淬火水温对Al-Mg-Si系合金力学性能和耐腐蚀性的影响

采用拉伸性能测试、光学显微镜、扫描电镜和电化学性能测试等方法研究了固溶处理时冷却水温度对Al-Mg-Si系合金性能的影响。结果表明:固溶处理时,随着淬火水温的升高,合金的抗拉强度、屈服强度变化不明显,而合金的伸长率与硬度有所降低,即20 ℃水温淬火时合金具有良好的综合力学性能,显微硬度为129.4 HV0.3,抗拉强度为 352.2 MPa,屈服强度为 300.9 MPa;同时合金的抗晶间腐蚀性逐渐下降,而抗剥落腐蚀性影响不大,均为PC等级。因此,20 ℃水温淬火时合金具有最佳的抗晶间腐蚀性能,最大腐蚀深度为231.4 μm,这与电化学性能测试结果相对应,此时的腐蚀电位最大,为-0.834 V。     

Al-Mg-Si合金的形变热处理研究

Al—Mg—Si合金中，随着Mg、si含量增加，在一定范围内可以使合金的抗拉强度提高，但使塑性下降。同一合金的自然时效状态的强度比人工时效状态的低，而塑性要高。固溶温度从510℃提高到530℃可以提高合金的强度；合金经形变热处理后，硬度提高，随变形量的增加，材料的起始硬度提高，时效峰值时间提前，但到达峰时效后硬度下降较快；不同变形量的时效峰值时间不变；在相同的变形量下，时效温度提高使时效峰值时间提前，且时效温度越高，达到峰时效的时间越短；在175℃时效时。经过变形的合金时效峰值时间缩短到约3h，而未变形的合金的时效峰值时间为8h。     

Al-Mg-Si系合金中稀土Y与Si的叠加作用分析

在熔炼过程中以Al-Y中间合金形式加入0.3%稀土Y,研究了Y与Si的叠加作用对Al-Mg-Si系合金铸态组织、导电性能及拉伸性能的影响。结果表明:Y与Si的叠加效应明显,二者的联合作用使合金铸态组织均匀细小,晶粒尺寸保持在50μm左右。Si元素从0.37%变化到0.53%过程中,合金的导电性能先升高后降低,Si含量在0.45%时材料的导电率较高。在Y与Si的复合作用下,Al-Mg-Si系合金的室温强度和耐高温性能得到改善,Si元素在0.45%~0.49%变化时,材料的强度和塑性达到良好配合。     

Al-Mg-Si系挤压合金的自然时效和人工时效特性

较系统地研究了ＡｌＭｇＳｉ系（即６ｘｘｘ系）合金（主要以６０６３,６０６１,６００５和６３５１等挤压合金为代表）的自然时效和人工时效的硬化特性,为优化工艺制度提供了理论依据。     

Al-Mg-Si合金的复合变质研究

实验研究了不同变质剂及其量的变化对Al-Mg-Si合金材料凝固组织的影响。结果表明:当复合变质剂加入量w(SrCl2 RE)由0.6%增至1.2%,初生Mg2Si晶粒细化,尺寸从约16μm降至11μm左右,形貌发生由不规则多面体向立方体的转变;同时导致树枝状共晶Mg2Si组织细化,高倍下各树枝分枝形貌出现由密集的粗大板片向离散的短细纤维或颗粒状转变;稀土元素Nd对材料中共晶组织的变质更有选择性。     

Al-Mg-Si合金强化作用的键分析

对Al-Mg-Si合金中主要析出相[3(Mg2Si)以及纯硅晶胞的键电子密度计算，表明硅晶胞中置强的Si-Si键nA比β(Mg2Si)相的Mg-Si置强键nA要强2倍，相应的置强键密度-ρ也大2倍，这是影响Mg2Si颗粒的生长以及合金的硬度和强度等力学性能的主要原因。     

预变形结合人工时效对Al-Mg-Si合金力学性能的影响

研究预变形结合人工时效处理对AA6060铝合金强度和韧性的影响。对经过均匀化热处理和挤压加工的AA6060铝合金进行固溶处理,然后对材料实施0-10%的预变形并再进行时效处理或者在人工时效过程中进行同步变形。通过对不同时效处理后的合金的显微硬度和拉伸性能分析,发现预变形对材料的时效行为和力学性能有显著影响,它可以使合金的时效速度明显加快。比较预变形和同步变形对人工时效的影响发现,同步变形结合人工时效可以使该合金在更短的时间内得到更好的力学性能。对两种变形对时效行为的影响机理进行了探讨。     

Al-Mg-Si系合金中Mg_2Si含量及铸锭均匀化对挤压速度的影响

介绍了合金元素含量和铸锭均匀化处理对Ａｌ-Ｍｇ-Ｓｉ系合金挤压速度的影响及其机理。     

Al-Mg-Si合金的原子成键与性能的关系

应用基于价键理论和能带理论建立的固体与分子经验电子理论(EET)和改进的界面TFD理论,将合金宏观性能的研究追溯到原子成键的电子结构层次,并对Al-Mg-Si合金的序列析出相内部原子间的价电子成键及其与基体界面间形成的界面键络特征研究进行总结,比较各析出相的键强、结合能以及析出相与基体的界面能。结果表明:β″相对合金的强化作用最显著,pre-β″相的次之;结合能与最强键键能的变化也能反映熔点的变化,pre-β″相、β″相与U1相的熔点比基体和其他GP区的熔点高;各析出相的键强演变规律与实验强化曲线的变化规律相符。     

