基于正交试验和BP网络的2524铝合金热处理工艺优化及预测

对2524铝合金进行热处理正交试验,结合电导率测试,对正交试验结果进行极差分析和方差分析,并且通过人工BP神经网络模型优化,得到2524铝合金的最佳热处理制度:固溶温度为500℃,固溶时间为11h,时效温度为185℃,时效时间为5h。结果表明,该模型能较好的反映热处理工艺参数与铝合金电导率之间的内在规律,BP网络预测最大相对误差为2.19%,表明该神经网络模型具有较高的预测精度。     

基于RBF神经网络的高强高导铜合金热处理制度模型

在金属材料的热处理过程中,不同的热处理工艺参数会对材料的性能产生影响,然而热处理工艺参数的选择具有很强的经验性;对于高强高导铜合金,热处理工艺参数对其性能的影响更为显著。针对这一问题,采用改进的广义径向基函数(RBF)神经网络算法,对Cu-0.23Cr-0.2Zr-0.1V合金在热处理过程中固溶温度、固溶时间、时效温度和时效时间4组工艺参数下的合金电导率样本集进行训练、学习,建立了Cu-0.23Cr-0.2Zr-0.1V合金经时效处理后的电导率与固溶温度、固溶时间、时效温度和时效时间的映射模型。结果表明：采取广义RBF神经网络建立模型进行铜合金的时效性能预测是可行的,与传统的反向传播(BP)神经网络相比,广义RBF神经网络具有更高的输出精度和更好的泛化能力。     

7055铝合金二次时效特征研究——(I)力学性能

利用维氏硬度和拉伸力学性能测试、Kahn撕裂试验等方法,研究二次时效对7055铝合金力学性能的影响。结果表明,经过120℃,150℃和180℃高温欠时效,甚至峰值时效处理后,再进行60℃和100℃低温二次时效,可以获得超过相应单级峰值时效的硬度和强度。Kahn撕裂试验表明,二次时效温度从60℃提高到100℃,可以缩短二次峰值硬化时间,但不利于7055铝合金断裂韧性的改善。在相同预时效温度下,缩短预时效时间比峰值时效状态更有利于断裂韧性的改善。较低预时效和二次时效温度以及较短预时效时间有利于获得强度和断裂韧性的良好配合。     

7055铝合金二次时效特征研究—（Ⅰ）力学性能

利用维氏硬度和拉伸力学性能测试、Kahn撕裂试验等方法,研究二次时效对7055铝合金力学性能的影响。结果表明,经过120℃,150℃和180℃高温欠时效,甚至峰值时效处理后,再进行60℃和100℃低温二次时效,可以获得超过相应单级峰值时效的硬度和强度。Kahn撕裂试验表明,二次时效温度从60℃提高到100℃,可以缩短二次峰值硬化时间,但不利于7055铝合金断裂韧性的改善。在相同预时效温度下,缩短预时效时间比峰值时效状态更有利于断裂韧性的改善。较低预时效和二次时效温度以及较短预时效时间有利于获得强度和断裂韧性的良好配合。     

基于神经网络的汽车用铝合金热处理工艺优化

采用7×35×2三层拓扑结构,以锻造铝合金牌号、退火温度、退火时间、固溶温度、固溶时间、时效温度、时效时间作为输入层参数,以耐磨损性能和冲击性能作为输出层参数,构建了汽车用锻造铝合金热处理工艺优化神经网络模型,并进行了模型训练、预测验证和生产线应用。结果表明,汽车用锻造铝合金用神经网络优化模型的优势较明显,预测性较好,且精度性较高。和生产线传统工艺相比,通过神经网络优化模型热处理的试样磨损体积减小22%、冲击吸收功增大了79%。     

基于人工神经网络的A357合金力学性能预测(英文)

A357铝合金零件一般都需要经过热处理(T6状态)以获得优异的力学性能。这类零件的性能取决于固溶温度、固溶时间、人工时效温度及人工时效时间。在本研究中,建立了基于反向传播(BP)算法的人工神经网络(ANN)模型,对A357合金的力学性能进行预测,研究了热处理工艺对该合金性能的影响。结果表明,所建立的BP模型能够对A357合金的力学性能进行有效且精度高的预测。良好的神经网络预测能力能够直观地反映A357合金的热处理工艺参数对其力学性能的影响。绘制抗拉强度和伸长率的等值线图形有助于清晰地找到抗拉强度和伸长率之间的关系,可为实际生产中热处理工艺参数的选择提供技术支持。     

