铝电解用NiFe2O4-10NiO基金属陶瓷惰性阳极的耐腐蚀性能

制备铝电解用NiFe2O4-10NiO基金属陶瓷惰性阳极,并在实验室电解槽中考察其电解腐蚀性能。结果表明,电解过程中虽然惰性阳极在960°C熔盐电解质中表现出优异的耐腐蚀性能,但采用XRD、SEM/EDX和金相分析其物相组成和微观结构后发现,电解后阳极中的金属相发生了优先腐蚀,在阳极表面产生大量孔洞。NiFe2O4相中的 Fe 元素的优先溶解可能导致 NiFe2O4晶粒的不均匀腐蚀。溶解在电解液中的 Al2O3与阳极中的 NiO 或FeO 发生反应生成的 NiFe2O4-NiAl2O4-FeAl2O4相对 NiO 相的吞并以及体积膨胀,阳极表面形成致密的NiFe2O4-NiAl2O4-FeAl2O4保护层。因此,致密的NiFe2O4-NiAl2O4-FeAl2O4保护层可以阻挡阳极表面金属相的损失和陶瓷相的腐蚀。     

铁酸镍基金属陶瓷的强化烧结与熔盐腐蚀行为

采用气氛烧结方法制备NiFe2O4基金属陶瓷材料,并进行960℃的铝电解腐蚀实验.通过分析烧结体的显微结构和物相组成、电解试样的表层形貌与成分以及电解质和阴极铝的杂质含量等,研究BaO、Yb2O3和CoO的添加以及金属相的组成对NiFe2O4基金属陶瓷烧结性能的影响;表征J该金属陶瓷强化烧结体作为铝电解惰性阳极的电解腐蚀性能;并对材料强化烧结机制和熔盐腐蚀行为进行探讨.结果表明烧结过程中,BaO和Yb2O3与该金属陶瓷中的陶瓷相反应生成新的物相,CoO与陶瓷相形成固溶体,并加快烧结致密化进程;以Cu-Ni取代纯Cu和纯Ni作为金属陶瓷的金属相,可提高材料的相对密度;NiFe2O4基金属陶瓷的高致密度可抑制电解过程中金属相的流失和陶瓷相的腐蚀,阳极表层也转变为致密的NiFe2O4相.     

NiFe2O4基金属陶瓷惰性阳极的腐蚀研究进展

综述了近年来国内外铝电解用NiFe2O4基金属陶瓷惰性阳极在阳极组元的溶解与分布、腐蚀率的预测与测定以及氧化物和金属相对阳极腐蚀的影响三个方面所做的研究工作。     

电流密度对铝电解NiFe_2O_4基金属陶瓷惰性阳极腐蚀的影响

在Na3AlF6-K3AlF6-AlF3-Al2O 3熔体中,研究电流密度对22(Ni+Cu)/(NiFe2O4-10NiO)金属陶瓷惰性阳极腐蚀速率的影响,并分析腐蚀后阳极的微观结构。结果表明,随着电流密度的升高,NiFe2O4基金属陶瓷惰性阳极腐蚀从以化学溶解腐蚀为主逐渐转变为以电化学腐蚀为主,腐蚀率先降低而后增大。当电流密度从1.0 A/cm2增大至1.6 A/cm2时,阳极年腐蚀率从1.22 cm/a降低至0.137 cm/a;进一步提高电流密度至4.0 A/cm2时,阳极年腐蚀率增大到4.96 cm/a。     

镍基惰性阳极的耐腐蚀性研究(下)

探讨Ni0—NiFe204基金属陶瓷惰性阳极在冰晶石——氧化铝熔体中的腐蚀行为，通过实验作出电解质分子比、电流密度及氧化铝浓度与腐蚀速率的关系曲线。针对该镍基惰性阳极，找出了该惰性阳极材料腐蚀速率较小时对应分子比，电流密度及氧化铝浓度等电解过程控制的较佳条件。     

17（Cu-10Ni）-（NiFe2O4-10NiO）基金属陶瓷在铝电解过程中的相演变（英文）

采用冷压气氛烧结制备17(Cu-10Ni)-(NiFe2O4-10NiO)金属陶瓷,并作为阳极在960°C下分别进行10和40h的铝电解试验。对电解前后金属陶瓷的显微结构、物相成分进行分析检测。对电解质及阴极金属中的杂质含量进行分析,研究阳极组成中Fe、Ni和Cu元素的腐蚀行为。研究发现:在电解过程中,在材料表面形成NiFe2O4相致密层,该致密层随电解时间的延长而增厚。在NiFe2O4相致密层形成与增厚过程中,出现NiFe2O4相吞噬NiO相和金属相氧化的现象,金属陶瓷中Cu元素优先腐蚀溶解。并着重讨论NiFe2O4相致密层形成与增厚过程中金属相的腐蚀形式及NiO相向NiFe2O4相的转变机制。     

