一种热熔自攻丝接头力学行为预测方法技术

本发明专利技术公开的热熔自攻丝接头力学行为预测方法

【技术实现步骤摘要】
一种热熔自攻丝接头力学行为预测方法、系统及电子设备


[0001]本专利技术涉及力学行为预测
，特别是涉及一种热熔自攻丝接头力学行为预测方法
、
系统及电子设备
。

技术介绍

[0002]热熔自攻丝
(Flow Drill Screw
，
FDS)
是一种适合于连接多层异质板的单侧成型铆接方式，具有自穿刺和挤压效果的紧固件，可钻透2‑4层薄板并实现连接，凭借其在异种材料连接方面的优势，逐渐在各大主机厂中得到广泛应用
。
接头是总成结构件最薄弱的区域
。
了解接头在不同加载工况下的力学性能和失效行为对于结构的完整性和能量耗散以及设计决策至关重要
。
试验测试在研究
FDS
接头的变形模式和失效机制方面起着重要作用，但该方法成本高且耗时
。
计算机技术的快速发展使得通过有限元模拟技术模拟实际承载过程中的接头变形和失效行为成为可能
。
然而，钢
‑
铝混合车身结构中具有各种不同板材厚度和材料牌号组合的接头，这些接头在不同加载工况下的失效模式又存在差异
。
通过有限元仿真逐一研究这些接头的力学行为则需要更多的计算时间和巨大的存储空间
。

