:1163. |
| [4] | 唐光昕,朱张校.TC11合金在不同热处理条件下的显微组织分析[J].稀有金属,2002(02):146-148. |
| [5] | 曾卫东,周义刚.冷速对TC11合金β加工显微组织和力学性能的影响[J].金属学报,2002(12):1273-1276. |
| [6] | Zong Y Y;Shan D B;Xu M et al.[J].Journal of Materials Processing Technology,2009,209(04):1988. |
| [7] | 陈慧琴,曹春晓,郭灵,林海.TC11钛合金片层组织热变形球化机制[J].稀有金属材料与工程,2009(03):421-425. |
| [8] | 单德彬,史科,徐文臣,吕炎.TC11钛合金热变形机制及其热加工图[J].稀有金属材料与工程,2009(04):632-636. |
| [9] | 曾卫东,舒滢,周义刚.应用人工神经网络模型预测Ti-10V-2Fe-3Al合金的力学性能[J].稀有金属材料与工程,2004(10):1041-1044. |
| [10] | Sun Y;Zeng W D;Zhao Y Q et al.[J].Computational Materials Science,2010,48:686. |
| [11] | Malinov S;Sha W .[J].Materials Science and Engineering A:Structural Materials Properties Microstructure and Processing,2004,365:202. |
| [12] | Reddy NS;Lee YH;Park CH;Lee CS .Prediction of flow stress in Ti-6Al-4V alloy with an equiaxed alpha plus beta microstructure by artificial neural networks[J].Materials Science & Engineering, A. Structural Materials: Properties, Misrostructure and Processing,2008(1/2):276-282. |
| [13] | 孙宇,曾卫东,王邵丽,徐斌,周义刚.应用人工神经网络建立Ti-22Al-25Nb合金高温本构关系模型[J].塑性工程学报,2009(03):126-129. |
| [14] | 张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2009:94. |
| [15] | 杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001:41. |
| [16] | 董长虹.Matlab神经网络与应用[M].Beijing:National Defence IndustryPress,2005:53. |
| [17] | 楼顺天;施阳.基于MATLAB的系统分析与设计一神经网络[M].西安:西安电子科技大学出版社,1998 |
| [18] | 《稀有金属材料加工手册》编写组.稀有金属材料加工手册[M].北京:冶金工业出版社,1984:57. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%