Co-Ni-xNiFe2O4惰性阳极的电导率及耐腐蚀性能

采用冷等静压-烧结的方法制备了铝电解用Co-Ni-xNiFe2O4(x=5%,10%,15%,20%,质量分数,下同)金属基惰性阳极,并对试样的导电性和抗腐蚀性进行了研究.结果表明阳极试样的电导率随NiFe2O4含量的增加和温度的升高而降低,在900℃时惰性阳极47.5Co 47.5Ni 5.0NiFe2O4和42.5Co 42.5Ni 15.0NiFe2O4的电导率分别为550 S·cm-1和300 S·cm-1.SEM照片表明试样的抗腐蚀性随着NiFe2O4含量的增加而增强.由于氧化作用和铝热反应,电解极化腐蚀速率要比静态腐蚀速率大.     

氧化银对惰性阳极耐熔盐腐蚀性能的影响

以Fe2O3、NiO和Ag2O为主要原料,采用固相烧结工艺制备了NiFe2O4/Ag惰性阳极,用X射线衍射和扫描电子显微镜对材料的组成和微观结构进行了研究,采用水冷法测量了样品的抗热震性,并测量了其在冰晶石熔盐中的电解腐蚀速率。结果表明:Ag2O的加入提高了样品的抗热震性,降低了惰性阳极试样在冰晶石熔盐中的电解腐蚀速率,当Ag2O含量为6%时,试样的电解腐蚀速率最低。     

NiFe2O4基金属陶瓷惰性阳极腐蚀组元在电解质中的传质研究

通过计算铝电解用NiFe2 O4基金属陶瓷惰性阳极腐蚀组元Fe、Ni和Cu在铝电解质中的传质系数,讨论了不同过热度下不同阳极腐蚀组元在电解质中的传质行为.结果表明,过热度对不同腐蚀组元的影响不明显,Cu的抗腐蚀性能最好,Ni次之,而Fe最差.     

铝电解惰性阳极用纳米复合金属陶瓷研制

为改进铝电解惰性阳极的金属陶瓷力学性能和可加工性,我们研制NiFe2O4纳米复合金属陶瓷,由均相沉淀,模压成型,常压烧结过程制备。通过透射电镜和X光衍射方法表征原材料和纳米复合金属陶瓷。腐蚀和导电性能的实验和测试显示该纳米复合金属陶瓷可用作铝电解惰性阳极。     

利用灰色理论预测注水管道腐蚀速率的变化趋势

针对注水管道中腐蚀速率和腐蚀影响因素之间复杂的映射关系，提出了利用灰色理论对腐蚀速率进行有效预测，同时为提高预测精度，对标准的GM（1，1）模型进行了合理改进，提出了4种改进方法：改进背景值、考虑初始点影响、灰色理论和BP神经网络相结合（简称灰色神经网络）以及灰色理论和遗传算法（简称灰色遗传算法）相结合等。通过示例表明，经过改进后的4种方法预测精度都有所提高，特别是灰色理论和神经网络结合、灰色理论和遗传算法相结合预测得到的腐蚀速率和实测值能较好吻合，预测精度最高；因此可以运用这两种改进方法较准确地预测腐蚀速率随着时间的变化趋势。     

应用神经网络技术预测应力腐蚀开裂

利用已有的应力腐蚀开裂数据训练人工神经网络，对奥氏体不锈钢在含有氯离子和氧的溶液中的应力腐蚀开裂敏感性进行了预测。所用的网络结构为三层结构，氯离子和氧含量作为网络输入，腐蚀开裂敏感性作为输出。学习算法为反向传播算法，以预测精度作为标准，训练得到网络的优化结构为2-6-1。结果表明，该劂络对应力腐蚀的预测比较准确，用神经网络技术预测应力腐蚀开裂敏感性是可行的。     

Prediction of bead geometry in pulsed GMA welding using back propagation neural network

This paper presents the development of a back propagation neural network model for the prediction of weld bead geometry in pulsed gas metal arc welding process. The model is based on experimental data. The thickness of the plate, pulse frequency, wire feed rate, wire feed rate/travel speed ratio, and peak current have been considered as the input parameters and the bead penetration depth and the convexity index of the bead as output parameters to develop the model. The developed model is then compared with experimental results and it is found that the results obtained from neural network model are accurate in predicting the weld bead geometry.     

