Cu—Cr—Zr合金等温时效动力学研究

本文通过测试Cu—Cr—Zr合金在等温时效过程中电阻率的变化研究了铜合金的等温时效动力学。试验中,在时效温度达到设定温度时,每lOs记录一个电压值,直到试验过程结束为止。通过分析曲线可知,Cu--Cr--Zr合金的时效曲线具有两个拐点,对应着时效析出的两个过程。最后,推导出了合金的时效动力学公式：ρ=ρmin（ρmax-ρmin）exp-（ktn）。通过对动力学公式二阶导数的分析,从数学上证明了合金等温时效两个析出过程的存在性。     

液态和非晶态Cu—Zr合金的研究进展

从性质、结构以及相图等方面论述了近年来液态和非晶态Cr-Zr合金的研究现状。指出目前研究的主要内容集中在固态尤其是非晶态的结构和晶化以及相分离过程等方面，而对与凝固过程密切相关的液态Cu-Zr合金的结构和性质方面的研究则涉及非常少。因而从液态Cr-Zr合金的结构和性质入手，寻求液态、非晶态与晶态之间的相互关系，是一个值得研究的新课题。     

基于BP神经网络对CuNiSiCr合金时效后性能预测

采用改进的BP 网络算法———Levenberg Marquardt算法,建立了固溶态Cu Ni Si Cr合金的时效温度和时间参数关于时效后性能的非线性映射模型。结果表明所建立的BP神经网络模型可对Cu Ni Si Cr合金时效后的性能进行有效的预测和分析。     

铸态Cu20Ni35Mn合金的直接时效强化研究

制备成分为Cu20Ni35Mn的合金试样,对铸态锰白铜合金直接进行时效处理,研究了不同的时效工艺对锰白铜合金的强化效果,分析了时效强化机理.实验结果表明,锰白铜合金在铸态下可以直接进行时效处理,最佳时效工艺为:时效温度400～470℃,时效时间为60～72h,硬度可达到HV400以上.并发现MnNi相的析出是合金时效强化的主要原因.     

Cu-0.7Cr-0.13Zr合金时效强化行为的研究

研究了不同时效工艺对Cu-0.7Cr-0.13Zr合金的硬度和导电性能的影响,利用透射电镜分析了合金的时效析出微观组织.研究表明:500℃时效6 h后硬度和电导率具有141HV和76%IACS,强度的提高主要是由扩展位错以及共格弥散析出所造成的;合金在550℃时效2 h硬度和电导率仍具有126HV和77%IACS,析出相仍较细小,但与基体失去共格关系;最佳时效工艺条件为500℃时效4～6 h,硬度为134～141HV,电导率达72%～76%IACS.     

激光熔覆制备Al65 Cu20 Cr15准晶态合金及其类似相的研究

研究了以45＃钢基体表面激光熔覆准晶态Al65Cu20Cr15粉末制备准晶及其类似相涂层过程中，激光功率和扫描速度对激光熔覆涂层相结构的影响。实验结果表明：由于激光切率和扫描速度的变化，基体材料对熔覆涂层的稀释程度发生改变；随着激光熔覆稀释率的增加，熔覆层的相结构依次为β＋i,β d,β,β Fe；激光熔覆粉末所制备的涂层结构致密，无孔隙和裂纹；涂层的表面显微硬度及摩擦系数等力学性能也因涂层相结构的不同而有所差异。     

Prediction of Properties in Thermomechanically Treated Cu-Cr-Zr Alloy by an Artificial Neural Network

A supervised artificial neural network (ANN) to model the nonlinear relationship between parameters of thermomechanical treatment processes with respect to hardness and conductivity properties was proposed for Cu-Cr-Zr alloy. The improved model was developed by the Levenberg-Marquardt training algorithm. A basic repository on the domain knowledge of thermomechanical treatment processes is established via sufficient data acquisition by the network. The results showed that the ANN system is an effective way and can be successfully used to predict and analyze the properties of Cu-Cr-Zr alloy.     

