预测铸态铝硅合金力学性能的方法及系统技术方案

本发明专利技术提供了一种预测铸态铝硅合金力学性能的方法及系统，包括如下步骤：确定铸态铝硅合金力学性能的影响因素；对铝硅合金进行力学性能试验，获得样本数据集；对样本数据集进行归一化预处理；确定BP神经网络结构；对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。本发明专利技术的方法步进可以取代传统数学公式拟合法对力学性能的描述，而且能够规避传统破坏性的取样检测方法，降低时间、人工成本，提高经济效益。提高经济效益。提高经济效益。

【技术实现步骤摘要】
预测铸态铝硅合金力学性能的方法及系统


[0001]本专利技术涉及铸造合金力学性能预测
，具体地，涉及一种预测铸态铝硅合金力学性能的方法及系统，尤其是一种基于BP神经网络预测铸态铝硅合金力学性能的方法。

技术介绍

[0002]铝硅合金由于其良好的铸造性能被广泛应用于各种铸件的生产。一般来讲，为了获得外观完整，内部质量良好的铸件，需要在铸件的基础上额外增设浇注系统、冒口等部分用以引流与补缩。在工业生产中，出于节约成本、减少能耗的目的，浇注系统、冒口往往被作为回炉料重熔，并将重熔后金属液重新浇注。但是这样被浇注出来的铸件往往力学性能会出现波动，其原因在于反复熔炼过程中一些关键元素的烧损以及因为杂质Fe元素的引入在铝硅合金中形成了有害的针状β
‑
Al5FeSi相。
[0003]为了避免在铝硅合金中形成针状β
‑
Al5FeSi相，通过提高冷却速度促进汉字状的α
‑
Al8FeSi相或者添加Mn元素以在慢速冷却条件下促进汉字状的α
‑
Al15(Fe,Mn)3Si2相是工业生产中常用的抑制针状β
‑
Al5FeSi相形成的方法。但是在实际过程中，却很难阐明力学性能的变化趋势，因为力学性能受多种因素及其交互作用的影响，比如在砂型铸造中通过加冷铁提高具体冷却速度的方法可以细化晶粒，从而提高力学性能，但也可能促进慢速冷却条件下形成的α
‑
Al 15(Fe,Mn)3Si2向针状有害相β
‑
Al5FeSi的转变。除了Fe/Mn比与冷却速度以外，铸件中的孔隙率，铝硅合金中的变质水平也影响着力学性能，并且不易控制，比如铝硅合金中常用变质元素Sr、Na容易烧损，铸件中的孔隙率受冷却速度(析出性氢气孔)、砂型发气(浸入式气孔)、铸件浇注工艺(补缩)等综合影响，此外，铝硅合金中Si含量与Cu含量通过影响合金中微观组织影响着力学性能。另一方面，在实际生产过程中难以逐一对铸件的力学性能进行检测，因为铸件形状复杂难以加工成标准的力学性能试样；即使从铸件能获取力学性能试样，也意味着该件铸件的报废，因为从铸件中取样测试是对铸件进行破坏性的试验。最好的办法就是建立数学模型对铝硅合金铸件力学性能进行描述，但很难采用传统的数学公式去描述铸态铝硅合金的力学性能，因为涉及到多种影响力学性能的因素及其之间可能存在的交互作用。
[0004]综上，现有
技术介绍
的不足可归纳如下：(1)影响铝硅合金铸态力学性能的因素众多，且可能存在交互作用，导致难以用简单的数学公式去描述；(2)实际生产过程中难以逐一对铝硅合金铸件的力学性能进行检测，因为取样检测过程是费时费力的破坏性检测。因此，亟需一种简便直观判断铸件力学性能是否达标的方法。
[0005]公开号为CN111926201A的专利文献公开了一种改善铝硅合金力学性能的方法；涉及铝合金
，包括：(1)将铝锭、铝
‑
硅合中间金、铝
‑
铁中间合金、铝
‑
钼中间合金混合后，添加到熔炼炉中，进行熔融，得到混合合金液；(2)向步骤(1)中得到的混合合金液中添加覆盖剂，然后进行保温，搅拌12
‑
15min，再进行扒渣，得到预处理合金混合液；(3)将步骤(2)中得到的预处理合金混合液加热至870
‑
880℃，保温15
‑
20min，然后再添加铝
‑
镱中间合
金，保温搅拌时间不超过10min，降温至800
‑
820℃，然后再添加磷，继续搅拌1
‑
1.5小时，得到变质合金液；(4)将步骤(3)中得到的变质合金液浇注到模具中，然后冷却成型，即可。该专利文献只涉及铝的改善，并不涉及硅合金力学性能的预测。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种预测铸态铝硅合金力学性能的方法及系统。
[0007]根据本专利技术提供的一种预测铸态铝硅合金力学性能的方法，包括如下步骤：
[0008]步骤1：确定铸态铝硅合金力学性能的影响因素；
[0009]步骤2：根据所需要的铸态铝硅合金力学性能的指标，对不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集；
[0010]步骤3：对样本数据集进行归一化预处理作为试验样本；
[0011]步骤4：确定BP神经网络结构；
