设备材料力学性能测试方法、系统、介质、计算机设备技术方案

技术编号:26377196 阅读:1 留言:0更新日期:2020-11-19 23:45
本发明专利技术属于设备材料力学性能微损测试技术领域,公开了一种设备材料力学性能测试方法、系统、介质、计算机设备,BP神经网络可对大量数据进行计算,在不同数据之间建立关联关系,具有计算速度快、结果准确、适用性广的特点;利用遗传算法对BP神经网络训练过程进行优化,提高网络的训练速度与精度;排除试验所用材料、试验机结构、尺寸、加载方式等因素对结果的影响,使结果更加准确;可直接从在役设备表面取出小冲杆试样,将小冲杆试验结果代入训练好的BP神经网络便可得到材料力学性能参数。本发明专利技术成本低、结果准确、适用性广。训练完成的BP神经网络可应用于在役设备材料力学性能预测,为评估其结构完整性与预测其剩余寿命提供依据。

【技术实现步骤摘要】
设备材料力学性能测试方法、系统、介质、计算机设备
本专利技术属于设备材料力学性能微损测试
,尤其涉及一种设备材料力学性能测试方法、系统、介质、计算机设备。
技术介绍
目前,核能、电力、石油化工等领域有很多高危的设施,所以其中的一些结构设计都是按比较保守的原则来设计的。随着时间的推移部分设备的运行时间即将到达设计的寿命,于是,人们面临停止使用或继续运行的选择。因此,必须对在役结构的材料力学性能进行测试。由于这些材料长期处于高温、高压、辐照等条件下运行,其材料可能会发生劣化和损伤,导致安全事故的发生。因此在服役一段时间以后,需要确定在役设备材料的性能有没有变化,以便确定这些结构能否延寿安全运行。常规力学性能评价方法如单轴拉伸试验、紧凑拉伸试验等,虽可直接得到材料弹性模量、屈服强度、抗拉强度与断裂韧性等材料力学性能参数,但试验所需试样尺寸较大,通常需要对设备进行破坏性取样,极易导致设备停机或直接报废。因此,为了获得在役设备材料力学性能,并尽可能降低损失与成本,微损试样试验测试方法得到迅速发展。小冲杆试验(SmallPunchTest,SPT)是一种近乎“无损”的微型试样试验方法,通过试验可以得到试样中心点的载荷-位移曲线、断口相关数据等,其中包含了材料的弹塑性变形行为与断裂特征。众多学者基于自己的试验结果均采用经验关联的方式给出获取材料强度和断裂韧性等力学性能参数的关联公式,然而由于试验所用材料、试验机结构、尺寸、加载方式,以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异,通过试验数据拟合得到的经验公式也不尽相同,彼此之间并能不通用,造成重复研究与研究资源的浪费。因此,亟待找到更合理和有效的方法关联小冲杆试验结果与常规试验结果。人工智能BP神经网络可以处理大量多元非线性数据,在不同数据之间建立关联关系,相较于常规经验关联法,具有计算速度快、结果准确、适用性广的特点,使更加准确、方便地获取材料力学性能参数成为可能。但是BP神经网络是基于梯度的最速下降法,以误差平方为目标函数,所以存在着训练容易陷入局部极小值、学习过程收敛速度慢、网络结构难以确定等缺陷。另外,网络结构、初始连接权值和阈值的选择对网络训练的影响很大,但是又无法准确获得,针对这些特点可以采用遗传算法对神经网络进行优化。遗传算法是模拟生物在自然界环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法,即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿,完成对问题最优解的自适应搜索过程。因此可以通过遗传算法对BP神经网络的初始权值和阈值进行优化,使优化后的BP神经网络能够更好的进行样本预测。现有标准试验虽然可直接得到材料的力学性能,但试样尺寸较大,对在役设备取样会造成无法修复的损伤。利用小冲杆试验与标准试验相关联获得材料力学性能对设备损伤较小,但由于试验所用材料、试验机结构、尺寸、加载方式,以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异,通过试验数据拟合得到的经验公式也不尽相同,彼此之间并能不通用,造成研究资源的浪费。