Al-6.2Zn-0.70Mg-0.30Mn-0.17Zr合金基于Arrhenius模型与ANN模型的热压缩流变行为（英

发布时间：2018-09-07 18:13

【摘要】：在Gleeble-3500热模拟仪上进行热压缩实验,研究在变形温度为623~773 K、应变速率为0.01~20 s~(-1)时均匀化状态下Al-6.2Zn-0.70Mg-0.30Mn-0.17Zr合金的热变形行为。实验结果表明:变形过程中流变应力值随应变速率的减小或变形温度的升高而减小。为研究热压缩过程合金的流变行为,同时建立了应变补偿本构模型与人工神经网络模型。计算结果表明:热压缩过程中各个材料常数与应变之间的关系可分别用6次多项式描述;隐含层含有16个神经元的神经网络模型具有好的预测效果。采用应变补偿本构模型和神经网络模型对流变应力进行预测,预测值平均绝对误差分别为3.49%和1.03%,神经网络模型预测精度与效率均高于应变补偿本构模型。
[Abstract]:Thermal compression experiments were carried out on a Gleeble-3500 thermal simulator. The thermal deformation behavior of Al-6.2Zn-0.70Mg-0.30Mn-0.17Zr alloy was studied at a deformation temperature of 623773 K and a strain rate of 0.01 ~ (20) s ~ (-1). The experimental results show that the flow stress decreases with the decrease of strain rate or the increase of deformation temperature. In order to study the rheological behavior of alloys during hot compression, a strain compensated constitutive model and an artificial neural network model were established. The results show that the relationship between the material constants and the strain can be described by polynomial of order 6, and the neural network model with 16 neurons in the hidden layer has a good prediction effect. The strain compensated constitutive model and the neural network model are used to predict the rheological stress. The average absolute error of the predicted value is 3.49% and 1.03% respectively. The prediction accuracy and efficiency of the neural network model are higher than that of the strain compensated constitutive model.
【作者单位】： 中南大学材料科学与工程学院;晟通科技集团有限公司;
【基金】：Project(2016GK1004) supported by the Science and Technology Major Project of Hunan Province,China
【分类号】：TG146.21

【相似文献】

相关期刊论文 前10条

1 杨天才,刘鸿,程绍佳,杨长青;一种神经网络模型在混凝土配比设计中的应用[J];武汉工程职业技术学院学报;2003年02期

2 朱伟,龚红英,张质良,娄臻亮,刘晖,周士侃;两种神经网络模型在材料领域中的应用[J];材料导报;2003年11期

3 韩波;黄雄巍;;神经网络模型在北海市空气日报污染指数计算中的应用[J];中国环境管理干部学院学报;2012年03期

4 树锦;;神经网络模型在河道水质建模中的应用初探[J];江苏水利;2013年10期

5 王晓峰;;一种对偶互反馈神经网络模型及其在线性规划上的应用[J];沈阳化工学院学报;1990年03期

6 赵千里,高谦;采矿神经网络模型在金川二矿区的开发应用[J];有色冶炼;1999年S1期

7 刘亚秀;;英文字母中的噪声信号对神经网络模型识别的影响[J];防灾科技学院学报;2006年04期

8 成小平,胡聿贤,帅向华;基于神经网络模型的房屋震害易损性估计方法[J];自然灾害学报;2000年02期

9 楚艳艳;汪青;崔世忠;禹建丽;;基于组合神经网络模型对纺织品热阻与湿阻的估计研究[J];丝绸;2008年04期

10 李作清;陈志祥;;精密内圆磨削过程的神经网络模型的研究[J];磨床与磨削;1993年04期

相关会议论文 前10条

1 孙宝成;刘锡荟;;时间序列神经网络模型[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

2 周金荣;胡泽新;黄道;;一种多层混合型神经网络模型的研究[A];1995中国控制与决策学术年会论文集[C];1995年

3 王阿明;刘天放;;高阶神经网络模型特性研究[A];中国地球物理学会年刊2002——中国地球物理学会第十八届年会论文集[C];2002年

4 屈景怡;王如彬;;大脑皮层神经网络模型同步问题研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

5 张美恋;林熙;;经济增长的神经网络模型[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 陈昭炯;叶东毅;;一个改进的竞争神经网络模型[A];1996中国控制与决策学术年会论文集[C];1996年

7 郭成安;李建华;李明伟;;从观测数据学习后验概率函数:一种最佳神经网络模型的设计与分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

8 李媛;康春艳;于亚芳;;交指型缺陷接地结构共面波导的神经网络模型[A];2009年全国微波毫米波会议论文集（上册）[C];2009年

9 禹建丽;苏中义;杨卫平;;牵引传动中润滑油牵引系数的神经网络模型[A];2005年中国智能自动化会议论文集[C];2005年

10 胡金亮;李建生;余学庆;沈建京;周涛;王永炎;;用于中医证候量化诊断的神经网络模型的探索[A];计算机在诊法中的应用与研究论文汇编[C];2005年

相关重要报纸文章 前1条

1 自治区交通厅养路费征稽处 程爱娟;应用“神经网络模型”预测妇女的平均工资水平[N];新疆科技报(汉);2000年

相关博士学位论文 前10条

1 袁朝晖;二元离散神经网络模型的动力学分析[D];湖南大学;2003年

2 王军平;几类离散神经网络模型的动力学分析[D];复旦大学;2006年

3 南晋华;决策神经网络模型及应用研究[D];华中科技大学;2008年

4 周日贵;量子神经网络模型研究[D];南京航空航天大学;2008年

5 刘艳青;时滞神经网络模型的稳定性研究[D];天津大学;2005年

6 赵灵晓;基于部件神经网络模型的制冷系统混合仿真方法及应用[D];上海交通大学;2010年

7 朱红;高速（HS-K-WTA）神经网络模型[D];南京理工大学;2003年

8 熊佩英;几类神经网络模型的动力学分析[D];湖南大学;2013年

9 刘开宇;几类二元神经网络模型的动力学性质研究[D];湖南大学;2004年

10 黄振坤;几类神经网络模型的动力学分析[D];浙江大学;2007年

相关硕士学位论文 前10条

1 杨巍;三元离散神经网络模型的稳定性与分岔分析[D];东北林业大学;2010年

2 孙文渊;基于BP神经网络模型下预测吉林省GDP[D];延边大学;2015年

3 李波;一类带有分段连续控制项的非线性递推关系的渐近周期性[D];延边大学;2015年

4 巩云野;两类具有时滞项的Cohen-Grossberg神经网络模型的稳定性分析[D];东北林业大学;2015年

5 王薇;一类离散时间双极人工神经网络模型的周期性[D];延边大学;2015年

6 李辰风;改进遗传BP网络的地表沉降预测方法研究[D];江西理工大学;2015年

7 尤军;民用建筑沉降监测与预报方法应用研究[D];宁夏大学;2015年

8 吴娇娇;基于时空神经网络模型的瓦斯浓度预测研究[D];中国矿业大学;2015年

9 李灵光;细长导轨加工变形分析与参数优化技术[D];北京理工大学;2015年

10 王鹏;切换Cohen-Grossberg神经网络模型的动力学分析[D];长沙理工大学;2014年

，

本文编号：2229035