论文部分内容阅读
本文采用Hopkinson压杆（SHPB）装置和Instron液压伺服材料试验机，对典型高聚物的力学行为进行了实验研究。
开发了基于Windows的SHPB数据处理系统，并用之对高应变下的实验数据进行了处理。
以SHPB实验数据为基础，先用自编的BP神经网络模拟软件对高应变率下的应变波形进行了处理。结果表明：这一SHPB数据处理新方法，既有利于分离横向惯性效应等引起的波形振荡，又可以利用该网络模型对入射波与透射波作预示。为SHPB实验技术数据的处理提供了一个新的途径。
然后，用BP神经网络对高聚物在高应变率下的本构模型进行了系统辨识。结果表明：
a) 用神经网络的方法，通过对足够的具代表性的实验数据的学习，可以令人满意地预示高聚物的动态本构响应。但如果只通过加载段的学习，则只能预示加载段，只有通过学习加载—卸载全过程，才能预示加卸载全过程响应。
B) 在应变小于7﹪条件下，不必考虑损伤对材料动态力学性能的影响。这时候，以应变与应变率作为输入，以应力作为输出，BP神经网络能够很好地辨识高聚物尼龙的本构模型。
C) 在更大应变条件下，必须考虑损伤对材料性能的影响。这时候，除应变、应变率外再以时间作为损伤演化的反函数三者共同作为输入，以应力作为输出，BP神经网络能够辨识高聚物尼龙的损伤型本构模型。
D) 对于SHPB技术，考虑到实时应变率数据的实测中引入了较大的相对误差，用平均应变率代替实时应变率，BP神经网络实际上能够得到更好的学习与预示效果。
E) BP神经网络的辨识结果基本上与ZWT模型相一致，从而支持了计及损伤演化的ZWT非线性粘弹性本构理论。
以实验数据为基础，从ZWT方程出发，用特征线方法，对高聚物杆中应力波的传播进行了数值模拟。并进行了波传播试验，用电阻计和高阻锰铜计分别实测了不同位置处的应变波形和应力波形。结果表明：数值模拟结果与实验中实测的应力或应变值基本吻合。