304不锈钢冷加工过程中应力-应变本构方程的建立与验证

在室温条件下,以静态单轴拉伸为例,采用理论分析、物理实验和数值模拟相结合的方法研究了冷加工对核电结构常用材料304奥氏体不锈钢力学性能的影响规律,在此基础上建立了应力-应变近似数学关系式,并分析了式中各系数与拉伸量之间的定量关系。结果表明:室温条件下,在静态单轴拉伸过程中,随着拉伸量的增大,304奥氏体不锈钢硬度、强度均增大,且应力、应变关系满足线性强化模型,力学性能对应变速率敏感性较弱。为了保证所建近似数学模型的准确性,后续在不同拉伸量和应变速率条件下对模型进行验证,数值模拟结果与物理实验能较好的吻合。     

基于YOLO-v5的Ti-48Al-2Cr-2Nb合金高温析出相智能识别

TiAl金属间化合物合金是一种重要的高性能材料,其微观组织对研究片层生长行为特点和组织演变规律有着重要意义。在高温相变析出生长的实验中,对其微观组织的准确识别和定位具有至关重要的作用。本文旨在解决通过人眼观察识别微观组织存在的准确率低和主观性强的问题,通过将计算机视觉技术应用于Ti-48Al-2Cr-2Nb合金高温析出相的智能识别。在经过模型选取、数据集制作、参数和配置选择以及训练结果分析后,完成了目标检测实验。实验结果表明,提出的析出相态组织目标检测模型在精确率、召回率和平均精度均值等指标上均能达到80%以上,其中mAP最高达到88%。同时,该方法具有高精度和高效性,单张图片的检测速度为17ms。因此,该方法在Ti-48Al-2Cr-2Nb合金高温析出相态组织的识别和定位上具有广阔的应用前景。     

基于MPA-BP网络的单道激光熔覆熔深预测方法

针对激光熔覆过程中熔覆层深度无法精确控制问题，提出了基于海洋捕食者(Marine Predators Algorithm, MPA)优化的误差反向传播算法(Error Back Propagation, BP)单道激光熔覆熔深预测模型，以激光功率、扫描速度和送粉速率作为自变量，熔深作为因变量对模型进行评估。通过将该模型结果与PSO-BP、SOA-BP和SSA-BP神经网络的试验结果进行对比，发现MPA-BP预测模型的平均绝对误差为7.414%,拟合优度为0.964,相关数据的试验结果均优于其他模型，表明基于MPA优化的BP神经网络对熔深预测具有更好的稳定性和预测精度。