一种Al-Mg-Si合金板材退火工艺研究

试验研究不同加工率、退火温度和退火保温时间及退火冷却方式对一种Al-Mg-Si合金板材组织和性能的影响。通过力学性能检测、金相组织观察和X射线检验等手段,确定了该合金O状态板材的退火工艺为最佳退火温度范围380℃~400℃,退火保温时间1 h~2 h;退火冷却方式为空冷。按上述工艺参数,在工业性生产条件下生产出了力学性能和组织均满足研制目标要求的板材。     

Ti-17合金本构关系的人工神经网络模型

开发了一个基于神经网络的Ｔｉ１７ 合金的本构关系模型。首先利用ＴｈｅｒｍｅｃｍａｓｔｏｒＺ 型热模拟机等温压缩Ｔｉ１７ 合金, 研究在不同变形温度、变形程度和应变速率等工艺参数条件下流动应力的变化情况。然后用实验所得的热变形工艺参数与性能间的数据训练人工神经网络。训练结束后的神经网络变成为一个知识基的本构关系模型。利用该模型预测的流动应力的值与实验结果间的误差较小。     

基于神经元网络的Al-Mg-Si合金动态再结晶预测

利用Gleeble1500D热模拟实验机对Al-0.62Mg-0.73Si合金进行等温压缩实验,分析热变形参数(温度、应变速率、应变)对流变曲线特性的影响规律,并利用BP人工神经网络模型构建了合金热变形过程中动态再结晶行为动力学模型。实验结果表明:BP人工神经网络模型能够较好的描述Al-0.62Mg-0.73Si合金热变形时的动态再结晶行为,此外,通过对BP人工神经网络模型中不同隐含层节点数条件下的预测精度分析得到,当隐含层节点数大于等于9时,BP人工神经网络模型的预测效果最佳。本研究结果可用于优化Al-0.62Mg-0.73Si合金热变形工艺参数,并为全面地研究铝合金热变形行为提供理论依据。     

基于神经网络的TC21合金本构关系模型(英文)

本构方程是描述材料变形和有限元模拟基本信息必要的数学模型,它反映流动应力与应变、应变率和温度综合作用的高度非线性关系。基于Gleeble-1500热模拟机上进行等温压缩试验获得的实验数据,系统研究TC21钛合金的流变行为,并采用BP人工神经网络建立该合金的本构关系模型。在该模型中,输入变量为应变、应变速率和变形温度,输出变量为流动应力。与传统方法相比,利用BP人工神经网络所建立的本构关系模型能够更好地表征试验数据及描述整个变形过程。     

电铸金刚石-镍复合膜品质的神经网络分析

本文综合考虑电铸金刚石-镍复合膜沉积工艺参数与复合膜品质的关系，建立了一种复合膜品质预测的人工神经网络模型。该模型能够精确刻画电镀工艺参数与沉积结果之间的非线性关系，并且具有泛化能力。用所得到的神经网络模型对复合膜沉积结果进行分析预测，其预测值与实际样品测量值吻合，表明神经网络分析方法是有效的。     

GH99合金TIG焊接接头拉伸性能的人工神经网络预测

利用Matlab7.0软件建立了用于预测GH99高温合金焊接接头拉伸性能的改进算法的多层BP神经网络.以焊接电流、焊接速度、脉冲频率、重熔次数、板厚、装配间隙、坡口与连接形式作为输入参数,抗拉强度、屈服强度和断后伸长率分别作为输出值.结果表明,改进算法的多层BP神经网络能够很好的预测GH99高温合金TIG焊接接头的拉伸性能,抗拉强度、屈服强度与断后伸长率预报值与试验值的平均相对误差分别为-0.76%,1.71%和2.30%.     

基于人工神经网络的7055铝合金二次时效性能预测

利用人工神经网络对7055铝合金二次时效热处理工艺参数与时效性能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7055铝合金二次时效热处理工艺BP神经网络模型。针对二次时效工艺特点,研究的工艺参数包括:预时效温度、预时效时间、二次时效温度和二次时效时间。结果表明:神经网络预测值与实验值吻合较好,说明神经网络模型具有较高的精度及良好的泛化能力,可有效地用于预测和分析二次时效工艺参数对7055铝合金时效性能的影响。     

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。     

化学成分对高强Al-Mg-Si合金组织和性能的影响

通过电子拉伸试验机、扫描电镜、透射电镜等研究了5种不同合金成分对高强Al-Mg-Si合金组织和性能的影响。结果发现,5种 Al-Mg-Si合金微观组织、力学性能以及导电性能都强烈依赖于合金中Mg和Si含量。随着Mg、Si含量的增加,合金的抗拉强度增加,同时导电率呈现下降的趋势。Al-0.7Mg-0.5Si和Al-0.6Mg-0.6Si相比,虽然两种合金的Mg、Si原子总量相当,但是由于Mg/Si比不同,导致二者微观组织明显不同,性能存在明显的差异。Ce微合金化使Al-0.7Mg-0.6Si-0.2Ce合金的力学性能和电学性能获得良好的匹配,175 ℃时效4 h的抗拉强度达到325 MPa,同时导电率达到56.2%IACS。     

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。