7475鋁合金電致塑性效應的ANN模型仿真研究

王少愚

武漢江漢大學智能制造學院 湖北 武漢 430000

引言

金屬電致塑性效應是載有電流的金屬中的漂移電子和參與變形過程的位錯的交互作用使金屬的塑性得以提高,變形抗力下降的現象[1]。

金屬電致塑性效應是目前材料科學方面一個重要的研究內容,對于其產生的機理及成因,對金屬中微觀組織的影響,包括位錯分布、形態、結構、位錯動態行為等以及建立微觀組織與宏觀性能之間的關系基本還處于空白階段。但有些學者提出了一些假設:一般認為金屬電致塑性效應是金屬中的漂移電子與位錯存在著交互作用。它使金屬中的組織發生變化并使金屬的延伸率上升,變形抗力下降,相應提高了金屬加工過程的生產效率,降低了生產成本。目前我國學者對此研究的結論猜想主要在以下幾個方面[1-4]:

1.漂移電子可能對自由能影響的實驗數據和理論依據;

2.漂移電子可能使金屬中的堆垛層錯能和激活體積能量的影響(包括位錯長度和位錯寬度);

3.漂移電子可能使金屬中的可動位錯密度得以提高,改變了位錯分布和結構或者是位錯動態行為;

4.漂移電子可能對金屬中的位錯有一個能量輸送過程;

5.電磁場看作是降低了能障的結果,即熱脈動力和產生位錯。

以上幾個方面是許多學者提出的假設,但由于缺乏實驗數據和相應的研究方法及對原有數據的精確預測,理論上基本處于探索階段。

1 BP神經網絡建模

設計中首先選用了含有一個隱含層的BP三層神經網絡(ANN)結構,以電流密度、電壓、電場強度、電脈沖頻率、變形速率、變形溫度、時效溫度、時效時間為輸入量Xi,以材料的應力下降比、延伸率、時效組織、位錯密度、位錯結構、自由能、層錯能變化、硬度等為輸出量Yi,建立能反映實驗數據內在規律和微觀組織與宏觀性能相互關系的神經網絡模型。據此建立的神經網絡,它具有8個輸入神經元,8個輸出神經元,隱含神經元數取為5個,隱含層神經元的非線性變換函數選用雙曲正切型Sigmoid函數,輸出值域為[—1,1]。

設含有n個節點的任意網絡,各節點之特性為Sigmoid型。為簡便起見,指定網絡只有一個輸出y,任一節點i的輸出為Oi,并設有N個樣本(xk,yk)(k=1,2,3,…,N),對某一輸入xk,網絡輸出為yk節點i的輸出為Oik,節點j的輸入為

并將誤差函數定義為

當j為輸出節點時,Ojk=k

若j不是輸出節點,則有

因此

如果有M層,而第M層僅含輸出節點,第一層為輸入節點,則BP算法為:

第一步,選取初始權值W。

第二步,重復下述過程直至收斂:

a.對于k=1到N

a).計算Oik,netjk和y^k的值(正向過程);

b).對各層從M到2反向計算(反向過程);

b.對同一節點j∈M,由式(1)和(2)計算δjk;

從上述BP算法可以看出,BP模型把一組樣本的I/O問題變為一個非線性優化問題,它使用的是優化中最普通的梯度下降法。如果把神經網絡的看成輸入到輸出的映射,則這個映射是一個高度非線性映射。

設計一個神經網絡專家系統重點在于模型的構成和學習算法的選擇。一般來說,結構是根據所研究領域及要解決的問題確定的。通過對所研究問題的大量歷史資料數據的分析及目前的神經網絡理論發展水平,建立合適的模型,并針對所選的模型采用相應的學習算法,在網絡學習過程中,不斷地調整網絡參數,直到輸出結果滿足要求。

2 仿真設計

具體研究中,我們所采用的材料為東北輕合金加工廠提供的LY12鋁合金,厚度為1.58mm。施加脈沖電流對LY12鋁合金進行拉伸實驗,得出有關脈沖電流對LY12鋁合金的力學性能的影響。主要的實驗方法有四個階段,分別為:

1.常溫不通脈沖電流狀態;

2.加熱不通脈沖電流狀態;

3.常溫通脈沖電流狀態;

4.加熱通脈沖電流狀態。

經過反復的實驗,得到的部分訓練樣本數據如表1所示:

表1 I=0A,拉伸方向與軋制方向平行

3 仿真結果分析

經過多次學習以后,我們利用訓練過的神經網絡來預測V=0.2和0.5,I=0A,T=380℃拉伸方向與軋制方向平行時的抗拉強度、延伸率和屈服極限的情況,對比結果如表2所示:

表2 預測情況與實驗情況對比

從表2可以看出,通過訓練后的ANN所預測的結果與實際結果所產生的誤差小于2.3%,符合預測所能接受的誤差范圍。根據仿真的神經網絡模型和仿真結果分析,我們可以得到應變速率對LY12鋁合金性能的影響如下:

(1)在脈沖電流和溫度不變的情況下,隨著應變速率的增大,LY12鋁合金的延伸率下降。

(2)在脈沖電流和溫度不變的情況下,隨著應變速率的增大,LY12鋁合金的屈服極限增大。

(3)在脈沖電流和溫度不變的情況下,隨著應變速率的增大,LY12鋁合金的抗拉強度增大。

另外,對我們所采用的神經網絡仿真模型和仿真方法,也有如下結論:

1)通過神經網絡具有能有效地模擬各種復雜的非線性映射,并有很強的容錯性和聯想記憶能力這種特點,來研究金屬電致塑性效應的成因和非線性結果,是可行的。

2)通過神經網絡仿真,我們能對金屬電致塑性建立一個非線性的模型,并通過ANN獨有的預測功能,代替數學理論模型來進行實驗數據的計算和觀測對比分析。3)雖然ANN技術能解決如同金屬電致塑性效應這一類很難尋求數學模型的問題,但從數學角度來說,ANN是一種數學上的逼近,自然存在著先天的誤差無法消除。同時,金屬電致塑性效應內部機理依然是一種“黑箱”效應,還需要尋求其他的方法能更好的解決。

4)在具體的仿真過程中,依然存在精度不高的情況。可能由以下幾種情況造成:一是ANN本身還存在著容易陷入局部最優的陷阱問題,這可以采用優化技術來解決,比如遺傳算法等等,這也是我們以后要繼續研究的問題。另一種是模型和訓練本身存在著一些問題,比如泛化能力和過訓練問題等等,再比如輸入變量的選擇問題等等。這些問題都有待以后深入的研究。