基于神经网络的药芯焊丝GMAW发尘率预测

焊接工艺对焊接发尘率有直接的影响,建立基于相关焊接工艺参数的焊接发尘率预测模型,预测特定焊接工艺的发尘率对控制和降低焊接烟尘的排放具有重要意义。鉴于焊接发尘率影响因素复杂,存在高度非线性特征,提出了基于神经网络的熔化极气体保护焊(GMAW)焊接发尘率的预测模型。通过药芯焊丝E501T-1发尘率实测数据,分别建立了BP和Elman神经网络模型,并采用遗传算法(GA)对2种神经网络进行了优化。基于15组实测数据的验证,结果表明,采用遗传算法优化后,BP和Elman神经网络模型的预测合格率分别提升了6.7%和13.4%,遗传算法优化的BP神经网络模型(GA-BP)的均方误差为586.21,平均绝对百分比误差为3.01%,均为4个模型中最小,其预测结果更为准确可靠。基于GA-BP模型所预测数据,对不同焊接电流和电弧电压的发尘率进行预测,在一定的焊接速度和保护气流量条件下,焊接电流约为170 A,电弧电压约为26 V时,焊接发尘率最小。 创新点： (1)将神经网络模型引入到焊接发尘率数值预测中,并通过遗传算法对神经网络的权值和阈值进行优化,提高了预测准确性和可靠性。 (2)根据优化后的模型的预测结果,分析了焊接电流和电弧电压对发尘率的影响规律,为进一步控制焊接发尘率提供了有益的指导。     

基于遗传算法优化BP神经网络预测CO_2/H_2S环境中套管钢的腐蚀速率

基于CO_2/H_2S共存腐蚀环境的复杂性、危险性,以及两者协同与竞争效应的不确定等原因,套管钢在CO_2/H_2S共存腐蚀环境中腐蚀速率测试存在试验时间长、误差较大且存在不安全隐患等缺陷,现有的单一腐蚀速率预测模型不能满足这方面的研究。利用建立的遗传算法优化BP神经网络模型分别对不同温度、不同CO_2分压和不同H_2S分压条件下套管钢的腐蚀速率进行预测。与单纯的BP神经网络模型预测相比,遗传算法优化BP神经网络训练收敛速率有所增加,预测效果得到改善;遗传算法优化BP神经网络预测值与实测值吻合较好,此预测模型可靠性很强;该方法为我国高酸性气田开发中快速获取腐蚀速率数值提供了一条新的思路。     

ANN在焊接接头抗弯强度预测中的应用

采用Ni—Fe—C合金作为填充金属,获得了基于11G焊的WC-30Co／45钢焊接接头。采用人工神经网络(ANN)方法,对WC-30Co／Ni-Fe-C／45钢11G焊过程中输入参数(焊接参数和填充金属成分)和力学抗弯强度之间的关系进行预测和分析。训练数据经过数据标准化处理,送入基于反向传播的多层前馈神经网络模型训练。并采用均方误差对模型进行误差分析。并采用训练的网络对焊接参数和填充金属成分与抗弯强度之间的关系进行预测。最后通过试验对预测结果进行了误差分析。结果表明,当采用碳含量(质量分数)0．6％或0．8％;Ni／Fe比为1．9～2．7的合金作为填充金属时可以获得较高的抗弯强度;构建的基于反向传播算法的ANN模型适用于评价WC-30Co／45钢TIG焊接头的抗弯强度,优于传统方法。     

结构腐蚀损伤定量预测方法对比研究

用BP人工神经网络(artificial neural简称ANN)算法分别对飞机结构材料、lCrl7不锈钢腐蚀损伤数据进行学习训练，建立了腐蚀损伤与环境条件的映射模型，并预测腐蚀损伤值。分析了三种预测方法的预测精度。得到了ANN预测的精度比灰色GM(1，1)模型及Logistic模型的预测精度高，且对数据有较好的适应能力的结论；采用ANN技术定量预测飞机结构腐蚀损伤是一种较好工程方法。     

基于动态惯性权重粒子群算法的磨削低能耗加工方法

利用三层误差反向传播(back propagation, BP)神经网络建立磨削能耗预测模型,以砂轮线速度、进给速度和磨削深度为影响因素设计125组全因子试验,并取其中的75组试验数据作为该预测模型的训练样本与测试样本。采用动态惯性权重改进粒子群算法(adaption particle swarm optimization, APSO),以BP神经网络的预测作为适应度函数,以最小能耗为目标进行迭代寻优获取最优工艺参数。结果表明:模型预测结果较为准确,采用优化后的工艺参数能够有效降低磨削能耗。      

Predictive model based on artificial neural net for purity of perovskite-type SrTiO3 nanocrystalline

A three-layer structure back-propagation network model based on the non-linear relationship between the purity of the perovskite-type SrTiO3 nano-crystal samples and the technology factors, such as reaction time, reaction temperature, raw material adding amount of NaOH and SrCl2, and the rate of TiCl4/H1, was established. The input variables were pretreated by using the main component analysis firstly. Moreover, the momentum terms were introduced so as to accelerate the converging rate and avoid the non-converging situation. At the same time, the variable learning speed was adopted. The results show that the improved back propagation neural network model is very efficient for the prediction of the perovskite-type SrTiO3 nano-crystal sample purity.