大鍛件成形通常借助有限元模擬來進行研究,由于大鍛件的尺寸大、工序長而導致有限元計算耗費了大量時間。因此,首先,采用有限元軟件DEFORM對大鍛件拔長過程進行模擬,獲得成形數(shù)據(jù),構(gòu)建了19維的輸入特征量和以應力、應變?yōu)檩敵鎏卣髁康臄?shù)據(jù)集。然后,應用機器學習中的隨機森林和神經(jīng)網(wǎng)絡(luò)方法對數(shù)據(jù)集進行學習,訓練對應模型。最后,利用機器學習模型對一個新的拔長過程進行應力和應變分布預測,與有限元模擬結(jié)果對比后發(fā)現(xiàn),這些預測結(jié)果與有限元模擬結(jié)果相近。研究表明,通過機器學習可以快速預測拔長成形結(jié)果,進而進一步分析成形質(zhì)量,節(jié)省計算時間。 

【文章來源】：鍛壓技術(shù). 2020,45(10)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

簡化的大鍛件拔長過程示意圖

神經(jīng)網(wǎng)絡(luò)方法對應力測試集的預測結(jié)果如圖4所示。靜水壓力和最大主應力模型對大部分數(shù)據(jù)的預測結(jié)果良好，但低于隨機森林模型的準確度，分別為0.872和0.867。而在神經(jīng)網(wǎng)絡(luò)方法對等效應變的學習中，模型準確度最高僅為0.753，因此預測結(jié)果不可靠。這是由數(shù)據(jù)特征與學習方法的適用性導致的。對于拔長過程，本文所構(gòu)建包含19維的輸入特征量的數(shù)據(jù)集中，除時間之外的其他輸入特征量變化比較不明顯，因此，神經(jīng)網(wǎng)絡(luò)方法能從中提取的信息較少;同時，應力、應變變化的非線性很強，在數(shù)據(jù)信息不充分的情況下，數(shù)據(jù)非線性越強，神經(jīng)網(wǎng)絡(luò)方法的學習效果越差。因此，神經(jīng)網(wǎng)絡(luò)方法所得的應力、應變模型準確度比隨機森林方法低。但神經(jīng)網(wǎng)絡(luò)方法具有對大型數(shù)據(jù)集的學習能力，如果增加輸入特征量的個數(shù)，并在取值上使各個輸入特征量的取值均勻地覆蓋更大的范圍，也可以提高神經(jīng)網(wǎng)絡(luò)方法的預測精度。對比隨機森林和神經(jīng)網(wǎng)絡(luò)兩種方法的學習結(jié)果可以看出，對于所研究的拔長過程，隨機森林方法更適合。因此，接下來本文將基于隨機森林方法進行進一步討論。

應用隨機森林方法對數(shù)據(jù)集進行學習后，得到對應的靜水壓力、最大主應力和等效應變模型后，需要對與訓練集和測試集不同的輸入特征量數(shù)據(jù)進行預測，來檢驗模型的可靠性。為此。建立了一個新的拔長模型，它與前述為建立機器學習數(shù)據(jù)集所建立的有限元模擬模型是不同的。新的拔長模型尺寸為:鍛坯的長度為5500 mm、高度為2450 mm、寬度為2450 mm，在砧寬為1700 mm、進給量為1530 mm、壓下量為0.2、初始溫度為1150℃，利用模型對砧子第2次壓下時鍛坯上各位置應力和應變數(shù)據(jù)進行預測，并繪制應力、應變分布云圖(不考慮鍛坯的外形變化)，與有限元模擬進行對比，結(jié)果如圖5所示，其中方框標示區(qū)為砧子下壓的位置。圖4 神經(jīng)網(wǎng)絡(luò)方法在測試集上的部分預測結(jié)果

【參考文獻】：
期刊論文
[1]大鍛件拔長工藝優(yōu)化[J]. 吳貴軍,劉嵩,何寒,劉助柏,張建.  鑄造技術(shù). 2018(06)
[2]鍛造工藝對BTi20合金組織和力學性能的影響[J]. 王慶娟,雙翼翔,孫亞玲,王文,王偉.  稀有金屬. 2019(01)
[3]大鍛件不同砧型拔長工藝的研究進展[J]. 龔虎,徐月.  大型鑄鍛件. 2017(06)
[4]水平V型砧和平砧聯(lián)合拔長圓形棒料的多工步數(shù)值模擬[J]. 程小輝,黃冠良,吳岳森,倪利勇.  裝備制造技術(shù). 2016(01)
[5]大型鍛件的鍛造工藝研究進展[J]. 田峰,賈琛.  熱加工工藝. 2015(05)
[6]60Si2Mn長軸大鍛件淬火爆裂分析與研究[J]. 陸衛(wèi)倩,陳映川.  鑄造技術(shù). 2012(05)
[7]大型鍛件制造核心技術(shù)的進展[J]. 郭會光.  金屬加工(熱加工). 2012(01)



本文編號：3574297