進入21世紀,隨著航空、航天、電子、特別是汽車等領域?qū)p量化的要求日益迫切,鎂合金其諸多性能尤其是密度小的性能特點被廣泛重視,然而,鎂合金在應用過程中其抗腐蝕和塑形能力差這兩個技術瓶頸嚴重制約其廣泛應用。突破其固有技術瓶頸愈加成為研究領域熱點。傳統(tǒng)研究和加工過程的影響因素十分復雜多變,造成試驗結果的不穩(wěn)定,尤其是鎂合金的活潑性導致冶金質(zhì)量不穩(wěn)定性,這些因素必然會導致研究過程中的實驗數(shù)據(jù)波動大、結論準確性低、工作量大、時間長、成本高等一系列缺點。為此,人工智能研究方法引入材料科學研究領域日趨廣泛,雖然也覆蓋了鎂合金研究領域,但應用于腐蝕性能研究幾乎未見報道。所以本論文在課題組前面工作的基礎上,采用BP神經(jīng)網(wǎng)絡和遺傳算法的原理及其特點,建立鎂合金腐蝕性能和力學性能的預報模型,主要成果如下:1)基于鎂合金的腐蝕性能的數(shù)據(jù),建立AZ31、AZ91兩種鎂合金以離心壓力、腐蝕時間、Fe元素含量、第二相含量為輸入,腐蝕深度為輸出的采用遺傳算法優(yōu)化的4-8-1三層BP神經(jīng)網(wǎng)絡預報模型,用相同條件下不同腐蝕時間所造成的腐蝕深度差異,從而定量的表征耐腐蝕性能高低,該預報模型能較為夠精確的預報腐蝕深度,從而利用了腐蝕深度的比較樣本和期望值之間的誤差很好的表征腐蝕性能。經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預報模型,腐蝕深度的平均絕對誤差由7.3%降到2.3%,最大誤絕對誤差小于3.0%,傳統(tǒng)BP神經(jīng)網(wǎng)絡的均方根誤差為0.6835,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的均方根誤差為0.3924。因此遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡預報模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡預報模型相比,具備更高的預測精度,從而能夠較好地預測鎂合金的腐蝕性能。2)基于AZ31、AZ91兩種鎂合金的196組力學性能實驗結果和有關數(shù)據(jù)資料,在對數(shù)據(jù)分析和整理的基礎上,以合金元素、變形溫度、變形速率、變形系數(shù)、固溶溫度、固溶時間、時效溫度、時效時間為輸入,以抗拉強度(UTS)、屈服強度(YS)、延伸率(ELO)為輸出,利用遺傳算法優(yōu)化的8-8-1三層BP神經(jīng)網(wǎng)絡預報模型進行數(shù)據(jù)訓練,訓練結果表明:該預報模型可以比較精確地預報抗拉強度、屈服強度和延伸率,AZ31,AZ91兩種鎂合金的抗拉強度的絕對平均誤差由2.80%降到0.88%和1.2%;屈服強度的絕對平均誤差由6.62%降到3.3%和3.0%;延伸率的絕對平均誤差由10.16%降到8.0%和7.8%,傳統(tǒng)BP神經(jīng)網(wǎng)絡的均方根誤差為0.7502,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的均方根誤差為0.4139,與一般的BP神經(jīng)網(wǎng)絡預報模型相比,具有較高的預測精度。
【學位單位】：西安建筑科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TG178
【部分圖文】：

圖 1.1 金屬鎂的晶體結構Figure 1.1 Crystal structure of magnesium鎂合金的塑性變形最主要為滑移，其次還有孿生，與滑移相比孿生變形改變了晶體取向。對于密排六方結構的鎂合金來說，孿生變形尤為重要，其切變也是沿著特定的晶體方向發(fā)生的，孿生是否發(fā)生與晶體的對稱性有關[22,23]，鎂合金晶體中的滑移只發(fā)生在與拉應力方向傾斜的晶體中，所以鎂合金的塑性變形往往是滑移和孿生相互作用的結果，與此同時影響鎂合金塑性加工性能的因素還有變形溫度、應變速率、應力狀態(tài)和織構。變形溫度是影響鎂合金塑性變形過程中的關鍵因素，由于鎂合金為HCP結構，常溫下的鎂合金變形十分困難，當溫度升到240℃時，隨著孿晶的形成會產(chǎn)生更多的滑移面，進而很大程度上的提高了鎂合金的塑性，鎂合金的強度和塑性均對應變速率很敏感，塑性和應變速率成反比，和強度成正比[24,25]，主要因素為鎂合金的再結晶溫度較高，速率較快的加工變形使得鎂合金來不及發(fā)生動態(tài)再結晶，發(fā)生了加工硬化現(xiàn)象。在塑性加工過程中，由于織構的影響，晶粒的擇優(yōu)取向使得鎂合金易形成基面纖維織構或者板織構，這些變

