论文部分内容阅读
本文研究了不同焊接工艺参数对GH99合金焊接接头宏观形貌、微观组织与力学性能的影响。并利用人工神经网络(Artifickal Neural Network.)模型,建立了GH99高温合金接头的拉伸性能的预测模型。焊接电流、焊接速度与脉冲频率主要通过改变焊接过程中的热输入来影响GH99高温合金的接头形貌与各区域显微组织。增大焊接电流和脉冲频率与减小焊接速度均使焊接过程中的热输入增大。熔池中的温度梯度下降,熔宽与熔深增大。焊缝组织内的柱状晶的数量减少,其长径比减小,自由树枝晶的数量增多;热影响区的宽度增加,粗晶区内的δ相增多。但是热输入过大会引起焊缝出现咬边以及下榻等焊接缺陷。随着重熔次数的增加,焊缝熔宽与熔深加大,焊缝区内柱状晶的长度与宽度增大。开坡口会增大接头熔度与熔深。随着装配间隙的增大,GH99高温合金焊接接头的变形增大,熔宽与熔深减小。开坡口和装配间隙对接头各区域的显微组织无显著影响。GH99高温合金接头母材区、热影响区和焊缝区平均硬度依次下降,随着焊接电流的增大,各区域的平均硬度有所提高。接头的拉伸强度随着焊接电流的增大和焊接速度的降低而先增大后减小。随着脉冲频率的增大,焊接接头的拉伸性能下降。开坡口会提高GH99高温合金接头的力学性能,其中锁底连接接头性能的改善要比平板对接的明显。装配间隙对接头性能的影响比较复杂。平板对接的焊接接头的拉伸性能随着间隙的增加而先升高后降低;锁底连接接头的拉伸性能则单调下降。从拉伸试验数据中提取样本数据,分别用BP网络和RBF网络建立了预测GH99合金接头拉伸性能的模型。然后用试验数据检验两个模型的预测性能,并进行比较。结果表明,在训练数据的相关性系数相同的情况下,RBF网络的非线性逼近能力要强于BP网络,但其泛化能力要低于BP网络。BP网络测试数据的相关性系数随着期望误差减小而先增大后减小,过分降低期望误差会使网络的泛化能力下降。对BP网络GH99焊接接头的拉伸性能的平均相对误差小于4%,预测结果与实验数据符合得较好,可以用于指导工程实践。