一种建立热粘塑性材料本构关系的新方法

介绍了用于建立热粘性塑性材料的本构关系的人工神经网络，通过应用实例证明，指出这一网络不仅可满足工程应用的需要，还要为塑性加工智能仿真提供准确原始信息。     

一种建立热粘塑性材料本构关系的新方法

介绍了用于建立热粘性塑性材料本构关系的人工神经网络（ＡＮＮ），通过应用实例证明，指出这一网络不仅可满足工程应用的需要，还能为塑性加工智能仿真提供准确原始信息。     

应用神经网络表征变形高温合金的本构关系

本构关系是联系塑性加工过程中材料的动态响应与热力参数之间的媒介，因此，本构关系是用有限元对金属塑性加工过程进行数值模拟的前提条件。由于变形高温合金本构关系的高度非线性，在试验数据基础上，按Ａｒｒｈｅｎｉｕｓ型方程用数理统计方法建立的本构关系，结构十分复杂，不便工程应用。本文探讨用人工神经网络这种新一代信息处理工具表征变形高温合金本构关系的方法和效果。研究结果表明，应用人工神经网络表征的本构关系比用     

考虑空洞效应的板料超塑性成形数值模拟

本文基于弹粘塑性理论，推导出考虑空洞效应的超塑性流动本构方程，对板料超塑性拉伸进行了模拟研究，获得的应力应变曲线具备超塑性材料的流动特征，这表明新本构模型能够较好地描述超塑性流动特性；同时基于新本构模型对板料自由胀形过程进行了数值模拟，研究了各变形阶段的厚度分布，并与Backofen模型的计算结果进行了比较。     

半固态AlSi7Mg合金的触变力学模型研究

采用G1eeble—1500热模拟实验机研究了半固态A1Si7Mg合金的触变力学行为.通过回归分析建立了半固态A1Si7Mg合金在不同温度下的粘塑性本构关系模型；利用自行开发的半固态金属触变成形装置进行了实验研究，并采用建立的本构关系应用DEFORM^TM商用软件进行了模拟计算与实验条件相同的变形过程．由模拟计算与实验结果相比较可知，建立的本构关系模型是合理的，模拟结果与实验结果基本吻合．     

基于神经网络的TC21合金本构关系模型(英文)

本构方程是描述材料变形和有限元模拟基本信息必要的数学模型,它反映流动应力与应变、应变率和温度综合作用的高度非线性关系。基于Gleeble-1500热模拟机上进行等温压缩试验获得的实验数据,系统研究TC21钛合金的流变行为,并采用BP人工神经网络建立该合金的本构关系模型。在该模型中,输入变量为应变、应变速率和变形温度,输出变量为流动应力。与传统方法相比,利用BP人工神经网络所建立的本构关系模型能够更好地表征试验数据及描述整个变形过程。     

LY12超塑性成形有限元分析

基于LY12铝合金超塑性材料属性建立了弹-粘塑性本构模型。利用该本构模型并结合最大等效应变速率控制压力变化算法对LY12铝合金板超塑性圆杯成形进行数值模拟，得到圆杯变形过程中的应力应变分布、板料厚度变化及所需成形时间。根据模拟获得的优化压力时间曲线对圆杯进行超塑性气压胀形加载实验，制件厚度分布与模拟结果非常接近。     

Modeling Constitutive Relationship of Ti-555211 Alloy by Artificial Neural Network during High-Temperature Deformation

利用Gleeble-3800热模拟实验机,在应变速率0.001~1 s-1以及变形温度750~950 ℃范围内对Ti-555211合金进行等温恒应变速率压缩实验。基于人工神经网络的方法建立了Ti-555211合金热变形本构模型。模型的可靠性用平均相对误差和相关系数来确定。结果表明,所建立的本构模型与实验值的平均相对误差为1.60%,相关系数为0.99938,表明该模型能很好地预测该合金的本构关系。用神经网络来确定本构关系比传统的数学方程更加具有优势。热模拟实验结果表明,随着变形温度的升高和应变速率的减小,该材料的峰值应力有所减小,不连续屈服现象随着变形温度升高和应变速率的增大变得更加明显。流变曲线在不同的变形参数条件下表现形式也不同。     

冷轧变形及温升研究

推导了冷轧变形热计算公式及变形热所引起的轧件温升计算公式,并应用所推导出的公式计算了铝箔轧制时的温升。采用了刚粘塑性材料模型,考虑了温升所引起的欠化效应。     

基于人工神经网络的Ti-555211合金热变形本构模型研究(英文)

利用Gleeble-3800热模拟实验机,在应变速率0.001~1 s-1以及变形温度750~950℃范围内对Ti-555211合金进行等温恒应变速率压缩实验。基于人工神经网络的方法建立了Ti-555211合金热变形本构模型。模型的可靠性用平均相对误差和相关系数来确定。结果表明,所建立的本构模型与实验值的平均相对误差为1.60%,相关系数为0.99938,表明该模型能很好地预测该合金的本构关系。用神经网络来确定本构关系比传统的数学方程更加具有优势。热模拟实验结果表明,随着变形温度的升高和应变速率的减小,该材料的峰值应力有所减小,不连续屈服现象随着变形温度升高和应变速率的增大变得更加明显。流变曲线在不同的变形参数条件下表现形式也不同。     

A new constitutive relationship for alloy TC11

Engineers need constitutive relationships for planning engineering of high quality forgings. Accordingly, accurately describing the mechanical performance of material deformation is of decisive importance. In this paper, a new method is presented, in which a four-layer backpropagation neural network is built to acquire the constitutive relationship of the TC11 alloy based on the homogeneous compression test. Temperature, effective strain, and effective strain rate are used as the input vectors of the neural network, and the output of the neural network is the flow stress. After the network is trained with experimental data, it correctly reproduces the flow stress in the sampled data. Furthermore, when the network is presented with nonsampled data, it also correctly predicts the flow stress.     