BP 神經(jīng)網(wǎng)絡研究 AZ31，AZ91 鎂合金的腐蝕性的基礎上進行數(shù)據(jù)的完善和分析，建立合理的性幾個方面的研究：獲得 AZ31，AZ91 的相關腐蝕性能數(shù)據(jù)樣本。遺傳算法的內(nèi)在組成和發(fā)展背景及對 BP 神經(jīng)網(wǎng)神經(jīng)網(wǎng)絡預報模型的構建方法遺傳算法的構成和驗樣本數(shù)據(jù)，在 MATLAB 平臺利用遺傳算法優(yōu)工藝參數(shù)或影響因素作為輸入量，性能參數(shù)作為報模型，獲取各輸出量與期望輸出量之間的誤差編碼，交叉遺傳處理得到適應度較好的數(shù)據(jù)從而算法優(yōu)化的 BP 神經(jīng)網(wǎng)絡對 AZ31，AZ91 鎂合金。見圖 1.2，研究技術路線圖見圖 1.3。

研究技術路線圖

【參考文獻】

相關期刊論文 前10條

1 楊曉康;王文;王快社;高雪;趙凱;郭紅舉;;織構對攪拌摩擦加工鎂合金力學性能的影響研究現(xiàn)狀[J];中國材料進展;2015年06期

2 倪禮忠;;我國基體材料的發(fā)展歷程[J];玻璃鋼/復合材料;2014年09期

3 靳紅梅;肖國榮;;用BP神經(jīng)網(wǎng)絡模型預測Ni-TiN鍍層的耐腐蝕性能[J];功能材料;2014年13期

4 王俊平;李加彥;;BP神經(jīng)網(wǎng)絡的學習過程與算法分析[J];計算機光盤軟件與應用;2014年04期

5 金天坤;高揚;;遺傳算法的原理及組成淺析[J];科技視界;2014年04期

6 蔣雪松;周宏平;;基于遺傳算法的農(nóng)產(chǎn)品品質(zhì)無損檢測研究進展[J];江蘇農(nóng)業(yè)科學;2013年12期

7 張楠楠;董正強;安孟長;;世界航空航天制造技術特點與發(fā)展趨勢研究[J];軍民兩用技術與產(chǎn)品;2013年12期

8 華建社;薛臣;劉明華;李芳;;基于改進BP神經(jīng)網(wǎng)絡的鎂還原率預報研究[J];河北科技大學學報;2013年06期

9 周惠芳;王迎旭;陳文明;;一種改進的BP神經(jīng)網(wǎng)絡[J];自動化技術與應用;2013年09期

10 危少景;魏亮新;;合金元素對鎂合金性能影響[J];科技視界;2013年26期

相關博士學位論文 前2條

1 劉彬;鎂合金專家系統(tǒng)的開發(fā)研究[D];重慶大學;2011年

2 崔澤琴;AZ31B鎂合金脈沖激光加工行為的研究[D];太原理工大學;2011年

相關碩士學位論文 前10條

1 薛臣;基于遺傳算法的BP神經(jīng)網(wǎng)絡鎂還原率預報及還原罐溫度場模擬[D];西安建筑科技大學;2014年

2 上衍猛;基于模糊C均值算法在文本聚類中的研究與實現(xiàn)[D];東華大學;2013年

3 楊紅利;陶瓷配方專家系統(tǒng)的研究與設計[D];陜西科技大學;2012年

4 聶保新;粗晶粒鎂合金高溫快速塑性變形的研究[D];遼寧科技大學;2012年

5 趙子豪;基于遺傳算法-BP神經(jīng)網(wǎng)絡方法對疲勞短裂紋演化規(guī)律的分析[D];大連理工大學;2011年

6 鄧錦豪;基于視頻圖像的行人檢測算法研究[D];華南理工大學;2011年

7 季朝旭;基于遺傳算法的DG配電網(wǎng)故障恢復策略研究[D];昆明理工大學;2011年

8 郭紅玲;合金元素對鎂合金焊縫熱裂紋敏感性影響的研究[D];吉林大學;2009年

9 陳錫潑;鎂合金熔爐溫控系統(tǒng)的研究與開發(fā)[D];浙江工業(yè)大學;2009年

10 蘇明;供應鏈管理環(huán)境下多產(chǎn)品單一設備動態(tài)計劃研究[D];上海交通大學;2008年

本文編號：2821348