高强高导铜银合金的研究现状及发展趋势

Cu-Ag合金作为先进的导体材料,广泛应用于微电子、交通、航空航天及机械制造等工业领域。回顾了近年来高强高导Cu-Ag合金的主要研究进展。针对Cu-Ag合金的导电性和力学性能,主要从合金设计中的Ag成分设计、微合金化和加工工艺中的制备方法、热处理及变形处理等方面进行评述。分析了Cu-Ag合金的成分设计原则,比较了上述几种加工工艺的特点,并提出大塑性变形将会是一种非常有前景的制备高强高导Cu-Ag合金及其它合金的加工工艺。最后指出了现阶段研究中存在的问题及未来发展的趋势。     

铀铌合金结构及性能调控研究进展

铀铌合金作为一种重要的核工程材料,因其较高的密度、优异的耐蚀性能和良好的力学性能等特点,被广泛应用于核工业领域。铀铌合金受成分及热处理工艺影响显著,表现出复杂的相转变和组织结构特征,使得铀铌合金耐腐蚀性能及力学性能可在较大范围内获得调控。本文按照"成分/工艺-结构-性能"主线,综述了近年铀铌合金在结构、性能调控方面的研究进展,认为:低温时效机制和杂质控制技术仍是铀铌二元合金研究中需要重点关注的问题;高通量设计、制备及表征手段的出现,为未来铀铌多元合金结构及性能调控研究带来了新的机遇与挑战。     

高Co-Ni二次硬化钢力学性能研究

本文将人工神经网络用于建立高Co-Ni二次硬化钢的力学性能预测模型。在此基础上,对此类钢的力学性能与钢的合金成分及热处理温度之间的关系进行了研究,并将其与实验结果相比较,获得了满意的结果。     

组合材料芯片技术在钛合金研究中的应用

综述了组合材料芯片技术在钛合金研究中应用的新进展.利用组合材料芯片技术在短周期内制备出合金元素梯度变化的多元钛合金样品,由于样品的加工状态和热处理条件相同,可以确定某种合金元素含量与整个钛合金体系组织和力学性能的定量关系.利用多种表征手段,从样品库中系统地分析组织和力学性能的变化规律并筛选出目标成分,显示出组合材料芯片技术在钛合金相变研究和合金设计中的优势.     

高Co—Ni二次硬化钢力学性能的研究

本文将人工神经网络用于建立高Ｃｏ－Ｎｉ二次硬化钢的力学性能预测模型。在此基础上,对此类钢的力学性能与钢的合金成分及热处理温度之间的关系进行了研究,并将其与实验结果相比较,获得了满意的结果。     

镁基材料的阻尼性能研究进展与展望

简要介绍了高阻尼镁合金及镁基复合材料的研究进展,叙述了应变振幅、频率、温度、热处理以及合金成分对镁合金阻尼性能的影响,分析了镁基复合材料的阻尼机制及阻尼设计.对高阻尼镁基材料的重要发展方向进行了展望.     

Al-Mg-Zn合金成分的正交优化分析

为提高Al—Mg—zn合金的力学性能，采用正交回归设计方法对Al—Mg—zn合金的化学成分进行了调整和优化分析，研究了Al—Mg—zn合金中Mg、zn等元素含量及其交互作用对合金力学性能和组织的影响．经实验验证确定了最佳合金成分比：在铸造状态下，当Mg含量(质量分数)为3．5％—4．5％，zn含量(质量分数)为3．0％—4．5％时，合金综合力学性能最好；而在热处理(T4)状态下，当Mg含量为5．0％—6．0％，zn含量为3．5％—4．5％时，合金具有最佳的综合力学性能．     

熔体过热对镍基高温合金凝固组织及性能的影响研究

基于对镍基高温合金熔体结构的认识,选择合适的熔体过热温度、过热时间和浇注温度,熔体过热处理可有效改善镍基高温合金的凝固组织并提高合金的力学性能.本文介绍了国内外熔体过热对镍基高温合金凝固组织及力学性能的研究进展.     

铁镍基高温磁致伸缩合金研制

介绍了磁致伸缩效应、本质及磁致伸缩材料的应用,并对新型铁镍基高温磁致伸缩合金进行了成分设计和制备,研究表明,新型铁镍基磁致伸缩合金,具有高居里温度,较大的饱和磁致伸缩系数,较小的饱和磁化场,较小的热膨胀系数和良好的力学性能.     

