基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型

发布时间：2020-09-18 06:55

　　进入21世纪,随着航空、航天、电子、特别是汽车等领域对轻量化的要求日益迫切,镁合金其诸多性能尤其是密度小的性能特点被广泛重视,然而,镁合金在应用过程中其抗腐蚀和塑形能力差这两个技术瓶颈严重制约其广泛应用。突破其固有技术瓶颈愈加成为研究领域热点。传统研究和加工过程的影响因素十分复杂多变,造成试验结果的不稳定,尤其是镁合金的活泼性导致冶金质量不稳定性,这些因素必然会导致研究过程中的实验数据波动大、结论准确性低、工作量大、时间长、成本高等一系列缺点。为此,人工智能研究方法引入材料科学研究领域日趋广泛,虽然也覆盖了镁合金研究领域,但应用于腐蚀性能研究几乎未见报道。所以本论文在课题组前面工作的基础上,采用BP神经网络和遗传算法的原理及其特点,建立镁合金腐蚀性能和力学性能的预报模型,主要成果如下:1)基于镁合金的腐蚀性能的数据,建立AZ31、AZ91两种镁合金以离心压力、腐蚀时间、Fe元素含量、第二相含量为输入,腐蚀深度为输出的采用遗传算法优化的4-8-1三层BP神经网络预报模型,用相同条件下不同腐蚀时间所造成的腐蚀深度差异,从而定量的表征耐腐蚀性能高低,该预报模型能较为够精确的预报腐蚀深度,从而利用了腐蚀深度的比较样本和期望值之间的误差很好的表征腐蚀性能。经过遗传算法优化的BP神经网络预报模型,腐蚀深度的平均绝对误差由7.3%降到2.3%,最大误绝对误差小于3.0%,传统BP神经网络的均方根误差为0.6835,遗传算法优化的BP神经网络的均方根误差为0.3924。因此遗传算法优化的神经网络预报模型与传统的BP神经网络预报模型相比,具备更高的预测精度,从而能够较好地预测镁合金的腐蚀性能。2)基于AZ31、AZ91两种镁合金的196组力学性能实验结果和有关数据资料,在对数据分析和整理的基础上,以合金元素、变形温度、变形速率、变形系数、固溶温度、固溶时间、时效温度、时效时间为输入,以抗拉强度(UTS)、屈服强度(YS)、延伸率(ELO)为输出,利用遗传算法优化的8-8-1三层BP神经网络预报模型进行数据训练,训练结果表明:该预报模型可以比较精确地预报抗拉强度、屈服强度和延伸率,AZ31,AZ91两种镁合金的抗拉强度的绝对平均误差由2.80%降到0.88%和1.2%;屈服强度的绝对平均误差由6.62%降到3.3%和3.0%;延伸率的绝对平均误差由10.16%降到8.0%和7.8%,传统BP神经网络的均方根误差为0.7502,遗传算法优化的BP神经网络的均方根误差为0.4139,与一般的BP神经网络预报模型相比,具有较高的预测精度。
【学位单位】：西安建筑科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TG178
【部分图文】：

金属镁,晶体结构,镁合金

图 1.1 金属镁的晶体结构Figure 1.1 Crystal structure of magnesium镁合金的塑性变形最主要为滑移，其次还有孪生，与滑移相比孪生变形改变了晶体取向。对于密排六方结构的镁合金来说，孪生变形尤为重要，其切变也是沿着特定的晶体方向发生的，孪生是否发生与晶体的对称性有关[22,23]，镁合金晶体中的滑移只发生在与拉应力方向倾斜的晶体中，所以镁合金的塑性变形往往是滑移和孪生相互作用的结果，与此同时影响镁合金塑性加工性能的因素还有变形温度、应变速率、应力状态和织构。变形温度是影响镁合金塑性变形过程中的关键因素，由于镁合金为HCP结构，常温下的镁合金变形十分困难，当温度升到240℃时，随着孪晶的形成会产生更多的滑移面，进而很大程度上的提高了镁合金的塑性，镁合金的强度和塑性均对应变速率很敏感，塑性和应变速率成反比，和强度成正比[24,25]，主要因素为镁合金的再结晶温度较高，速率较快的加工变形使得镁合金来不及发生动态再结晶，发生了加工硬化现象。在塑性加工过程中，由于织构的影响，晶粒的择优取向使得镁合金易形成基面纤维织构或者板织构，这些变

路线图,实验流程

BP 神经网络研究 AZ31，AZ91 镁合金的腐蚀性的基础上进行数据的完善和分析，建立合理的性几个方面的研究：获得 AZ31，AZ91 的相关腐蚀性能数据样本。遗传算法的内在组成和发展背景及对 BP 神经网神经网络预报模型的构建方法遗传算法的构成和验样本数据，在 MATLAB 平台利用遗传算法优工艺参数或影响因素作为输入量，性能参数作为报模型，获取各输出量与期望输出量之间的误差编码，交叉遗传处理得到适应度较好的数据从而算法优化的 BP 神经网络对 AZ31，AZ91 镁合金。见图 1.2，研究技术路线图见图 1.3。

路线图,研究技术,路线图

研究技术路线图

【参考文献】