[0012]步骤5：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；
[0013]步骤6：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。
[0014]优选的，所述步骤1中，所述铸态铝硅合金力学性能的影响因素包括Fe/Mn比、冷却速度、变质元素含量、孔隙率、Si含量以及Cu含量；
[0015]所述冷却速度通过热电偶在铸件凝固过程中进行实测或根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换。
[0016]优选的，根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换，通过以下公式进行拟合与转换：
[0017]SDAS＝a
·
(Rc)
‑
b
[0018]其中，SDAS是铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值，a是材料常数，Rc是该部位的冷却速度，b是无量纲参数。
[0019]优选的，所述步骤2中，所述铸态铝硅合金力学性能的指标包括抗拉强度和延伸率。
[0020]优选的，所述步骤2中，筛选试验数据遵从以下原则：
[0021]确保试验数据涵盖材料与工艺许可范围的上下限；在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多。
[0022]优选的，所述步骤3中，对样本数据集进行归一化预处理，归一化预处理的计算公式为：
[0023][0024]其中，X是样本数据集中某影响因素的原始数据，x(norm)是某影响因素归一化以后的样本数据，X(max)是某影响因素在原始样本数据集中的最大值，X(min)是某影响因素在原始样本数据集中的最小值。
[0025]优选的，所述步骤4中，确定BP神经网络结构包括确定BP神经网络隐含层层数和每层所述隐含层上的节点数。
[0026]优选的，所述步骤5中，对BP神经网络结构进行训练之前，采用智能算法利用所述试验样本对BP神经网络结构进行训练优化，获得所述BP神经网络模型的优化后的初始权值；
[0027]所述智能算法为遗传算法、粒子群算法、鸽群算法中的任意一种。
[0028]优选的，所述步骤5中，建立好BP神经网络模型以后，通过以下公式考察输出变量对输入变量的敏感度：
[0029][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测铸态铝硅合金力学性能的方法，其特征在于，包括如下步骤：步骤1：确定铸态铝硅合金力学性能的影响因素；步骤2：根据所需要的铸态铝硅合金力学性能的指标，对不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集；步骤3：对样本数据集进行归一化预处理作为试验样本；步骤4：确定BP神经网络结构；步骤5：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；步骤6：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。2.根据权利要求1所述的预测铸态铝硅合金力学性能的方法，其特征在于，所述步骤1中，所述铸态铝硅合金力学性能的影响因素包括Fe/Mn比、冷却速度、变质元素含量、孔隙率、Si含量以及Cu含量；所述冷却速度通过热电偶在铸件凝固过程中进行实测或根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换。3.根据权利要求2所述的预测铸态铝硅合金力学性能的方法，其特征在于，根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换，通过以下公式进行拟合与转换：SDAS＝a
·
(Rc)
‑
b
其中，SDAS是铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值，a是材料常数，Rc是该部位的冷却速度，b是无量纲参数。4.根据权利要求1所述的预测铸态铝硅合金力学性能的方法，其特征在于，所述步骤2中，所述铸态铝硅合金力学性能的指标包括抗拉强度和延伸率。5.根据权利要求1所述的预测铸态铝硅合金力学性能的方法，其特征在于，所述步骤2中，筛选试验数据遵从以下原则：确保试验数据涵盖材料与工艺许可范围的上下限；在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多。6.根据权利要求1所述的预...

【专利技术属性】
技术研发人员：彭立明，兰乔，汪星辰，刘保良，孙启才，袁灵洋，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：