基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法技术

本发明专利技术涉及数值模拟采集数据方法及深度学习技术领域，且公开了基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，其独特之处在于，其整合了以下步骤，

【技术实现步骤摘要】
基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法


[0001]本专利技术涉及一种陶瓷型芯烧结过程数据采集和形变预测方法，更具体的说是基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法
。

技术介绍

[0002]航空发动机作为飞机的“心脏”部件，是决定飞机性能的主要因素之一，而推重比是衡量发动机性能的一个重要指标
。
要提高发动机的推重比，就必须提高进气口所能承受的温度，而提高叶片承温能力的最佳方法是在叶片内部成型出精确的复杂冷却通道，也就是要制备出形成空心叶片复杂内腔形状的陶瓷型芯
。
然而，在陶瓷型芯实际生产中，仍然会面临
(
例如变形和收缩等
)
难以避免的问题，会对陶瓷型芯的尺寸精度产生不良影响
。
其中，烧结过程是导致型芯发生变形的一个重要环节，也是型芯制造的最终环节
。
由于陶瓷型芯的材料特性和烧结过程的复杂性，陶瓷型芯在烧结过程中会发生复杂的物理和化学变化，包括体积收缩
、
形状变化等，这些变化可能导致后续型芯发生断裂，以及容易造成叶片内部壁厚不均，影响叶片承温能力
。
因此，找出型芯在烧结过程中的精准变形规律以及烧结工艺参数对型芯变形的影响是提高陶瓷型芯成品率的关键
。
[0003]当前陶瓷型芯的制造过程形变研究大多基于试错法和经验公式，存在设计周期长
、
效率低
、
成本高等问题
。
近年来，随着计算机技术和人工智能的不断发展，基于人工智能的产品质量预测逐渐成为研究热点
。

