简介概要

基于人工神经网络的7055铝合金二次时效性能预测

来源期刊:中国有色金属学报2006年第9期

论文作者:周古为 郑子樵 李海

文章页码:1583 - 1588

关键词:7055铝合金; 二次时效; 人工神经网络; Levenberg-Marquardt算法

Key words:7055 Al alloy; secondary aging; neural networks; Levenberg-Marquardt algorithm

摘    要:利用人工神经网络对7055铝合金二次时效热处理工艺参数与时效性能样本集进行训练和学习, 采用改进的BP网络算法Levenberg-Marquardt算法, 建立7055铝合金二次时效热处理工艺BP神经网络模型。 针对二次时效工艺特点, 研究的工艺参数包括: 预时效温度、 预时效时间、 二次时效温度和二次时效时间。 结果表明: 神经网络预测值与实验值吻合较好, 说明神经网络模型具有较高的精度及良好的泛化能力, 可有效地用于预测和分析二次时效工艺参数对7055铝合金时效性能的影响。

Abstract: A model was developed for modeling the correlation between process parameters of second aging treatment and properties of 7055 Al alloy by applying the artificial neural networks (ANN). According to the feature of second aging, the process parameters were preliminary aging temperature, preliminary aging time, second aging temperature and second aging time. The model was based on error back-propagation (BP) algorithm and trained by Levenberg-Marquardt training algorithm. After the ANN model was trained successfully, the model achieved a very good performance. The results show that the model has high precision and good generalization performance, and can be successfully used to predict and analyze the influence of secondary aging treatment on the mechanical properties of 7055 Al alloy.



详情信息展示

为了验证所建网络的可靠性, 将未参与训练的 8组数据用于检测网络预测性能。 表1列出了实验合金显微硬度的实验值和模型预测值的比较。 从表中可以看出, 检测样本的神经网络预测值与实验测量值十分接近, 说明该神经网络模型的泛化能力强, 参数选取合理。

图2  神经网络预测的相对误差的统计分析

Fig.2  Statistical analysis of relative error of neural network predictions

表1  模型预测值与实验值的比较

Table 1  Comparison of NN predicted data with experimental data

2.1 二次时效曲线

图3所示为神经网络预测的7055铝合金60℃, 100℃二次时效曲线。 由图可知, 预测值和实测值之间有很高的相关性。 在同一预时效状态下(如120℃, 10min), 二次时效温度从60℃上升到100℃, 二次时效硬化速率加快, 达到相同二次时效硬度的时间缩短, 这说明提高二次时效温度有助于缩短二次峰值硬化时间。 这主要是因为提高二次时效温度, 原子扩散速度加快, 时效周期缩短。

从图3还可以看出, 在各种预时效条件下, 经过二次时效后, 所有预时效状态合金都能超过相应预时效温度的单级时效峰值硬度。 这说明二次时效可以一定程度上提高合金的峰值硬度。 这主要是因为高温预时效后转而在较低的温度下继续进行二次时效, 由于时效温度降低, 溶质在基体中固溶度降低, 因此基体中高温时效过程中未完全析出的过饱和溶质原子和空位在长时间低温时效过程中以GP区和富空位团簇的形式继续析出, 最终析出相的数量增多, 从而造成合金峰值硬度的提高。

2.2 二次时效工艺对显微硬度的影响

图4所示为神经网络预测的不同二次时效状态下的显微硬度值比较。 从图4可以看出, 随着预时效温度的提高, 在相同二次时效工艺条件下获得的二次时效硬度值下降。 从图4(a)、 (b)可以看出, 对于同样的二次时效工艺, 预时效时间从10min延长到1h后, 时效合金的显微硬度值有所下降, 这说明预时效时间过长并不利于提高合金二次时效后的强度。 这是因为对于相同预时效温度和二次时[CM(22]效工艺, 随着高温预时效时间的延长, 高温析出相增加, 消耗的过饱和溶质原子增加, 导致低温二次时效中未完全析出的过饱和溶质原子的量减少, 最终的二次时效析出相减少, 二次时效硬化效果下降[7]。 从图4(c)、 (d)可以看出, 在相同预时效条件下, 二次时效温度从60℃上升到100℃, 合金显微硬度值上升, 二次时效时间缩短。

