7475铝合金电致塑性效应的ANN模型仿真研究

王少愚

武汉江汉大学智能制造学院 湖北 武汉 430000

引言

金属电致塑性效应是载有电流的金属中的漂移电子和参与变形过程的位错的交互作用使金属的塑性得以提高,变形抗力下降的现象[1]。

金属电致塑性效应是目前材料科学方面一个重要的研究内容,对于其产生的机理及成因,对金属中微观组织的影响,包括位错分布、形态、结构、位错动态行为等以及建立微观组织与宏观性能之间的关系基本还处于空白阶段。但有些学者提出了一些假设:一般认为金属电致塑性效应是金属中的漂移电子与位错存在着交互作用。它使金属中的组织发生变化并使金属的延伸率上升,变形抗力下降,相应提高了金属加工过程的生产效率,降低了生产成本。目前我国学者对此研究的结论猜想主要在以下几个方面[1-4]:

1.漂移电子可能对自由能影响的实验数据和理论依据;

2.漂移电子可能使金属中的堆垛层错能和激活体积能量的影响(包括位错长度和位错宽度);

3.漂移电子可能使金属中的可动位错密度得以提高,改变了位错分布和结构或者是位错动态行为;

4.漂移电子可能对金属中的位错有一个能量输送过程;

5.电磁场看作是降低了能障的结果,即热脉动力和产生位错。

以上几个方面是许多学者提出的假设,但由于缺乏实验数据和相应的研究方法及对原有数据的精确预测,理论上基本处于探索阶段。

1 BP神经网络建模

设计中首先选用了含有一个隐含层的BP三层神经网络(ANN)结构,以电流密度、电压、电场强度、电脉冲频率、变形速率、变形温度、时效温度、时效时间为输入量Xi,以材料的应力下降比、延伸率、时效组织、位错密度、位错结构、自由能、层错能变化、硬度等为输出量Yi,建立能反映实验数据内在规律和微观组织与宏观性能相互关系的神经网络模型。据此建立的神经网络,它具有8个输入神经元,8个输出神经元,隐含神经元数取为5个,隐含层神经元的非线性变换函数选用双曲正切型Sigmoid函数,输出值域为[—1,1]。

设含有n个节点的任意网络,各节点之特性为Sigmoid型。为简便起见,指定网络只有一个输出y,任一节点i的输出为Oi,并设有N个样本(xk,yk)(k=1,2,3,…,N),对某一输入xk,网络输出为yk节点i的输出为Oik,节点j的输入为

并将误差函数定义为

当j为输出节点时,Ojk=k

若j不是输出节点,则有

因此

如果有M层,而第M层仅含输出节点,第一层为输入节点,则BP算法为:

第一步,选取初始权值W。

第二步,重复下述过程直至收敛:

a.对于k=1到N

a).计算Oik,netjk和y^k的值(正向过程);

b).对各层从M到2反向计算(反向过程);

b.对同一节点j∈M,由式(1)和(2)计算δjk;

从上述BP算法可以看出,BP模型把一组样本的I/O问题变为一个非线性优化问题,它使用的是优化中最普通的梯度下降法。如果把神经网络的看成输入到输出的映射,则这个映射是一个高度非线性映射。

设计一个神经网络专家系统重点在于模型的构成和学习算法的选择。一般来说,结构是根据所研究领域及要解决的问题确定的。通过对所研究问题的大量历史资料数据的分析及目前的神经网络理论发展水平,建立合适的模型,并针对所选的模型采用相应的学习算法,在网络学习过程中,不断地调整网络参数,直到输出结果满足要求。

2 仿真设计

具体研究中,我们所采用的材料为东北轻合金加工厂提供的LY12铝合金,厚度为1.58mm。施加脉冲电流对LY12铝合金进行拉伸实验,得出有关脉冲电流对LY12铝合金的力学性能的影响。主要的实验方法有四个阶段,分别为:

1.常温不通脉冲电流状态;

2.加热不通脉冲电流状态;

3.常温通脉冲电流状态;

4.加热通脉冲电流状态。

经过反复的实验,得到的部分训练样本数据如表1所示:

表1 I=0A,拉伸方向与轧制方向平行

3 仿真结果分析

经过多次学习以后,我们利用训练过的神经网络来预测V=0.2和0.5,I=0A,T=380℃拉伸方向与轧制方向平行时的抗拉强度、延伸率和屈服极限的情况,对比结果如表2所示:

表2 预测情况与实验情况对比

从表2可以看出,通过训练后的ANN所预测的结果与实际结果所产生的误差小于2.3%,符合预测所能接受的误差范围。根据仿真的神经网络模型和仿真结果分析,我们可以得到应变速率对LY12铝合金性能的影响如下:

(1)在脉冲电流和温度不变的情况下,随着应变速率的增大,LY12铝合金的延伸率下降。

(2)在脉冲电流和温度不变的情况下,随着应变速率的增大,LY12铝合金的屈服极限增大。

(3)在脉冲电流和温度不变的情况下,随着应变速率的增大,LY12铝合金的抗拉强度增大。

另外,对我们所采用的神经网络仿真模型和仿真方法,也有如下结论:

1)通过神经网络具有能有效地模拟各种复杂的非线性映射,并有很强的容错性和联想记忆能力这种特点,来研究金属电致塑性效应的成因和非线性结果,是可行的。

2)通过神经网络仿真,我们能对金属电致塑性建立一个非线性的模型,并通过ANN独有的预测功能,代替数学理论模型来进行实验数据的计算和观测对比分析。3)虽然ANN技术能解决如同金属电致塑性效应这一类很难寻求数学模型的问题,但从数学角度来说,ANN是一种数学上的逼近,自然存在着先天的误差无法消除。同时,金属电致塑性效应内部机理依然是一种“黑箱”效应,还需要寻求其他的方法能更好的解决。

4)在具体的仿真过程中,依然存在精度不高的情况。可能由以下几种情况造成:一是ANN本身还存在着容易陷入局部最优的陷阱问题,这可以采用优化技术来解决,比如遗传算法等等,这也是我们以后要继续研究的问题。另一种是模型和训练本身存在着一些问题,比如泛化能力和过训练问题等等,再比如输入变量的选择问题等等。这些问题都有待以后深入的研究。