论文部分内容阅读
金属在高温塑性变形时材料内部的微观组织会经历一系列动态变化,材料的微观组织特征又直接决定其力学行为,从而控制材料的性能。因此,研究不同变形条件下材料内部微观组织的演化及流变应力的预测模型,可为合理确定材料的热加工工艺和控制产品质量提供科学依据和理论指导。添加混合稀土和锑的AZ31镁合金的热变形流变应力受到变形温度、应变速率和应变量等诸多因素的影响,是一个较复杂的非线性问题。本文研究了添加混合稀土和锑的AZ31镁合金的的热变形行为,并利用人工神经网络(ANN)技术,建立了添加混合稀土和锑的AZ31镁合金的流变应力预测模型。在Gleeble-3500热模拟试验机上,研究了变形温度为250℃-400℃、应变速率为0.01~10s-1时添加混合稀土和锑的AZ31镁合金的热变形行为。通过引入Zener-Holloman参数,采用双曲正弦函数表示的峰值流变应力同应变速率和变形温度的倒数之间呈密切的指数关系,据此计算出合金高温变形时的材料常数。添加元素RE和Sb的加入,提高了镁合金的变形激活能,使合金发生动态回复所需的能量提高。基于材料热加工的加工图原理,采用该合金热压缩实验数据分别绘出了添加混合稀土和锑的AZ31镁合金在应变为0.4和0.6时的加工图。分析了加工图中功率耗散因子η随变形参数的变化规律以及同变形组织之间的关系,得出了为了使合金变形后获得最佳的变形组织,优先选择的变形条件为:变形温度为350℃~400℃,应变速率为0.01s-1~0.1s-1。从热压缩试样数据中提取样本数据,利用BP网络建立了添加混合稀土和锑的AZ31镁合金的热变形流变应力的预测模型。模型的输入量为变形温度、应变速率和应变量,输出量为流变应力。其中,BP网络使用了改进的BP算法(L-M算法)。研究结果表明:BP网络有非常好的非线性逼近能力,训练相关性系数为0.997,BP网络测试结果的最大相对误差为5.63%,预测结果与试验数据符合的很好。与数学模型的回归方法的预测结果相比,神经网络的预测精度要高很多。