期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于机器学习的AZ31镁合金轧制板材腐蚀电位预测研究
1
作者 谢超林 唐昌平 +6 位作者 刘筱 朱必武 马丽莉 魏福安 刘文辉 徐从昌 李落星 《精密成形工程》 北大核心 2024年第11期75-81,共7页
目的为了实现对AZ31镁合金轧制板材耐腐蚀性能的调控。方法以AZ31镁合金轧制板材的下压量、轧制温度和应变速率3个轧制工艺参数作为输入变量,腐蚀电位作为输出变量,采用支持向量机(SVM)、随机森林(RF)、K近邻(KNN)和反向传播神经网络(B... 目的为了实现对AZ31镁合金轧制板材耐腐蚀性能的调控。方法以AZ31镁合金轧制板材的下压量、轧制温度和应变速率3个轧制工艺参数作为输入变量,腐蚀电位作为输出变量,采用支持向量机(SVM)、随机森林(RF)、K近邻(KNN)和反向传播神经网络(BP)4种机器学习模型对AZ31镁合金轧制板材的腐蚀性能进行预测。结果计算得出,支持向量机(SVM)、随机森林(RF)、K近邻(KNN)和反向传播神经网络(BP)4种机器学习模型的平均绝对误差(MAE)分别为0.01365、0.01259、0.01072和0.01538;均方误差(MSE)分别为0.000247、0.000182、0.000169和0.000354;决定系数(R^(2))分别为0.61、0.71、0.74和0.44;下压量、轧制温度和应变速率与腐蚀电位的Pearson相关系数分别为0.755、0.262和0.015。结论对比上述4种机器学习模型,K近邻(KNN)模型对AZ31镁合金轧制板材腐蚀电位的预测效果更好;由Pearson相关系数热力图可知,下压量与腐蚀电位呈正相关,这是由于随下压量的增加,晶粒逐渐细化,镁合金的耐腐蚀性能随之增加;轧制温度与腐蚀电位呈正相关,归因于随轧制温度的增加,孪晶数量逐渐减少,孪晶与镁基体形成的微电偶效应减弱,提高了腐蚀性能。 展开更多
关键词 AZ31镁合金 轧制工艺 机器学习 腐蚀电位 Pearson相关系数
下载PDF
具有细晶/混晶交替分布组织特征的AZ31镁合金轧板拉伸变形行为仿真
2
作者 朱必武 胡碧波 +4 位作者 刘筱 魏福安 刘文辉 徐从昌 李落星 《中国有色金属学报》 EI CAS CSCD 北大核心 2024年第10期3339-3351,共13页
通过中等应变速率轧制获取细晶区和混晶区交替分布的AZ31镁合金轧制板材,构建不同组织特征的黏塑性自洽(VPSC)模型,预测板材在室温拉伸下的变形机制、织构演变和力学响应,研究细晶区与混晶区对塑性变形的贡献。结果表明:经410℃、平均... 通过中等应变速率轧制获取细晶区和混晶区交替分布的AZ31镁合金轧制板材,构建不同组织特征的黏塑性自洽(VPSC)模型,预测板材在室温拉伸下的变形机制、织构演变和力学响应,研究细晶区与混晶区对塑性变形的贡献。结果表明:经410℃、平均应变速率1.9 s^(-1)、4.8 s^(-1)和7.8 s^(-1)制备的轧制板材中细晶区与混晶区呈现板织构特征,细晶区织构组分相较于混晶区更接近ND方向;随着轧制平均应变速率的增加,板材的细晶区与混晶区的织构组分差异逐渐减小。在室温拉伸塑性变形初期阶段,轧制板材的主要变形机制是基面滑移,次要变形机制是棱柱面滑移和锥面滑移,而拉伸孪生几乎不开启。压缩孪生启动时,部分晶粒向TD方向偏转56°,形成TD方向的织构组分。棱柱面滑移活性的降低,有利于增强锥面滑移的分离效应,促使ND方向织构极密度降低和双峰织构形成。轧制板材在拉伸过程中,由于细晶区的织构组分相较于混晶区更接近ND方向,使得在拉伸过程中细晶区相较于混晶区的基面滑移开启较少,非基面滑移开启较多,促使拉伸变形的过程中细晶区起强化作用,混晶区起弱化作用。织构组分差异逐渐减小,使得细晶区与混晶区的变形机制活性趋于一致,促使其在拉伸过程中对抗拉强度贡献也逐渐趋于一致。 展开更多
关键词 AZ31镁合金 黏塑性自洽模型 细晶 混晶 变形机理 织构
下载PDF
中高应变速率轧制AZ31镁合金板的抗拉强度预测
3
作者 朱必武 蒋昊 +4 位作者 刘筱 郭鹏程 魏福安 徐从昌 李落星 《中国有色金属学报》 EI CAS CSCD 北大核心 2024年第6期1998-2007,共10页
本文采集了不同轧制温度、应变速率以及压下量等三个工艺参数下中高应变速率轧制的AZ31镁合金抗拉强度的27组样本,通过惯性权重、学习因子的改进和引入变异操作对PSO-BP神经网络进行改进,并与BP、PSO-BP神经网络对比,进行抗拉强度的预... 本文采集了不同轧制温度、应变速率以及压下量等三个工艺参数下中高应变速率轧制的AZ31镁合金抗拉强度的27组样本,通过惯性权重、学习因子的改进和引入变异操作对PSO-BP神经网络进行改进,并与BP、PSO-BP神经网络对比,进行抗拉强度的预测。结果表明:BP神经网络不能预测AZ31镁合金抗拉强度的非线性变化,PSO-BP神经网络和改进的PSO-BP(IPSO-BP)神经网络均能较好地预测AZ31镁合金抗拉强度的非线性变化;这三个模型中IPSO-BP神经网络预测最为准确,相较于PSO-BP神经网络,其平均绝对误差从15.3764降低至3.4288,平均相对误差从5.94%降低至1.32%,均方误差从251.3662降低至20.7199,相关系数从0.7753提高至0.8937;通过Pearson相关性计算判断出应变速率、压下量对抗拉强度的影响均大于轧制温度,而应变速率与抗拉强度呈负相关关系,压下量与抗拉强度呈正相关关系。 展开更多