图3  7055铝合金 60℃、 100℃的二次时效曲线

Fig.3  Secondary aging curves at 60℃ and 100℃ for 7055 alloy

图4  不同二次时效状态下的显微硬度

Fig.4  Microhardness under various secondary aging conditions

3 结论

利用人工神经网络对7055铝合金二次时效实验数据进行学习, 采用改进的BP网络算法Levenberg-Marquardt算法建立了7055铝合金二次时效工艺人工神经网络模型。 计算结果表明该神经网络模型具有较高的精度和良好的泛化能力, 能有效地预测和分析显微硬度随二次时效工艺的变化。 经高温预时效后的7055铝合金, 再进行低温二次时效, 可以获得高于T6 状态的硬度。

REFERENCES

[1]Lynch S P. Fracture of 8090 Al-Li alloy plate (Ⅱ): Sustained-load crack growth in dry air at 50-200℃[J]. Mater Sci Eng A, 1991, 36: 45-57.

[2]Pitcher P D, Stewart R T, Gupta S. Study of reversion behaviour in 8090 alloys using small angle neutron scattering and transmission electron microscopy[J]. Scripta Metall, 1992, 26(4): 511-516.

[3]Kerr M J, Sweet E D, Bennett C G, et al. Effect of alkali metal impurities on the low temperature thermal stability of 2090 Al-Cu-Li alloys[J]. Materials Science Forum, 1996, 217-222(2): 1079-1084.

[4]Lumley R N, Morton A J, Polmear I J. Enhanced creep performance in an Al-Cu-Mg-Ag alloy through underageing[J]. Acta Materialia, 2002, 50(14): 3597-3608.

[5]Lumley R N, Polmear I J, Morton A J. Heat Treatment of Age-Hardenable Aluminium Alloys[P]. Australia, WO0148259, 2001.

[6]Lumley R N, Polmear I J, Morton A J. Heat Treatment of Age-Hardenable Aluminium Alloys Utilising Secondary Precipitation[P]. Australia, WO02070770, 2002.

[7]Macchi C E, Somoza A, Dupasquier A, et al. Secondary precipitation in Al-Zn-Mg-(Ag) alloys[J]. Acta Materialia, 2003, 51(17): 5151-5158.

[8]Lumley R N, Polmear I J, Morton A J. Interrupted aging and secondary precipitation in aluminum alloys[J]. Materials Science and Technology, 2003, 19(11): 1483-1490.

[9]李海, 郑子樵, 王芝秀. 7055 铝合金二次时效特征研究(Ⅱ)——显微组织与断口形貌特征[J]. 稀有金属材料与工程, 2005, 34(8): 1230-1234.

LI Hai, ZHENG Zi-qiao, WANG Zhi-xiu. Investigation of secondary ageing characteristics of 7055 aluminum alloy(Ⅱ)—Microstructures and fractography[J]. Rare Metal Materials and Engineering, 2005, 34(8): 1230-1234.

[10]Basheer I A, Hajmeer M. Artificial neural networks: fundamentals, computing, design, and application[J]. Journal of Microbiological Methods , 2000, 43: 3-31.

[11]Bhadeshia H K D H. Neural networks in materials science[J]. ISIJ International, 1999, 39(10): 966-979.

[12]Malinov S , Sha W. Software products for modelling and simulation in materials science [J]. Computational Materials Science, 2003, 28(2): 179-198.

[13]汤伟, 朱定一, 陈丽娟, 等. 基于分子动力学结合神经网络的Au表面能计算方法[J]. 中国有色金属学报, 2005, 15(1): 105-109.

有色金属在线官网  |   会议  |   在线投稿  |   购买纸书  |   科技图书馆

中南大学出版社 主办 版权声明   电话:0731-88830515 88830516   传真:0731-88710482   Email:administrator@cnnmol.com

互联网出版许可证:新出网证(湘)字005号   湘ICP备09001153号