ZL205A合金元素偏析行为

在ZL205A合金中,Cu和Mn为负偏析元素,Ti、v和Zr为正偏析元素,Al呈现微弱的偏析,合金元素偏析程度由重到轻的顺序为:Cu＞Mn＞V＞Ti＞Zr＞A1;剩余液相的密度随着温度的降低而升高,计算结果表明,温度对液相密度的影响很小,合金元素的偏析对液相密度的影响占主要地位,其中A1、Cu和Mn的偏析导致液相密度增加,而Ti、V和Zr元素的偏析导致剩余液相密度的减小.     

提高ZL114A壳体铸件厚大部位力学性能的措施

介绍了ZL114A合金复杂壳体铸件的铸造工艺,对比分析了壁厚差异对力学性能的影响。结果表明,厚大部位力学性能明显偏低,不能满足设计要求。通过增加厚大部位冷却速度的方法,大幅度提高了厚大部位的力学性能,尤其是伸长率,由2.9%增加到了5.3%。     

旋转喷吹铝液净化工艺研究

介绍旋转喷吹铝液净化技术,将不同纯度、不同牌号的惰性气体除气对铝液的净化效果进行了对比,并将惰性气体喷吹除气与惰性气体加精炼剂相结合的喷吹除气对铝液的除气净化效果进行对比,从而确定出最佳旋转喷吹除气处理工艺参数.     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

基于神经网络与遗传算法的多目标充填料浆配比优化

随着充填法在地下矿山开采中的应用越来越广，在满足充填体强度要求的情况下，寻找生产成本最低的充填料浆配比对于矿山生产经营十分重要。基于人工神经网络和遗传算法提出了一种新的充填料浆配比优化方法。首先，以水泥质量分数、粉煤灰质量分数和尾砂质量分数3个充填料浆配比参数为优化参数，以充填体强度为优化目标，建立了3-9-1的BP神经网络，并基于遗传算法对BP神经网络进行优化，建立起预测精度更高的GA_BP神经网络。然后，将预测精度更高的GA_BP神经网络作为适应度函数，结合成本计算函数，通过遗传算法进行多目标优化以获取最优的充填料浆配比参数。结果表明：当充填体抗压强度为1.5 MPa时的成本最低，充填料浆配比组合为水泥质量分数为8%，粉煤灰质量分数为2.3%，尾砂质量分数为66.3%，最低成本为29.3元/t，优化结果与实际情况一致。     

ZL205A合金晶界偏析行为研究

利用SEM和XRD研究了ZL205A合金铸件Cu元素晶界偏析。结果表明:结晶过程中Cu元素自发往晶界偏聚,晶界偏析宏观形貌为弯曲条状,曲线条之间相互平行,偏析组织是Al2Cu共晶相,呈枝晶状、网状和散乱碎片状分布在粗化的晶界上;晶界偏析与热裂具有较大相关性。