通过上述分析,现有技术存在的问题及缺陷为:(1)现有标准试验虽然可直接得到材料的力学性能,但试样尺寸较大,对在役设备取样会造成无法修复的损伤。(2)现有利用小冲杆试验与标准试验相关联获得材料力学性能的方法较为流行,但通过试验数据拟合得到的经验公式不尽相同,彼此之间并能不通用,造成资源的浪费。解决以上问题及缺陷的难度为:(1)对在役设备进行取样时,需严格保证设备在不停工情况下安全运行,对取样设备有较高的要求,切割造成的损伤应尽可能小,但要满足小冲杆试样尺寸要求。(2)现有经验公式适用性较差,且不同种材料试验结果差异较大,难以找到统一的经验公式关联多种不同种材料的试验结果。解决以上问题及缺陷的意义为:(1)可在不停机情况下对设备进行取样,减小对设备的破坏同时对其材料的力学性能进行测试,不需要对设备进行更换,大大节省成本。(2)解决经验公式适用性问题后,只需要小冲杆试验便可得到在役设备材料的力学性能参数,评估和预测其结构完整性和剩余寿命,节约实验成本。
技术实现思路
针对现有技术存在的问题,本专利技术提供了一种设备材料力学性能测试方法、系统、介质、计算机设备。本专利技术是这样实现的,一种设备材料力学性能测试方法,所述设备材料力学性能测试方法包括:对管道钢材料进行小冲杆试验,并建立小冲杆试验的二维轴对称有限元模型;将试验结果与模拟结果进行对比,确定有限元模型的准确性;改变Hollomon公式中的参数K与n,获得大量假想材料的真应力-应变曲线;将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线;归一化预处理后得到BP神经网络所需的训练样本数据;设计输入层、隐含层、输出层的层数构建最佳的BP神经网络结构,选择合适的激活函数、目标误差;将BP神经网络的权值和阈值作为遗传算法中的一个种群,并将其初始化;利用遗传算法计算其适应度函数,选择适应度高的染色体进行复制,使其交叉、变异得到新的种群,根据约束条件确定最优个体,并将其作为BP神经网络的权值和阈值;使用经过优化的BP神经网络对样本数据进行训练,在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系;对于训练好的BP神经网络,应用于在役设备材料的力学性能预测,实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。进一步,所述设备材料力学性能测试方法的有限元软件为ABAQUS。进一步,所述设备材料力学性能测试方法Hollomon公式中的参数变化范围均在合理范围内,共得到457组假想材料的材料参数。进一步,所述设备材料力学性能测试方法最佳的BP神经网络结构包括:输入层神经元个数为120个,隐含层神经元个数为241个,输出层神经元个数为100个,激活函数分别为logsig和purelin,目标误差为1×10-5。进一步,所述设备材料力学性能测试方法的约束条件为已经达到的迭代次数或者网络误差满足最小误差要求;网络误差计算过程包括如下步骤:(1)将遗传算法优化后的权值和阀值赋予BP网络;(2)计算每个训练样本按照BP网络前向方向的输出值,通过与期望值进行比较,得出每个训练样本的误差;(3)计算所有训练样本的误差均方根值,即得网络误差。进一步,所述设备材料力学性能测试方法通过训练好的BP神经网络可得到在役设备材料的真应力-应变曲线,得到该材料的屈服强度与抗拉强度。本专利技术的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:对管道钢材料进行小冲杆试验,并建立小冲杆试验的二维轴对称有限元模型;将试验结果与模拟结果进行对比,确定有限元模型的准确性;改变Hollomon公式中的参数K与n,获得大量假想材料的真应力-应变曲线;将每一条真本文档来自技高网
...