应用人工神经网络建立Ti-22Al-25Nb合金高温本构关系模型

本构方程是描述材料变形的基本信息和有限元模拟中不可缺少的数学模型,反映了流动应力与应变、应变速率以及温度之间的相互关系。文章运用Gleeble-1500热模拟机对Ti-22Al-25Nb钛合金试样进行等温压缩变形试验,以试验所得数据(变形温度940℃～1030℃,应变速率0.001s-1～1s-1)为基础,采用BP神经网络的方法建立了该合金的高温本构关系,并与传统回归拟合的方法计算出的结果进行了对比。结果表明,BP神经网络本构关系模型的预测精度明显优于传统公式的计算结果,而且模型还可以很好地描述该合金在高温变形时,各热力学参数之间的复杂非线性关系,为该合金本构关系方程模型的建立,提供了一种便捷有效的方法。     

Comparison of flow behaviors of near beta Ti-55511 alloy during hot compression based on SCA and BPANN models

The flow behavior of Ti-55511 alloy was studied by hot compression tests at temperatures of 973?1123 K and strain rates of 0.01?10 s^?1. Strain-compensated Arrhenius (SCA) and back-propagation artificial neural network (BPANN) methods were selected to model the constitutive relationship, and the models were further evaluated by statistical analysis and cross-validation. The stress?strain data extended by two models were implanted into finite element to simulate hot compression test. The results indicate that the flow stress is sensitive to deformation temperature and strain rate, and increases with increasing strain rate and decreasing temperature. Both the SCA model fitted by quintic polynomial and the BPANN model with 12 neurons can describe the flow behaviors, but the fitting accuracy of BPANN is higher than that of SCA. Sixteen cross-validation tests also confirm that the BPANN model has high prediction accuracy. Both models are effective and feasible in simulation, but BPANN model is superior in accuracy.     

基于BP神经网络的GH5188高温合金本构模型

采用Gleeble-3500热模拟试验机对GH5188高温合金试样进行热压缩试验,研究其在应变速率为0.001~0.1s^-1和变形温度在1000~1150℃时的热变形行为;建立了基于BP神经网络的本构模型,并验证了所建本构模型的可靠性,最后基于误差计算分析了BP神经网络本构模型的精度。结果表明,温度和应变速率对GH5188合金流变应力的影响明显,随着压缩温度升高和应变速率降低,GH5188合金流变应力明显减小。经定量误差计算分析,BP神经网络本构模型应力预测偏差值在10%以内的数据点占97.92%,BP神经网络模型能准确地预测GH5188高温合金的高温流变应力。     

基于BP神经网络的2D70铝合金本构关系模型

利用Thermecmastor-Z型热加工模拟试验机对2D70铝合金进行等温恒应变速率压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为2D70铝合金的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可用于指导2D70铝合金热加工工艺的制定,并可用于2D70铝合金热变形过程的有限元模拟.     

基于BP神经网络Ti600合金本构关系模型的建立

运用Gleeble-1500热模拟机对Ti600合金的圆柱试样进行等温压缩变形试验,以试验所得数据（变形温度800~1100 ℃,应变速率0.01~10 s-1）为基础,基于BP神经网络方法建立了该合金的高温本构关系模型。结果表明：BP神经网络本构关系模型具有很高的预测精度,可以很好地描述Ti600合金在高温变形时各热力学参数之间高度非线性的复杂关系,为本构关系模型的建立提供了一种更加准确有效的方法。     

Ti-43Al-4Nb-1.4W-0.6B合金的本构方程以及加工图

在温度1323-1473 K,应变速率0.001-1 s-1的范围内研究了Ti-43Al-4Nb-1.4W-0.6B 合金的热压缩变形行为,其真应力-真应变曲线表明合金在变形过程出现了动态软化行为。依据经过摩擦和温度修正后流变应力的曲线,获得了该合金的本构方程,其中Zener-Holloman指数方程描述了温度和应变速率对变形行为的影响,以此构建五次多项式组来描述应变对材料参数的影响,其预测结果与实验结果相符。同时,建立了该合金的热加工图,并据此加工图预测出该合金合适的加工参数为1343 K和0.02 s-1,且成功地完成了在工业生产条件下对圆柱形试样的锻造。     

Mg-Zn-Cu-Zr镁合金的热变形行为和加工图(英文)

在温度523～673K,应变率0.001～1s-1条件下,使用Gleeble3800热模拟机研究一种新的四元Mg-6Zn-1.5Cu-0.5Zr合金的变形行为。结果表明,流变应力随着变形温度的升高或随着应变率的下降而减小。采用依赖于应变的本构方程和前馈反向传播人工神经网络来预测流变应力,其结果与实验数据吻合很好。热加工图表明,对于经T4处理的Mg-6Zn-1.5Cu-0.5Zr合金的热加工,其最佳工作条件为温度643～673K,应变速率0.001～0.01s-1。