基于神经网络算法的高强镁合金热处理工艺优化

以高强镁合金成分、固溶温度、固溶时间、时效温度和时效时间为输入层参数,以高强镁合金的抗拉强度为输出层参数,采用5×35×7×1四层结构构建出高强镁合金热处理工艺优化神经网络模型。并对模型进行了学习训练和预测验证。结果表明,该模型具有较好的预测能力和预测精度,预测误差小于4%,平均预测误差为2.6%。与试验优化的热处理工艺相比,采用神经网络优化的热处理工艺可以提高Mg-2Zn-2Y和Mg-10Gd-2.5Y-1.5Zn高强镁合金的抗拉强度。     

基于神经网络的新型镁合金锻压工艺优化

以始锻温度、终锻温度、模具预热温度和变形速度作为输入层神经元,并以力学性能(抗拉强度)作为输出层参数,构建了4×24×1三层拓扑结构的汽车用新型镁合金锻压工艺的神经网络模型,并对该模型进行了预测和验证.结果表明,采用traingd函数、traingda函数、trainlm函数的镁合金锻压工艺的神经网络模型的平均相对训练...     

Mg-Nd-Zn-Zr耐热高强铸造镁合金

以前苏联飞机机轮样件为依据,试制出含钕耐热高强Ｍｇ－Ｎｄ－Ｚｎ－Ｚｒ系铸造镁合金。经对该合金的力学性能、铸造性能、焊接性能等进行测试,认为达到或超过了前苏联МЛ１０镁合金标准。     

Mg-Nd-Zn-Zr耐热高强铸造镁合金

以前苏联飞机机轮样件为依据 ,试制出含钕耐热高强Mg Nd Zn Zr系铸造镁合金。经对该合金的力学性能、铸造性能、焊接性能等进行测试 ,认为达到或超过了前苏联МЛ10镁合金标准     

新型镁合金汽车零件的铸造工艺优化

采用不同工艺铸造了AZ91-Cr新型镁合金汽车曲轴后端盖,并进行了组织和耐腐蚀性能的测试与分析。结果表明,随浇注温度从640℃提高到720℃、浇注时间从10 s延长到90 s,后端盖的平均晶粒尺寸均先减小后增大,耐腐蚀性能均先提高后下降。与640℃浇注温度30 s浇注时间比较,680℃浇注温度时的后端盖平均晶粒尺寸减小16μm(48→32μm),腐蚀电位正移了61 mV(-965→-904 mV)。与90 s浇注时间,浇注温度680℃比较,浇注时间30s时的后端盖平均晶粒尺寸减小19μm(51→32μm),腐蚀电位正移了67mV(-971→-904 mV)。AZ91-Cr新型镁合金汽车曲轴后端盖的浇注温度优选为680℃,浇注时间优选为30 s。     

基于神经网络的镁合金汽车车轮锻压工艺优化

采用5×30×10×2四层拓扑结构,以模具温度、锻件温度、成形速率、摩擦因子和保压时间作为输入层函数,以耐腐蚀性能、耐磨损性能作为输出层函数,构建了镁合金汽车车轮锻压工艺神经网络优化模型并进行了训练、预测、验证和生产线应用,以及试样的显微组织、耐腐蚀性能和耐磨损性能的测试与分析。结果表明,该神经网络优化模型预测能力强、预测精度高,输出的耐腐蚀性能预测相对误差在1.1%~2.8%之间、耐磨损性能的预测相对误差在1.3%~2.9%之间。与生产线现用工艺参数相比,采用神经网络模型优化工艺参数获得的镁合金汽车锻压车轮的腐蚀速率减小40%、磨损体积减小32%,耐腐蚀性能和耐磨损性能得到明显提高。     

基于神经网络的铝合金电器罐体铸造工艺优化

以浇注温度、模具温度、充型压力为输入参数,以抗拉强度、伸长率、硬度为输出参数,构建了3×12×3三层拓扑结构的铝合金电器罐体铸造工艺优化的神经网络模型,并进行了试验验证和生产线应用研究。结果表明,神经网络模型具有较好的预测精度和工艺优化能力,抗拉强度预测的相对误差是4.1%～5.7%,预测平均相对误差为4.9%;伸长率预测的相对误差是3.1%～3.7%,预测平均相对误差为3.4%;硬度预测的相对误差是4.5%～5.4%,预测平均相对误差为4.9%。与神经网络优化前相比,经神经网络优化后的铝合金电器罐体的强度得到了提高。     

镁合金电磁铸造工艺参数的优化分析

镁合金是具有优越性能的金属材料,镁合金的加工是目前国内外正在研究的新课题。通过对镁合金电磁铸造过程中温度场的模拟来分析镁合金电磁铸造的工艺参数,确定最佳工艺条件。计算结果表明,镁合金电磁铸造过程中当频率为10Hz时温度场分布比较合理。     

汽车用新型高强镁合金的压铸工艺优化

采用不同的浇注温度、压射速度和压射比压对汽车用新型高强Mg-8Gd-4Y-0.3Zr-0.3Ti镁合金试样进行了制备并对力学性能进行了测试和分析.结果表明:与650℃浇注温度相比,710℃浇注温度下的抗拉强度和屈服强度分别增大了31、27MPa;与100 m/min压射速度相比,200 m/min压射速度下的抗拉强度和...     

汽车用新型高强镁合金的挤压工艺优化

测试和分析了汽车用Mg-6Al-3Sn-1Mn高强镁合金的性能.结果表明:镁合金的强度随挤压温度和挤压比的增加先增大后减小,而伸长率反之,腐蚀电位随挤压温度和挤压比的增加先正移后负移.380 ℃挤压温度下的抗拉强度和屈服强度比320 ℃挤压温度的分别增大了11.26 ％、15.89％,腐蚀电位正移了51 mV.与挤压比...     