基于GA-BP和PSO-BP神经网络的6061铝合金板材流变应力预测模型（英文）

6061铝合金作为一种热可强化铝合金,具有良好的成形性能,但是其塑性流变应力受最终热处理工艺的加热温度、保温时间和冷却方式等参数的影响很大。因此,为了获得最终热处理工艺参数对6061铝合金板材的塑性性能及流变行为的影响,试验中以6061-T6铝合金板材为研究对象,通过单向拉伸试验、金相实验和硬度测试等方法研究不同热处理工艺参数(加热温度为500、530、560和590℃、保温时间2 h、冷却方式为空冷)对6061铝合金塑性性能和硬度的影响。通过单向拉伸试验获取不同热处理工艺参数条件下6061铝合金的真实应力-应变曲线;借助BP、GA-BP和PSO-BP神经网络构建不同热处理温度条件下6061铝合金的本构关系模型。结果表明,BP、GA-BP和PSO-BP神经网络模型均能较好的拟合不同热处理温度条件下6061铝合金的流变行为,但是PSO-BP神经网络模型对6061铝合金流变应力的预测精度更高,模型预测性能更优越,其平均绝对误差(MAE),平均相对误差(AARE)和相关系数(R~2)分别为1.89,1.56%和0.9965。     

基于GA-BP和PSO-BP神经网络的6061铝合金板材流变应力预测模型

6061铝合金作为一种热可强化铝合金,具有良好的成形性能,但是其塑性流变应力受最终热处理工艺的加热温度、保温时间和冷却方式等参数的影响很大。因此,为了获得最终热处理工艺参数对6061铝合金板材的塑性性能及流变行为的影响,试验中以6061-T6铝合金板材为研究对象,通过单向拉伸试验、金相实验和硬度测试等方法研究不同热处理工艺参数(加热温度为500、530、560和590℃、保温时间2小时、冷却方式为空冷)对6061铝合金塑性性能和硬度的影响。通过单向拉伸试验获取不同热处理工艺参数条件下6061铝合金的真实应力应变曲线;借助BP、GA-BP和PSO-BP神经网络构建不同热处理温度条件下6061铝合金的本构关系模型。研究结果表明BP、GA-BP和PSO-BP神经网络模型均能较好的拟合不同热处理温度条件下6061铝合金的流变行为,但是PSO-BP神经网络模型对6061铝合金流变应力的预测精度更高,网络预测性能更优越,其平均绝对误差(MAE),平均相对误差(AARE)和相关系数(R2)分别为1.89,1.56%和0.9965。     

基于人工神经网络的铜合金形变热处理工艺和性能

利用神经网络对Cu-Cr-Zr合金变形量、时效温度和时间与硬度和电导率样本集进行训练和学习，采用改进的BP网络算法-Levenberg—Marquardt算法，建立了形变热处理工艺BP神经网络模型，得出了具有较高综合性能的最佳工艺参数：在80％变形量，450-480℃，2～5h形变热处理条件下，硬度和电导率分别可达HV150～157和74％～77％(IACS)。     

基于神经网络的Cu-Ni-Si-Cr合金时效性能预测研究

利用人工神经网络对Cu-Ni-Si-Cr变形合金时效工艺参数与时效后性能样本集进行学习,建立了合金时效后的性能关于时效温度、时间和变形量等参数的非线性映射模型。模型采用改进的BP算法kvenberg-Marquardt算法。结果表明：所建立的神经网络模型具有较高的精度及良好的泛化能力,可对Cu-Ni-Si-Cr合金时效后的性能进行有效的预测和分析。     

应用人工神经网络模型预测Ti＋10V-2Fe-3A合金的力学性能

采用人工神经网络方法建立了Ti-10V-2Fe-3Al合金机械性能预测的神经网络模型。模型的输入参数包括变形温度、变形程度、固溶温度、时效温度等热加工工艺参数和热处理制度。模型的输出为钛合金最重要的5个机械性能指标，即抗拉强度、屈服强度、延伸率、断面收缩率和断裂韧性。与传统回归拟合公式相比，该模型具有容错性好、通用性强等优点。该模型可以预测Ti-10V-2Fe-3Al合金在不同热加工工艺参数和热处理制度下的机械性能，也可以用于优化热加工参数和热处理制度。     

AA 7055铝合金时效析出强化模型

利用小角度X射线散射技术获得的系列定量信息,综合运用时效析出动力学理论和析出相切过、绕过强化机制,研究了AA 7055铝合金在120和160℃时效过程中的屈服强度演变模型。结果表明,在时效早期盘状析出相的盘面半径和半厚度均与t^1/2(t为时效时间)成线性关系;在时效后期,析出相尺寸则与t^1/3成线性关系。时效过程中析出相体积分数与t的变化关系遵循JMA (Johnson-Mehl-Avrami)型表达式。综合考虑了GPI区和η’相2类析出相对合金强度的贡献,并且分别考察了这2类析出相的模量强化机制和共格应变强化机制,最终建立了AA 7055铝合金在120和160℃时效过程中的屈服强度变化模型,确定了该合金时效过程中析出相与屈服强度之间的定量关系。     

