含缺陷的Al-Si-Mg合金的疲劳性能和强度评估

在高速铁路接触网支撑定位装置用Al-7Si-0.6Mg合金中引入不同尺寸的人工缺陷，进行旋转弯曲疲劳实验以定量研究缺陷尺寸对材料疲劳强度的影响，并建立了疲劳强度与缺陷尺寸之间的定量关系。结果表明：材料表面的人工缺陷尺寸越大，试样的高周疲劳强度的下降越大；材料表面尺寸小于370 μm的人工缺陷对其高周疲劳强度没有影响；在适用性条件范围内使用修正的Murakami公式能更加准确地评估Al-7Si-0.6Mg铝合金的高周疲劳强度和应力强度因子门槛范围。     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先，本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后，在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外，还采用了径向基神经网络（RBF）进行建模分析，并与以上两种模型的预测结果进行对比，结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度，其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后，基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析，从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重；最后，还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为，结果表明：测试集的平均预测误差仅为3.4%，表明了该神经网络预测性能良好。综上所述，本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为，显著降低了传统疲劳试验所需的成本，并且还保证了较高的准确性。     

喷丸处理EA4T车轴钢疲劳性能和残余应力松弛行为研究

目的 研究不同喷丸工艺处理EA4T车轴钢的疲劳性能和破坏行为,并分析表面影响层性能,尤其是表面残余应力对疲劳强度的影响机理。方法 采用传统喷丸（CSP）和微粒子喷丸（MSP）工艺分别对EA4T车轴钢进行处理,对不同喷丸处理后的试样进行表面性能分析,然后采用旋转弯曲疲劳试验机进行疲劳试验,获得疲劳S-N曲线和残余应力松弛过程,并通过扫描电镜对发生疲劳失效的断口进行观察。结果 与CSP相比,MSP可以引入更高的表面硬度和残余压应力,同时又可以有效地减小表面粗糙度。喷丸可以有效地提高试样的疲劳性能,CSP和MSP分别提升了试样疲劳极限的25%和33%。所有喷丸试样残余应力松弛与循环次数（10≤N≤107）之间存在线性关系,这个线性关系可以用经验公式定量描述。在相同加载应力下,CSP试样的残余应力松弛过程比MSP试样更快,当试样在疲劳加载过程中发生残余应力松弛后,剩余的残余压应力高于初始值的80%时,疲劳失效不会发生。所有试样的疲劳裂纹均萌生于表面,喷丸没有改变试样的疲劳断裂机制。结论 与CSP相比,MSP可以引入更优的表面影响层,在相同加载应力下有更加缓慢的残余应力松弛过程,从而可以进一步提高试样的疲劳性能。另外,残余压应力、表面完整性是影响疲劳极限提升的主要因素。