基于机器学习的大锻件拔长变形预测

发布时间：2022-01-07 09:34

　　大锻件成形通常借助有限元模拟来进行研究,由于大锻件的尺寸大、工序长而导致有限元计算耗费了大量时间。因此,首先,采用有限元软件DEFORM对大锻件拔长过程进行模拟,获得成形数据,构建了19维的输入特征量和以应力、应变为输出特征量的数据集。然后,应用机器学习中的随机森林和神经网络方法对数据集进行学习,训练对应模型。最后,利用机器学习模型对一个新的拔长过程进行应力和应变分布预测,与有限元模拟结果对比后发现,这些预测结果与有限元模拟结果相近。研究表明,通过机器学习可以快速预测拔长成形结果,进而进一步分析成形质量,节省计算时间。 

【文章来源】：锻压技术. 2020,45(10)北大核心CSCD

【文章页数】：8 页

【部分图文】：

简化的大锻件拔长过程示意图

神经网络方法对应力测试集的预测结果如图4所示。静水压力和最大主应力模型对大部分数据的预测结果良好，但低于随机森林模型的准确度，分别为0.872和0.867。而在神经网络方法对等效应变的学习中，模型准确度最高仅为0.753，因此预测结果不可靠。这是由数据特征与学习方法的适用性导致的。对于拔长过程，本文所构建包含19维的输入特征量的数据集中，除时间之外的其他输入特征量变化比较不明显，因此，神经网络方法能从中提取的信息较少;同时，应力、应变变化的非线性很强，在数据信息不充分的情况下，数据非线性越强，神经网络方法的学习效果越差。因此，神经网络方法所得的应力、应变模型准确度比随机森林方法低。但神经网络方法具有对大型数据集的学习能力，如果增加输入特征量的个数，并在取值上使各个输入特征量的取值均匀地覆盖更大的范围，也可以提高神经网络方法的预测精度。对比随机森林和神经网络两种方法的学习结果可以看出，对于所研究的拔长过程，随机森林方法更适合。因此，接下来本文将基于随机森林方法进行进一步讨论。

应用随机森林方法对数据集进行学习后，得到对应的静水压力、最大主应力和等效应变模型后，需要对与训练集和测试集不同的输入特征量数据进行预测，来检验模型的可靠性。为此。建立了一个新的拔长模型，它与前述为建立机器学习数据集所建立的有限元模拟模型是不同的。新的拔长模型尺寸为:锻坯的长度为5500 mm、高度为2450 mm、宽度为2450 mm，在砧宽为1700 mm、进给量为1530 mm、压下量为0.2、初始温度为1150℃，利用模型对砧子第2次压下时锻坯上各位置应力和应变数据进行预测，并绘制应力、应变分布云图(不考虑锻坯的外形变化)，与有限元模拟进行对比，结果如图5所示，其中方框标示区为砧子下压的位置。图4 神经网络方法在测试集上的部分预测结果

【参考文献】：
期刊论文
[1]大锻件拔长工艺优化[J]. 吴贵军,刘嵩,何寒,刘助柏,张建.  铸造技术. 2018(06)
[2]锻造工艺对BTi20合金组织和力学性能的影响[J]. 王庆娟,双翼翔,孙亚玲,王文,王伟.  稀有金属. 2019(01)
[3]大锻件不同砧型拔长工艺的研究进展[J]. 龚虎,徐月.  大型铸锻件. 2017(06)
[4]水平V型砧和平砧联合拔长圆形棒料的多工步数值模拟[J]. 程小辉,黄冠良,吴岳森,倪利勇.  装备制造技术. 2016(01)
[5]大型锻件的锻造工艺研究进展[J]. 田峰,贾琛.  热加工工艺. 2015(05)
[6]60Si2Mn长轴大锻件淬火爆裂分析与研究[J]. 陆卫倩,陈映川.  铸造技术. 2012(05)
[7]大型锻件制造核心技术的进展[J]. 郭会光.  金属加工(热加工). 2012(01)



本文编号：3574297