关键词 AZ31镁合金 神经网络 轧制工艺 抗拉强度 Pearson相关系数
下载PDF
Effects ofslip mode on microstructure evolution and compressive flow behavior of extruded dilute Mg−0.5Bi−0.5Sn−0.5Mn alloy
4
作者 Zhi-yong YOU Wei-li CHENG +6 位作者 Guo-lei LIU Jian LI Li-fei WANG Hui YU Hong-xia WANG Ze-qin CUI Jin-hui WANG 《Transactions of Nonferrous Metals Society of China》 SCIE EI CAS 2024年第11期3599-3614,共16页
The influence of the slip mode on the microstructure evolution and compressive flow behavior at different strains in an extruded dilute Mg−0.5Bi−0.5Sn−0.5Mn alloy was analyzed through electron backscatter diffraction,... The influence of the slip mode on the microstructure evolution and compressive flow behavior at different strains in an extruded dilute Mg−0.5Bi−0.5Sn−0.5Mn alloy was analyzed through electron backscatter diffraction,X-ray diffraction,transmission electron microscopy,and hot compression tests.The results showed that at a low strain of 0.05,the basal<a>,pyramidal<a>and<c+a>slip modes were simultaneously activated.Nevertheless,at the middle stage of deformation(strain of 0.1,0.2 and 0.5),the<a>slip mode was difficult to be activated and<c+a>slip mode became dominant.The deformation process between strains of 0.2 and 0.5 was primarily characterized by the softening effect resulting from the simultaneous occurrence of continuous dynamic recrystallization and discontinuous dynamic recrystallization.Ultimately,at strain of 0.8,a dynamic equilibrium was established,with the flow stress remaining constant due to the interplay between the dynamic softening brought about by discontinuous dynamic recrystallization and the work-hardening effect induced by the activation of the basal<a>slip mode. 展开更多
关键词 dilute Mg−Bi−Sn−Mn alloy slip mode hot compression flow behavior dynamic recrystallization
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部