基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900～1200℃、应变速率为0.01～10 s^-1条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明：Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。     

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R²和平均绝对相对误差e_AARE评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R²和相对平均绝对误差e_AARE分别为0.909和2.06%。     

基于响应面法的Ti2AlNb基合金工艺参数优化研究

本文采用Gleeble-3500热模拟试验机对Ti2AlNb基合金进行了变形温度为650-850℃、应变速率0.001-1s-1的压缩实验,研究其热变形行为,获得Ti2AlNb基合金最优工艺参数范围。首先分析Ti2AlNb基合金的流变应力曲线,并计算热变形激活能Q、lnZ和功率耗散因子η,从而建立以热变形激活能Q、lnZ和功率耗散因子η的二阶响应面模型,再通过多目标可视化优化得出Ti2AlNb基合金优化后的最佳区域,并结合微观组织图验证。结果表明Ti2AlNb基合金随变形温度升高和应变速率减小流变应力随之减少;建立的响应面模型具有较高精度,可以用于工艺参数的优化与分析;多目标可视化优化结果得出Ti2AlNb基合金优化后的最佳区域是变形温度750-850℃、应变速率0.01-0.03s-1。