基于遗传算法的Al-5%Cu合金电脉冲孕育处理参数优化

以实验为基础,利用神经网络和遗传算法优化Al-5%Cu合金的电脉冲孕育处理工艺参数。神经网络的输入参数为脉冲电压、脉冲时间和电脉冲孕育处理时熔体温度,输出参数是合金凝固组织的晶粒度。在神经网络训练的基础上,采用遗传算法优化神经网络的输入参数。结果表明,神经网络和遗传算法的组合建模获得了较好的优化结果。     

7055铝合金的非等温时效工艺

结合光学显微镜(OM)、扫描电镜(SEM)以及透射电镜(TEM)等,对非等温时效处理后7055铝合金的组织、硬度、拉伸和抗腐蚀性能进行了研究。结果表明:合金的硬度和强度在60～120℃快速增加,随后缓慢上升并于160℃达到峰值,在时效后期则呈直线下降,伸长率的变化趋势与之相反。非等温时效过程中,起始温度、终止温度及升温速率会对合金的性能有一定影响。升温时效至160℃,合金不仅能够满足T6态的力学性能要求,同时能获得较好的抗腐蚀性能。      

Simulation of aging process of lead frame copper alloy by an artificial neural network

1　INTRODUCTIONThefunctionsofleadframeinelectronicpackingareprovidingchannelsforelectronicsignalsbetweendevicesandcircuits ,andfixingdevicesoncircuitboards.Leadframealloysarerequiredtohavehighstrengthandgoodformabilityaswellashighelectri calandthermalconductivity .Cu basealloysarethemostpopularleadframealloysandareusedinplasticpackagingapplicationduetotheirhighthermalandelectricalconductivityaswellashighstrength[13] .Theaginghardening processinfabricationofleadframecopperalloymakesitpossi…     

EFFECT OF COLD WORKING ON THE AGING PROPERTIES OF Cu-Cr-Zr-Mg ALLOY BY ARTIFICIAL NEURAL NETWORK

A developmental research has been carried out to deal with the high performance of Cu-Cr-Zr-Mg lead frame alloy by artificial neural network (ANN). Using the cold working to assist in the aging hardening can improve the the hardness and electrical conductivity properties of Cu-Cr-Zr-Mg lead frame alloy. This paper studies the effect of different extent of cold working on the aging properties by a supervised ANN to model the non-linear relationship between processing parameters and the properties. The back-propagation (BP) training algorithm is improved by Levenberg-Marquardt algorithm. A basic repository on the domain knowledge of cold worked aging processes is established via sufficient data mining by the network. The predicted values of the ANN coincide well with the tested data.So an important foundation has been laid for prediction and optimum controlling the rolling and aging properties of Cu-Cr-Zr-Mg alloy.     

基于人工神经网络与遗传算法的Al-Mg-Si系合金抗拉强度预测模型

为了研究Al-Mg-Si系合金热处理制度和合金成分对力学性能的影响规律,采用人工神经网络（artificial neural network, ANN）和遗传算法（genetic algorithm, GA）相结合的方法,构建了Al-Mg-Si系合金强度预测模型（ANN-GA模型）。通过单因素和双因素分析,研究了合金元素含量和热处理工艺参数对铝合金抗拉强度的影响规律。结果表明,随着Si含量的增加,铝合金的抗拉强度呈现先降低后升高的趋势;随着Mg含量的增加、Cu含量的增加或者Fe含量的减少,铝合金的抗拉强度整体上呈现升高的趋势。双因素分析更能反映输入参数对铝合金抗拉强度的影响。Mg/Si比、Mg+Si总量和时效时间对Al-Mg-Si系合金力学性能的影响显著。铝合金的硬度随时间的变化趋势与ANN-GA模型的计算结果一致,峰值时效时间为29 h,相对误差为11.86%。     

Optimization of LPDC Process Parameters Using the Combination of Artificial Neural Network and Genetic Algorithm Method

In this article, the low-pressure die-cast (LPDC) process parameters of aluminum alloy thin-walled component with permanent mold are optimized using a combining artificial neural network and genetic algorithm (ANN/GA) method. In this method, an ANN model combining learning vector quantization (LVQ) and back-propagation (BP) algorithm is proposed to map the complex relationship between process conditions and quality indexes of LPDC. The genetic algorithm is employed to optimize the process parameters with the fitness function based on the trained ANN model. Then, by applying the optimized parameters, a thin-walled component with 300 mm in length, 100 mm in width, and 1.5 mm in thickness is successfully prepared and no obvious defects such as shrinkage, gas porosity, distortion, and crack were found in the component. The results indicate that the combining ANN/GA method is an effective tool for the process optimization of LPDC, and they also provide valuable reference on choosing the right process parameters for LPDC thin-walled aluminum alloy casting.