技术实现思路

[0003]为解决现有技术存在的上述问题，本专利技术提供了一种热熔自攻丝接头力学行为预测方法
、
系统及电子设备
。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种热熔自攻丝接头力学行为预测方法，包括：
[0006]基于数据模拟和试验相结合的方法确定上层板
、
下层板和螺钉的材料参数，构建热熔自攻丝接头试样的数值模型；
[0007]基于接头力学行为的试验结果进行所述数值模型的可靠性验证；
[0008]基于验证通过后的所述数值模型，对不同板材厚度组合的热熔自攻丝接头试样在不同加载工况下的力学行为进行模拟构建训练和测试样本数据集；
[0009]采用训练和测试样本数据集训练神经网络模型，得到训练好的神经网络模型，并将训练好的所述神经网络模型作为力学行为预测模型；
[0010]将未参与训练和测试热熔自攻丝接头的板材厚度和加载角度输入至所述力学行为预测模型得到热熔自攻丝接头的力学行为预测结果
。
[0011]可选地，构建热熔自攻丝接头试样的数值模型，具体包括：
[0012]根据不同板材厚度组合时热熔自攻丝接头试样的横截面形貌，等比例绘制热熔自攻丝接头的横截面轮廓后，通过旋转和拉伸建立热熔自攻丝接头试样的数值模型
。
[0013]可选地，基于接头力学行为的试验结果进行所述数值模型的可靠性验证，具体包括：
[0014]确定热熔自攻丝接头试样的横截面的显微硬度分布；
[0015]基于所述显微硬度分布确定热影响区各亚区的范围；
[0016]基于所述热影响区各亚区等效拉伸试样进行拉伸试验，得到四个亚区在拉伸应力状态下的失效应变和失稳应变；
[0017]基于所述失效应变和所述失稳应变对母材的失效应变
/
失稳应变
‑
应力三轴度曲线进行缩放；
[0018]当接头数值模拟与试验的载荷
‑
位移曲线和失效模式一致时，确定所述数值模型的可靠性通过验证
。
[0019]可选地，所述神经网络包括分类人工神经网络模型和回归人工神经网络模型
。
[0020]可选地，所述失效模式包括：下层板螺纹剥离失效模式
、
下层板撕裂失效模式
、
下层板螺纹剥离和下层板撕裂组合失效模式以及螺钉剪切断裂失效模式
。
[0021]可选地，对于载荷
‑
位移曲线的预测，提取曲线上位移间隔为设定值的载荷数据作为热熔自攻丝接头试样训练和测试的数据集
。
[0022]可选地，所述设定值为
0.2mm。
[0023]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0024]本专利技术提供的热熔自攻丝接头力学行为预测方法，采用数值模拟与试验相结合的方法确定了上层板
、
下层板和螺钉的材料参数，根据热熔自攻丝接头的横截面形貌，建立对应的接头数值模型
。
基于接头力学行为的试验结果进行数值模型的可靠性验证
。
基于验证通过后的数值模型，对不同板材厚度组合的热熔自攻丝接头试样在不同加载工况下的力学行为进行模拟构建样本数据库，以提取样本数据得到数据集
。
采用获得的数据集训练神经网络模型得到力学行为预测模型，将未参与训练和测试热熔自攻丝接头的板材厚度和加载角度输入至力学行为预测模型精确得到热熔自攻丝接头的力学行为预测结果，进而解决现有热熔自攻丝接头力学行为预测过程中存在的试验成本高
、
仿真计算时间长和空间存储大的问题
。
[0025]进一步，本专利技术还提供了一种热熔自攻丝接头力学行为预测系统，所述系统用于应用上述提供的热熔自攻丝接头力学行为预测方法；所述系统包括：
[0026]数值模型构建模块，用于基于数值模拟与试验相结合的方法确定了上层板
、
下层板和螺钉的材料参数，构建热熔自攻丝接头试样的数值模型；
[0027]数值模型验证模块，用于基于接头力学行为的试验结果进行所述数值模型的可靠性验证；
[0028]样本数据库构建模块，用于基于验证通过后的所述数值模型，对不同板材厚度组合的热熔自攻丝接头试样在不同加载工况下的力学行为进行模拟构建训练和测试的数据集；
[0029]预测模型构建模块，用于采用训练和测试的数据集训练神经网络模型，得到训练好的神经网络模型，并将训练好的所述神经网络模型作为力学行为预测模型；
[0030]预测模型适用性模块，用于将未参与训练和测试热熔自攻丝接头的板材厚度和加载角度输入至所述力学行为预测模型得到热熔自攻丝接头的力学行为预测结果
。
[0031]一种电子设备，包括：
[0032]存储器，用于存储计算机程序；
[0033]处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的热熔自攻丝接头力学行为预测方法
。
[0034]因本专利技术上述提供的两种结构实现的技术效果与本专利技术提供的热熔自攻丝接头力学行为预测方法实现的技术效果相同，故在此不再进行赘述
。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图
。
[0036]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种热熔自攻丝接头力学行为预测方法，其特征在于，包括：基于数值模拟和试验确定上层板
、
下层板和螺钉的材料参数，构建热熔自攻丝接头试样的数值模型；基于接头力学行为的试验结果进行所述数值模型的可靠性验证；基于验证通过后的所述数值模型，对不同板材厚度组合的热熔自攻丝接头试样在不同加载工况下的力学行为进行模拟构建训练和测试样本数据集；采用训练和测试样本数据集训练神经网络模型，得到训练好的神经网络模型，并将训练好的所述神经网络模型作为力学行为预测模型；将未参与训练和测试热熔自攻丝接头的板材厚度和加载角度输入至所述力学行为预测模型得到热熔自攻丝接头的力学行为预测结果
。2.
根据权利要求1所述的热熔自攻丝接头力学行为预测方法，其特征在于，构建热熔自攻丝接头试样的数值模型，具体包括：根据不同板材厚度组合热熔自攻丝接头试样的横截面形貌，等比例绘制热熔自攻丝接头的横截面轮廓后，通过旋转和拉伸建立热熔自攻丝接头试样的数值模型
。3.
根据权利要求2所述的热熔自攻丝接头力学行为预测方法，其特征在于，基于接头力学行为的试验结果进行所述数值模型的可靠性验证，具体包括：确定热熔自攻丝接头试样的横截面的显微硬度分布；基于所述显微硬度分布确定热影响区各亚区的范围；基于所述热影响区各亚区等效拉伸试样进行拉伸试验，得到四个亚区在拉伸应力状态下的失效应变和失稳应变；基于所述失效应变和所述失稳应变对母材的失效应变
/
失稳应变
‑
应力三轴度曲线进行缩放；当接头数值模拟与试验的载荷
‑
位移曲线和失效模式一致时，确定所述数值模型的可靠性通过验证
。4.
根据权利要求1所述的热熔自攻丝接头力学行为预测方法，其特征在于，所述神经网络包括分类人工神经网络模型和回归人工神经网络模型
。5.
...

【专利技术属性】
技术研发人员：李落星，周巧英，徐从昌，
申请(专利权)人：湖南大学，
类型：发明
国别省市：