F-TR锁座静态载荷反演试验应用研究

F-TR锁座是铁路货车运输中重要的部件,对其进行载荷反求研究对于提高车辆性能具有重要意义。工程设计中,采用定额载荷来评价产品强度及刚度等参数是否满足设计标准,在设计过程中需要对试件进行载荷评价。文中提出一种新的载荷反求算法,其能够得到最佳应变片的位置,并对测量得到的应变数据进行处理,推导求得其实际所受载荷大小,对常见的X70货车F-TR锁座进行了静态载荷反求应用研究。研究结果显示:该试验仿真方法所提供的最佳布片位置,能够为实际试验提供较好的布片点,但是对布片点的位置及角度有一定要求,其结果是值得参考的,这些成果为后期载荷反求的深入研究提供了有意义的参考。     

机器学习法预测不同应力比6005A-T6铝合金疲劳裂纹扩展速率

本文开展了不同应力比(R为0.05,0.1,0.3,0.5,0.6)条件下的6005A-T6铝合金紧凑拉伸试样疲劳裂纹扩展速率试验,在此基础上采用BPNN、SVR、KNN和XGboost共4种机器学习方法,比较了4种机器学习方法预测6005A-T6铝合金疲劳裂纹扩展速率的能力;作为对照组,利用试验数据拟合得到了传统的Forman疲劳裂纹扩展率方程。结果表明：应力比R对6005A-T6铝合金裂纹扩展速率存在显著影响,相同应力强度因子范围ΔK下,裂纹扩展速率da/d N随R增大而提高,且R的增大会使裂纹更早进入稳定扩展阶段;4种机器学习模型建立的裂纹扩展率预测内推模型均能体现裂纹扩展过程中速率的非线性变化特征,且对试验数据的拟合系数r²均达0.99以上,普遍高于Forman方程的0.82;4种机器学习模型建立的裂纹扩展率预测外推模型,BPNN算法的拟合系数r²仍高于0.99;KNN算法消耗的训练时间最短,XGboost算法具有最佳的疲劳裂纹扩展速率内推预测能力,而BPNN算法则具有更好的扩展率外推预测性能表现。     

金属材料疲劳短裂纹萌生与扩展研究综述

系统梳理了金属材料疲劳短裂纹的定义、分类、试验方法、萌生机理及典型扩展率模型，对当前短裂纹行为研究面临的问题进行了总结与展望。研究结果表明，在萌生机理方面，材料自身的微观结构对短裂纹萌生及扩展有重要影响，短裂纹扩展至晶界处，受晶粒取向及晶界阻力影响，扩展率会下降，裂尖突破晶界束缚后，短裂纹扩展路径出现局部偏折。在扩展行为描述方面，短裂纹的扩展驱动力与承受的载荷水平、残余应力、表面处理方式、局部磨损状况等有关。扩展过程中，裂纹尖端材料在小范围内屈服而产生局部塑性区。同时，塑性尾迹区也逐渐形成，进而产生塑性诱导闭合，导致裂纹扩展门槛值降低。此外，晶体位错之间的相互作用和位错塞积会阻碍位错发展。机器学习算法作为一种先进技术手段，已在短裂纹扩展行为表征中得到应用，对提升预测精度有促进作用。随着金属材料短裂纹行为研究的进一步深入，未来可重点关注短裂纹萌生与扩展实时监测、试验影响因素控制、数据离散性分析、扩展率模型的工程应用等问题，探索建立适用于工程结构与零部件的在役长、短裂纹扩展率统一表征模型和实时监测与安全评估技术，结合先进的机器学习算法，实现对工程关键金属结构更有效、更准确的安全性评定和剩余...