ZK61M高强镁合金板热变形过程中的韧性断裂预测（英文）

为了预测ZK61M高强镁合金板热变形过程的韧性断裂行为,在一定条件下进行实验和数值模拟。基于获得的各试件断口处的应力状态参数和断裂应变数据,采用粒子群优化算法求解4种断裂模型中的待定系数。依据误差评估结果,确定改进的Wilkins模型精度最高。将改进的Wilkins模型引入有限元中,并与实验进行对比。结果表明,预测的拉伸件断裂位移和断裂载荷的平均误差均小于15%,预测的圆筒形件成形深度的平均误差为13.88%,建立的有限元模型可以较为准确地模拟实验过程并预测断裂位置。     

帽形件智能化弯曲参数实时识别及实时预测的研究

在板材成形智能化控制过程中,材料参数实时识别和最优工艺参数的实时预测是最重要的两个要素,实时识别时间的长短与实时预测精度的高低,直接影响到板材成形智能化控制的成败。文章利用神经网络技术实现了帽形件弯曲成形智能化控制过程中材料参数识别与最优工艺参数的预测,其材料参数及工艺参数均在数值模拟和试验提供的数据范围内,识别和预测模型的收敛精度均达到了0.1%,识别和泛化精度较高,满足帽形件弯曲智能化控制的要求。     

板料弯曲变形应力的滑移线解法

滑移线法作为一种求解塑性成形应力状态的常用方法而被广泛应用.而在板材弯曲中一般采用主应力法求解变形区的应力状态.通过对板料弯曲变形区应力分析,根据滑移线理论,推导出了变形区的应力分布规律,与主应力法求解的结果相同.     

毛坯外形对盒形件拉深成形的影响

盒形件是典型非轴对称件，其拉深成形是一种包含几何非线性、材料非线性，接触非线性的强非线性问题的复杂力学过程，影响因素很多，规律难以定量表达，用ANSYS有限元软件，模拟了在同一套模具和成形条件下，不同毛坯外形的盒形件成形过程，找出了毛坯外形对盒形拉深件应力应变影响规律，并用实验验证了模拟结果的可靠性。     

基于LM算法的宽板V型自由弯曲参数的实时识别

在弯曲成形智能化控制过程的4个要素中，材料性能参数的实时识别占有极其重要的地位。为提高实时识别的精度和效率，根据宽板V型自由弯曲成形的特点，建立了宽板V型自由弯曲成形智能化控制过程材料性能参数实时识别的LM神经网络模型。训练结果表明，与改进的BP网络模型比较，LM网络模型的收敛精度和收敛速度均有明显的提高，为实现弯曲成形过程的智能化控制奠定了基础。     

圆孔翻边极限研究

根据板料厚向异性和硬化理论,给出了最大翻边力和极限翻边系数的近似计算公式,可供参考。     

宽板V型自由弯曲智能化控制过程的解析定量描述

板料在弯曲卸载过程中,由于弹性变形回复,从而产生回弹。回弹的结果使弯曲件的精度降低。影响回弹的因素很多,也很复杂。根据弹塑性弯曲理论,在平面变形假设的前提下,考虑了材料的硬化、各向异性及弹性变形,对宽板V型自由弯曲应力应变进行了分析,得到了弹塑性交界处曲率半径,推导出了弯曲力及目标弯曲角随弯曲行程变化的关系式。理论计算与实验及数值模拟结果进行了比较,为宽板V型自由弯曲智能化控制中参数识别及预测模型输入层和输出层变量的确定提供了理论依据。     

U形件弯曲影响回弹因素模拟分析

板材在弯曲过程中存在的最突出的问题是弯曲回弹难以精确控制.弯曲卸载后产生的回弹,使弯曲件的形状和尺寸与模具工作部分的形状和尺寸不符.弯曲件的最后形状与整个变形过程有关,模具几何参数、材料性能参数等都会对回弹产生很大影响.在板材弯曲成形智能化控制系统中,准确确定实时识别和预测模型的输入、输出参数是弯曲智能化控制的成功与否以及回弹控制精度高低的关键.本文采用Ls-dyna软件,对U形件弯曲影响回弹的因素进行了分析,得出了影响回弹规律的主要因素.为U形件弯曲智能化控制神经网络参数识别及预测模型输入、输出参数的选择提供依据.     

基于神经网络的材料性能参数和摩擦系数的实时识别

在板材拉深成形智能化控制过程中 ,为了避免缺陷的产生 ,必须适时地改变控制工艺参数 ,而最佳控制参数要根据材料的性能参数和摩擦系数来预测。根据拉深成形过程的特点及生产过程中自动化程度的要求 ,建立了材料性能参数和摩擦系数识别的人工神经网络模型。利用神经网络这种新一代信息处理工具实现了材料性能参数和摩擦系数的实时识别 ,为实现板材拉深成形过程的智能化控制奠定了基础     

高强钢变模量随动强化本构模型匹配与解耦标定策略研究

高强钢通过微观组织调控获得高强度,但不同牌号高强钢微观的不均匀变形和微观诱导塑性机理不同,使得高强钢卸载及反向加载行为更加复杂,并且牌号间差异增大,为此给出模型自适应匹配及参数解耦匹配的系统化策略,实现了高强钢回弹精确预测。首先建立幂函数和指数函数混合硬化模型,基于混合模型给出自由弯曲加载的弯矩平衡方程和曲率约束方程,基于变模量模型构建截面弹性弯矩的积分方程,基于加载和卸载解析模型建立逆向识别卸载参数的子优化模型。确定变模量线性随动强化、变模量非线性随动强化模型和含边界面的变模量随动强化模型的匹配策略。基于自由弯曲、单向拉伸和拉压试验数据,确定相应本构的子优化模型参数的优化次序,最终形成本构匹配及其参数解耦标定的系统化策略,并基于Fortran语言开发标定程序库。建立U形弯曲件和弧形弯曲件预测模型,分别对DP980和DH980两种高强钢不同应变水平下的识别结果及回弹预测结果进行对比分析,验证了解耦标定策略不仅提高了不同牌号数据的相关度,而且大幅度提升了同一牌号下的模型精度和稳定性,为基于数据的材料性能统一自辨识方法研究奠定了基础。