基于模糊数学的高强镁合金晶粒尺寸预测及热处理工艺优化

采用不同工艺对Mg-10Gd-3Y-0.5Zr高强镁合金进行了热处理试验,应用模糊数学方法构建了多元隶属函数,并对高强镁合金热处理后的平均晶粒尺寸进行了预测、检验和验证。结果表明:多元隶属函数不仅对Mg-10Gd-3Y-0.5Zr高强镁合金热处理后的平均晶粒尺寸具有较佳的预测能力,而且对Mg-15Gd-5Y-0.6Zr和Mg-8Gd-2Y高强镁合金热处理后的平均晶粒尺寸具有较好的预测能力。与生产线传统热处理工艺相比,采用试验优化热处理工艺制备的Mg-15Gd-5Y-0.6Zr高强镁合金的抗拉强度增加18%,屈服强度增加26%,断后伸长率增加7.7%;Mg-8Gd-2Y高强镁合金的抗拉强度增加17%,屈服强度增加25%,断后伸长率增加6.8%。     

基于神经网络的铝合金汽车轮毂低压铸造工艺优化

以浇注温度、模具初始温度、浇注速度、铸造压力、浇注方式作为输入层函数,以力学性能作为输出层函数,采用5×30×1的三层拓扑结构构建了铝合金汽车轮毂低压铸造工艺神经网络优化模型,并对其进行了训练、预测验证和产线应用。结果表明,铝合金汽车轮毂低压铸造工艺神经网络优化模型具有较强的预测能力,精度较高,相对预测误差2.87%～4.31%,平均相对误差值为3.48%。神经网络优化工艺使试样的抗拉强度、屈服强度比产线原工艺分别增大了7.1%和6.9%,力学性能得到了显著提升。     

基于神经网络的钒钛改性镁合金汽车轮圈锻造工艺优化

以钒钛改性镁合金成分、模具预热温度、始锻温度、终锻温度、锻造比为输入层参数,以拉伸性能为输出层参数,采用5×35×7×1四层拓扑结构构建出钒钛改性镁合金汽车轮圈锻造工艺优化的神经网络模型。结果表明,神经网络模型相对预测误差在2.6%~4.2%,平均预测相对误差为3.3%。与生产线传统工艺相比,采用神经网络模型优化工艺成形的汽车轮圈抗拉强度增大了53%。     

差压铸造工艺参数对汽车高强镁合金性能的影响

对差压铸造的汽车用高强镁合金Mg-8.5Al-0.8Zn-0.8Ce-0.5Zr的力学性能和耐腐蚀性能进行了测试和分析.结果表明:随浇注温度、充型压力和充型速度的增加,抗拉强度和屈服强度先增大后减小,断后伸长率先减小后增大,腐蚀电位先正移后负移,耐腐蚀性能先提升后下降.高强镁合金Mg-8.5Al-0.8Zn-0.8Ce...     

基于神经网络算法的半连续铸造铝合金管坯的工艺优化

以铸造温度、铸造速度、模具温度和冷却水压为输入层神经单元,以抗拉强度为输出层神经单元,采用4×24×6×1四层拓扑结构构建了铝合金管坯半连续铸造工艺优化神经网络模型。并进行了训练和验证。结果表明,神经网络模型的平均相对训练误差为2.7%,平均相对预测误差为2.8%,具有较强的预测能力和较高预测精度。     

建筑横梁铸造工艺的BP神经网络优化

以浇注温度、炉外保温钢包的钢液温度、电弧炉出钢温度和浇注系统设计方式作为输入层参数,以铸造缺陷(以缺陷等级表征)为输出层参数,采用4×24×1三层拓扑结构,构建了建筑横梁铸造工艺优化BP神经网络模型,并进行了模型的学习训练、预测验证和应用验证。结果表明,模型训练性能曲线平滑,经过7004次迭代运算后收敛,铸造缺陷等级的平均训练误差和预测误差均为1级。与企业现用工艺相比,采用BP神经网络模型优化工艺铸造的ZG20Mn钢横梁缺陷等级从3级变为1级,横梁质量得到明显提高。     

镁合金轮毂中心浇注式挤压铸造工艺优化

以镁合金汽车轮毂为例,建立铸件三维模型,设计铸造工艺方案,运用CAE技术预测铸造缺陷,从而改进了铸造工艺。结果表明:对于镁合金轮毂中心浇注式挤压铸造工艺,应将螺栓孔填平,并尽量采用大尺寸浇口充型,以实现平缓顺序充型和顺序凝固,保证得到高品质的镁合金轮毂。     

基于神经网络算法的铝基复合材料搅拌铸造工艺优化

以Si C添加量、搅拌转速、搅拌时间、模具预热温度和浇注温度为5个输入层神经单元参数,以抗拉强度为输出层神经单元参数,采用不同训练函数,构建3层结构的铝基复合材料搅拌铸造工艺优化神经网络模型。结果表明:与traingd训练函数相比,采用trainlm训练函数的神经网络模型平均相对训练误差从4.4%减小到2.6%、收敛时的迭代运算次数从7924次减少到5186次。以trainlm函数作为训练函数的神经网络模型平均相对预测误差为2.7%,可用于实际的铝基复合材料搅拌铸造工艺优化。     

基于神经网络算法的铝合金差压铸造工艺优化研究

以11个差压铸造工艺参数作为输入层参数,以抗拉强度作为输出层参数,构建了11×55×5×1四层结构的铝合金差压铸造工艺优化神经网络模型。结果表明,神经网络模型的平均相对训练误差2.8%,平均相对预测误差为2.9%,模型具有较强的预测能力和较佳的预测精度。