技术实现思路

[0004]本专利技术主要解决的技术问题是提供一种陶瓷型芯烧结过程数据采集方法，并通过深度学习模型学习工艺参数组合与形变之间的复杂关系，解决了上述
技术介绍
中的问题
。
[0005]为解决上述技术问题，根据本专利技术的一个方面，更具体的说是一种基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，具体包括以下步骤：
[0006]S1、
实施陶瓷型芯烧结过程的数值模拟仿真；通过有限元计算不同烧结工艺参数组合下的陶瓷型芯尺寸，在建立模型时，需要考虑陶瓷型芯的弹性，蠕变等因素，通过蠕变应变率方程求解得到陶瓷型芯烧结过程粘塑性应变增量，并计算得到陶瓷型芯烧结过程的形变；
[0007]S2、
建立用于深度学习的陶瓷型芯烧结前后切片数据集：将烧结工艺参数组合作为特征嵌入陶瓷型芯素胚切片，并将以上陶瓷型芯素胚切片作为输入，将上一步数值模拟计算得到的该参数组合下陶瓷型芯的同位置切片作为输出，由此构建训练所需的数据集；
[0008]S3、
建立基于
U
‑
net
的深度学习模型用于预测陶瓷型芯烧结前后像素值变化：由于陶瓷型芯烧结工艺参数和陶瓷型芯形变之间是一个高维复杂关系，需要通过
U
‑
net
模型学习陶瓷型芯烧结前后切片像素值变化规律；
[0009]S4、
通过
VTK
三维重建算法将模型预测的新烧结工艺参数下陶瓷型芯的切片组重建出完整的陶瓷型芯
。
读取新烧结工艺参数下陶瓷型芯的切片序列，使用
VTK
软件包对切片
序列进行三维重建形成陶瓷型芯
。
[0010]更进一步的，所述步骤
S1
包括：建立陶瓷型芯固相烧结过程的热粘弹性本构模型；建立有限元分析模型；定义蠕变和膨胀特性；进行瞬态热结构耦合非线性仿真分析
。
[0011]更进一步的，结合陶瓷型芯烧结致密化过程中表现出的粘弹性特性，同时考虑弹性应变率
、
热应变率
、
蠕变应变率和烧结应变率
,
建立描述碳化硅陶瓷常压固相烧结过程的热粘弹性本构模型为：
[0012][0013]其中，表示弹性应变率，表示热应变率，表示蠕变应变率，表示烧结应变率
。
[0014]弹性应变率的表达式如下：
[0015][0016]其中
ε
e
是弹性矩阵，是柯西应力张量
。
[0017]热应变率的表达式如下：
[0018][0019]其中
α
为热膨胀系数，为温度增量，
δ
ij
为二阶单位张量；
[0020]蠕变应变率的表达式如下：
[0021][0022]其中
σ
′
是偏应力张量，
G
v
是剪切模量，
σ
m
是静水应力，
K
v
是体积粘度
。
[0023]G
v
＝
(1
‑
θ
)2η (5)
[0024][0025]粘度与温度相关，并由下面的阿累尼乌斯定律表示：
[0026][0027]其中
η0是室温下材料粘度参数，
Q
V
是粘性流动激活能，
R
为气体常数，
T
为温度
。
[0028]烧结应变率的表达式如下：
[0029][0030]其中
σ
s
是烧结应力：
[0031][0032]其中是平均颗粒半径，
γ
s
是表面能
。
[0033]更进一步的，利用
ABAQUS
软件的
CREEP
用户子程序定义烧结蠕变本构方程
,
具体过程为
:
根据
CREEP
用户子程序的定义
,
粘塑性应变增量分别由体积膨胀应变增量和蠕变应变增量组成，表达式如下
:
[0034][0035]其中
Δε
‑
sw
是体积膨胀应变增量，
Δε
‑
cr
为蠕变应变增量，对于各向同性膨胀
R
＝
I
，
n
是偏应力势梯度，定义为：
[0036][0037]其中为米塞斯等效偏应力，定义为：
[0038][0039]其中偏应力
dev
σ
定义为：
[0040]dev
σ
＝
σ
+p
δ
ij (13)
[0041]p
＝
‑
tr(
σ
)/3
是等效压应力
。
[0042]由公式
(11)
和
(12)
可得如下表达式：
[0043][0044]从而公式
(10)
可变为：
[0045][0046]写为增量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，其特征在于，包括以下步骤：
S1、
实施陶瓷型芯烧结过程的数值模拟仿真；通过有限元计算不同烧结工艺参数组合下的陶瓷型芯尺寸，在建立模型时，需要考虑陶瓷型芯的弹性，蠕变因素，通过蠕变应变率方程求解得到陶瓷型芯烧结过程粘塑性应变增量，并计算得到陶瓷型芯烧结过程的形变；
S2、
建立用于深度学习的陶瓷型芯烧结前后切片数据集：将烧结工艺参数组合作为特征嵌入陶瓷型芯素胚切片，并将以上陶瓷型芯素胚切片作为输入，将上一步数值模拟计算得到的该参数组合下陶瓷型芯的同位置切片作为输出，由此构建训练所需的数据集；
S3、
建立基于
U
‑
net
的深度学习模型用于预测陶瓷型芯烧结前后像素值变化：由于陶瓷型芯烧结工艺参数和陶瓷型芯形变之间是一个高维复杂关系，需要通过
U
‑
net
模型学习陶瓷型芯烧结前后切片像素值变化规律；
S4、
通过
VTK
三维重建算法将模型预测的新烧结工艺参数下陶瓷型芯的切片组重建出完整的陶瓷型芯；读取新烧结工艺参数下陶瓷型芯的切片序列，使用
VTK
软件包对切片序列进行三维重建形成陶瓷型芯
。2.
根据权利要求1所述的基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，其特征在于：所述步骤
S1
包括：建立陶瓷型芯固相烧结过程的热粘弹性本构模型；建立有限元分析模型；定义蠕变和膨胀特性；进行瞬态热结构耦合非线性仿真分析
。3.
根据权利要求2所述的基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，其特征在于：所述陶瓷型芯固相烧结过程的热粘弹性本构模型的构建过程：结合陶瓷型芯烧结致密化过程中表现出的粘弹性特性，同时考虑弹性应变率
、
热应变率
、
蠕变应变率和烧结应变率，建立描述碳化硅陶瓷常压固相烧结过程的热粘弹性本构模型为：其中，表示弹性应变率，表示热应变率，表示蠕变应变率，表示烧结应变率；弹性应变率的表达式如下：其中
C
e
是弹性矩阵，是柯西应力张量；热应变率的表达式如下：其中
α
为热膨胀系数，为温度增量，
δ
ij
为二阶单位张量；蠕变应变率的表达式如下：其中
σ
′
是偏应力张量，
G
v
是剪切模量，
σ
m
是静水应力，
K
ν
是体积粘度；
G
v
＝
(1
‑
θ
)2η
(5)
粘度与温度相关，并由下面的阿累尼乌斯定律表示：其中
η0是室温下材料粘度参数，
Q
V
是粘性流动激活能，
R
为气体常数，
T
为温度；烧结应变率的表达式如下：其中
σ
s
是烧结应力：其中是平均颗粒半径，
γ
s
是表面能
。4.
根据权利要求2所述的基于深度学习的陶瓷型芯烧结过程数据采集和形变预测方法，其特征在于：所述陶瓷型芯固相烧结过程的蠕变和膨胀特性利用
ABAQUS
软件的
CREEP
用户子程序定义烧结蠕变本构方程，具体过程为：根据
CREEP
用户子程序的定义，粘塑性应变增量分别由体积膨胀应变增量和蠕变应变增量组成，表达式如下：其中
Δε
‑
sw
是体积膨胀应变增量，
Δε
‑
cr
为蠕变应变增量，对于各向同性膨胀
R
＝
I
，
n
是偏应力势梯度，定义为：其中为米塞斯等效偏应力，定义为：其中偏应力
dev
σ
定义为：
dev
σ
＝
σ
+p...

【专利技术属性】
技术研发人员：徐松哲，袁琦昱，戴晶，任忠鸣，王江，玄伟东，王保军，陈超越，胡涛，
申请(专利权)人：上海大学，
类型：发明
国别省市：