Age Hardening in Rapidly Solidified Al-V-Zr Alloy

Rapidly solidified Al-3.9V-0.1 Zr alloy is a single sol-id solution.The metastable limited solid solubility ofsolute V in Al reaches 3.9 wt-% under about 10~6 K/scooling rate.A strong age hardening response have beenobserved in this alloy.A large amount of dislocation linesand loops were observed in the alloy aged at 100-150℃:and an age peak occurs at 450℃,the hardness value in-creases by a factor of 2.The precipitate which is responsi-ble for age hardening is identified to be Al_V(Al).     

人工神经网络在材料性能研究中的应用

人工神经网络技术广泛应用于复杂系统的建模中,已成为材料科学研究中常用的建模方法.介绍了BP神经网络及其建模的重要特征,综述了神经网络技术在材料性能预测方面的研究情况.     

人工神经网络在材料研究中的应用

简略介绍了人工神经网络的基本思想及特点,综述了人工神经网络在材料性能预测、工艺参数优化、相变规律的研究、微观组织模拟等领域的应用情况.对人工神经网络研究中存在的问题进行了分析,展望了其应用前景.     

Microstructure and Properties of Cu-Cr-Zr Alloy after Rapidly Solidified Aging and Solid Solution Aging

The structure and properties of Cu-Cr-Zr alloy were studied after rapidly solidified aging and solid solution aging. At the early stage of aging (500℃for 15 min), the hardness and the conductivity of the alloy rapidly solidified are 143 HV and 72% IACS, respectively. Under the same aging condition, the hardness and electrical conductivity of the alloy solid solution treated can reach 86 HV and 47% IACS, respectively. The microstructure was analyzed, and the grain size after rapid solidification is much smaller than that after solid solution treatment. By rapidly solidified aging the fine precipitates distribute inside the grains and along the grain boundary, while by solid solution aging there are large Cr particles along the grain boundary.     

一种人工神经网络在测试中的应用

本文给出一种人工神经网络及其在传感器信号处理中的应用．由计算机仿真实验结果表明该神经网络结构简单，应用方法效果良好，     

人工神经网络在材料科学研究中的应用

人工神经网络模型已成为材料科学中广泛使用的技术，综述了人工神经网络在材料设计，材料加工的智能控制，材料相变研究和材料性能预测等方面的应用。     

基于改进人工神经网络的SMT质量智能鉴别

采用了一种改进的BP神经网络,针对BP神经网络的不足进行了改进:采用变学习率法减少网络训练时间、采用高斯惩罚函数避免局部最小值,并使整个网络能自主调整其隐层节点的数量.运用改进的BP神经网络对于样本进行训练,训练后的神经网络能够较为精确的预测SMT产品质量问题.     

矿渣微晶玻璃材料设计神经网络模型

研究了人工神经网络在矿渣微晶玻璃材料设计中的应用。采用基于变尺度法的新学习算法建立了三层前馈型神经网络,发现当网络结构为M-2M-1,取一定范围内的学习误差时,网络具有很好的学习效果。研究证明,建立的人工神经网络模型学习速度快,收敛稳定,强壮性好,能根据较少的实验样本有效抽取矿渣微晶玻璃组成、工艺和性能之间的内在规律,是进行微晶玻璃材料设计的有力工具。     

人工神经网络中的一种Krylov子空间优化算法

介绍了人工神经网络的二阶优化算法研究现状,对人工神经网络损失函数的KSD (Krylov Subspace Descent)优化算法进行改进。针对KSD算法中采用固定不变的Krylov子空间维数的方式,提出了Krylov子空间维数根据计算结果自适应改变的MKSD (Modified KSD)算法,并给出了利用MKSD、KSD以及SGD (Stochastic Gradient Descent)优化算法对不同问题的全连接神经网络进行训练的数值算例。计算结果说明MKSD的算法对比于其他算法具有一定的优势。