【技术保护点】
1.一种设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法包括:/n对管道钢材料进行小冲杆试验,并建立小冲杆试验的二维轴对称有限元模型;将试验结果与模拟结果进行对比,确定有限元模型的准确性;/n改变Hollomon公式中的参数K与n,获得大量假想材料的真应力-应变曲线;将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线;归一化预处理后得到BP神经网络所需的训练样本数据;/n设计输入层、隐含层、输出层的层数构建最佳的BP神经网络结构,选择合适的激活函数、目标误差;/n将BP神经网络的权值和阈值作为遗传算法中的一个种群,并将其初始化;/n利用遗传算法计算其适应度函数,选择适应度高的染色体进行复制,使其交叉、变异得到新的种群,根据约束条件确定最优个体,并将其作为BP神经网络的权值和阈值;/n使用经过优化的BP神经网络对样本数据进行训练,在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系;/n对于训练好的BP神经网络,应用于在役设备材料的力学性能预测,实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。/n

【技术特征摘要】
1.一种设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法包括:
对管道钢材料进行小冲杆试验,并建立小冲杆试验的二维轴对称有限元模型;将试验结果与模拟结果进行对比,确定有限元模型的准确性;
改变Hollomon公式中的参数K与n,获得大量假想材料的真应力-应变曲线;将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线;归一化预处理后得到BP神经网络所需的训练样本数据;
设计输入层、隐含层、输出层的层数构建最佳的BP神经网络结构,选择合适的激活函数、目标误差;
将BP神经网络的权值和阈值作为遗传算法中的一个种群,并将其初始化;
利用遗传算法计算其适应度函数,选择适应度高的染色体进行复制,使其交叉、变异得到新的种群,根据约束条件确定最优个体,并将其作为BP神经网络的权值和阈值;
使用经过优化的BP神经网络对样本数据进行训练,在同种材料小冲杆载荷-位移曲线与真应力-应变曲线之间建立关联关系;
对于训练好的BP神经网络,应用于在役设备材料的力学性能预测,实现在役设备不停机便可对其材料的力学性能进行微损测试的目的。


2.如权利要求1所述的设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法的有限元软件为ABAQUS。


3.如权利要求1所述的设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法Hollomon公式中的参数变化范围均在合理范围内,共得到457组假想材料的材料参数。


4.如权利要求1所述的设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法最佳的BP神经网络结构包括:输入层神经元个数为120个,隐含层神经元个数为241个,输出层神经元个数为100个,激活函数分别为logsig和purelin,目标误差为1×10-5。


5.如权利要求1所述的设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法的约束条件为已经达到的迭代次数或者网络误差满足最小误差要求;网络误差计算过程包括如下步骤:
(1)将遗传算法优化后的权值和阀值赋予BP网络;
(2)计算每个训练样本按照BP网络前向方向的输出值,通过与期望值进行比较,得出每个训练样本的误差;
(3)计算所有训练样本的误差均方根值,即得网络误差。


6.如权利要求1所述的设备材料力学性能测试方法,其特征在于,所述设备材料力学性能测试方法通过训练好的BP神经网络可得到在役设备材料的真应力-应变曲线,得到该材料的屈服强度与抗拉强度。


7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对管道钢材料进行小冲杆试验,并建立小冲杆试验的二维轴对称有限元模型;将试验结果与模拟结果进行对比,确定有限元模型的准确性;
改变Hollomon公式中的参数K与n,获得大量假想材料的真应力-应变曲线;将每一条真应力-应变曲线代入经试验验证的小冲杆试验有限元模型中得到其对应的小冲杆载荷-位移曲线;归一化预处理后得到BP神经网络所需的训练样本数据;
设计输入层、隐含层、输出层的层数构建最佳的BP神经网络结构,选择合适的激活函数、目标误差;
将BP神经网络的权...

【专利技术属性】
技术研发人员:曹宇光宋明李旭阳马帅吴琼甄莹
申请(专利权)人:中国石油大学华东
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1