热处理对喷射成形GH742y合金组织与性能的影响

研究不同的固溶温度热处理对变形喷射成形GH742y合金组织与性能的影响.结果表明:喷射成形GH742y合金晶粒细小、成分均匀、无宏观偏析,晶粒尺寸约35μm左右,固溶温度对其影响不大,具有明显的晶粒抗长大性.γ'相的固溶温度为1130℃,不同固溶温度的热处理下,主要强化相γ'相析出的形状和大小不同,对合金的力学性能影响不大,不同热处理状态合金的屈服强度都在1150MPa左右,而持久性能也普遍在200h.     

模拟退火算法在无钴高强韧钢设计中的应用

提出一种利用残缺实验数据建立无钴高强韧钢力学性能与钢的合金成分及热处理条件关系模型的方法 ,依据该方法建立了人工神经网络模型 ,并应用模拟退火算法对无钴高强韧钢进行优化设计。     

遗传算法在无钴高强韧钢设计中的应用

提出一种利用残缺实验数据建立无钴高强韧钢力学性能与钢的合金成分及热处理条件关系模型的方法,依据该方法建立了人工神经网络模型,并应用跗算法,对无钴高强韧钢进行了优化设计,实践表明所提出的方法是有效的,为研制新材料开辟了一条新途径。     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

热处理对BT14钛合金显微组织和力学性能的影响

本文研究了BT14钛合金热处理规范→显微组织→力学性能之间的关系.结果表明:热处理工艺对组织和力学性能的影响很大.其中,随着退火温度的升高,初生α相含量逐渐减小,α相颗粒逐渐粗化,向等轴状发展;随着退火温度的升高,合金的强度和硬度逐渐减小,但塑性变化是先升高后减小的趋势.热处理强化规范中低温淬火 低温时效所得的合金综合性能较优.但BT14钛合金强化效果不明显.     

CrCoNi基多主元合金研究进展

总结了近期引起国内外众多学者关注的CrCoNi基多主元合金的研究现状。首先简要地介绍了CrCoNi基合金的发展历史,详细分析了该合金的变形机理,其中包括变形孪晶的形成原因及其对合金性能产生的影响。其次介绍了包括冷轧、热轧和增材制造在内的多种加工工艺对该合金显微组织及力学性能的影响。目前制备CrCoNi合金应用最广泛的方法是“铸造-冷轧-热处理”。但是有学者研究发现,通过增材制造制备的CrCoNi合金,其强度在不经过任何打印后热处理就与传统冷轧+热处理方式制备的合金相当,说明CrCoNi合金是一种非常适合于增材制造加工的合金。随后,分类讨论了多种合金元素对CrCoNi基多主元合金显微组织、相稳定性和力学性能的影响。其中Al和Ti的复合添加使面心立方(FCC)基体上析出了γ′相,对CrCoNi合金的强化效果最为显著,明显改善了合金的力学性能。最后,提出了CrCoNi基多主元合金的后续研究方向及其潜在应用背景。     

人工神经网络法在镍基变形合金蠕变断裂寿命预测中的应用

在试验数据的基础上,利用人工神经网络建立不同成分镍基变形合金的不同温度,外应力与蠕变断裂寿命之间关系模型,并进行网络训练,对合金的蠕变断裂寿命进行模拟.结果表明,模拟结果与实测结果吻合良好,采用人工神经网络方法可以为镍基变形合金蠕变断裂寿命的预测提供一种有效的手段.     

化学成分及热处理工艺对TA5合金棒材力学性能的影响

研究了化学成分和热处理工艺对TA5合金棒材力学性能的影响。结果表明,增加铝、氧、氮元素的含量,提高铝强度当量,TA5合金棒材强度显著提高,塑性略有降低。在700~800℃范围内升高退火温度,TA5合金棒材的强度降低,塑性升高;在740~780℃退火时,其强度和塑性匹配最佳。与空冷相比,采用炉冷+空冷的冷却方式时,TA5合金棒材的强度降低,塑性显著升高。      

Mg-Gd-Y合金的研究进展

已有的研究表明,Mg-Gd-Y系合金具有很好的室温强度和耐热性能,可以进一步扩大镁合金的使用温度范围和应用领域,在航空航天、汽车及电子等工业领域具有巨大的潜在应用价值.介绍了Mg-Gd-Y系合金产生的背景及发展现状,分析总结了Mg-Gd-Y系合金的强化机制、组织结构、力学性能、各种合金元素及微量元素在合金中的作用,并对Mg-Gd-Y系合金今后的发展趋势进行了展望.     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及TiC增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测TiC增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造铝合金的力学性能,GA-BP模型比其他2种模型的预测精度更优。与传统的实验方法相比,用神经网络模型预测电弧增材制造铝合金力学性能的速度更快,成本更低。