System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智能化预测,并且更具体地,涉及一种铸造铝合金气缸盖的力学性能预测方法及其系统。
技术介绍
1、在铸造铝合金气缸盖领域,气缸盖的疲劳寿命通常由铸造铝合金的力学性能决定,而铸造铝合金气缸盖的加工生产过程很大程度上决定了气缸盖的力学性能。
2、铸造气缸盖在加工生产过程中会因为铸造工艺的不同产生不同的微组织结构,这些微组织结构是影响力学性能的主要因素。目前有研究者将气缸盖的微组织结构与力学性能之间的关系,通过利用大量的力学性能试验数据建立经验公式,此过程耗费大量的人力物力;其次是进行有限元数值仿真,虽然是成熟且有效的预测方法,但是模拟仿真时间长,模拟次数多,并且没有智能学习功能,无法满足高效且快速预测的需求。为了降低成本提高效率且快速掌握气缸盖力学性能,需要找到一种高效预测铸造铝合金气缸盖的力学性能的方法。于是快速有效的建立微观组织参数与力学性能之间的映射关系,便是目前铸造铝合金气缸盖生产工艺中亟待解决的问题之一。
技术实现思路
1、为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种铸造铝合金气缸盖的力学性能预测方法及其系统,其获取被测铸造铝合金气缸盖在多个采样位置的微组织结构信息数据;使用基于深度学习的深度神经网络模型构建铸造铝合金气缸盖的微组织结构信息数据与其力学性能之间的高维非线性映射关系,这样可基于铸造铝合金气缸盖的微组织结构信息数据来对所述铸造铝合金气缸盖的力学性能进行精准预测,以满足高效且快速预测的需求。
2、第一方面,提供了一种铸造
3、获取被测铸造铝合金气缸盖在多个采样位置的微组织结构信息数据;
4、将所述各个采样位置的微组织结构信息数据分别通过基于多层感知机模型的关联特征提取器以得到多个微组织结构特征向量;
5、将所述多个微组织结构特征向量通过基于转换器的上下文编码器以得到解码特征向量;
6、对所述解码特征向量进行校正以得到优化解码特征向量;和
7、将所述优化解码特征向量通过第一解码器以得到第一解码值,所述第一解码值用于表示屈服强度。
8、在上述铸造铝合金气缸盖的力学性能预测方法中,所述微组织结构信息数据包括晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大feret尺寸均值和共晶硅颗粒圆度均值。
9、在上述铸造铝合金气缸盖的力学性能预测方法中,所述多层感知机模型包括多个全连接层。
10、在上述铸造铝合金气缸盖的力学性能预测方法中,将所述各个采样位置的微组织结构信息数据分别通过基于多层感知机模型的关联特征提取器以得到多个微组织结构特征向量,包括:将所述各个采样位置的微组织结构信息数据分别排列为采样位置参数输入向量;以及,使用所述基于多层感知机模型的关联特征提取器对所述采样位置参数输入向量进行全连接编码以得到所述微组织结构特征向量。
11、在上述铸造铝合金气缸盖的力学性能预测方法中,将所述多个微组织结构特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:使用所述基于转换器的上下文编码器对所述多个微组织结构特征向量进行基于全局的上下文语义编码以得到多个微组织结构全局特征向量;以及,将所述多个微组织结构全局特征向量进行级联以得到所述解码特征向量。
12、在上述铸造铝合金气缸盖的力学性能预测方法中,对所述解码特征向量进行校正以得到优化解码特征向量,包括:以如下优化公式对所述解码特征向量进行校正以得到优化解码特征向量;其中,所述优化公式为:其中,和是所述解码特征向量中各个位置的特征值集合的均值和标准差,是所述解码特征向量的第个位置的特征值,是所述优化解码特征向量的第个位置的特征值。
13、在上述铸造铝合金气缸盖的力学性能预测方法中,将所述优化解码特征向量通过第一解码器以得到第一解码值,所述第一解码值用于表示屈服强度,包括:使用所述解码器以如下解码公式将所述优化解码特征向量通过第一解码器以得到第一解码值,所述第一解码值用于表示屈服强度;其中,所述解码公式为:,其中,表示所述优化解码特征向量,表示所述第一解码值,表示权重矩阵,表示偏置向量,表示矩阵乘。
14、在上述铸造铝合金气缸盖的力学性能预测方法中,还包括步骤:将所述优化解码特征向量通过第二解码器以得到第二解码值,所述第二解码值用于表示抗拉强度。
15、第二方面,提供了一种铸造铝合金气缸盖的力学性能预测系统,其包括:
16、数据获取模块,用于获取被测铸造铝合金气缸盖在多个采样位置的微组织结构信息数据;
17、关联特征提取模块,用于将所述各个采样位置的微组织结构信息数据分别通过基于多层感知机模型的关联特征提取器以得到多个微组织结构特征向量;
18、上下文编码模块,用于将所述多个微组织结构特征向量通过基于转换器的上下文编码器以得到解码特征向量;
19、优化模块,用于对所述解码特征向量进行校正以得到优化解码特征向量;和
20、第一解码模块,用于将所述优化解码特征向量通过第一解码器以得到第一解码值,所述第一解码值用于表示屈服强度。
21、在上述铸造铝合金气缸盖的力学性能预测系统中,所述微组织结构信息数据包括晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大feret尺寸均值和共晶硅颗粒圆度均值。
22、与现有技术相比,本申请提供的铸造铝合金气缸盖的力学性能预测方法及其系统,其获取被测铸造铝合金气缸盖在多个采样位置的微组织结构信息数据;使用基于深度学习的深度神经网络模型构建铸造铝合金气缸盖的微组织结构信息数据与其力学性能之间的高维非线性映射关系,这样可基于铸造铝合金气缸盖的微组织结构信息数据来对所述铸造铝合金气缸盖的力学性能进行精准预测,以满足高效且快速预测的需求。
本文档来自技高网...【技术保护点】
1.一种铸造铝合金气缸盖的力学性能预测方法,其特征在于,包括:
2.根据权利要求1所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,所述微组织结构信息数据包括晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值和共晶硅颗粒圆度均值。
3.根据权利要求2所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,所述多层感知机模型包括多个全连接层。
4.根据权利要求3所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,将所述各个采样位置的微组织结构信息数据分别通过基于多层感知机模型的关联特征提取器以得到多个微组织结构特征向量,包括:
5.根据权利要求4所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,将所述多个微组织结构特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:
6.根据权利要求5所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,对所述解码特征向量进行校正以得到优化解码特征向量,包括:以如下优化公式对所述解
7.根据权利要求6所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,将所述优化解码特征向量通过第一解码器以得到第一解码值,所述第一解码值用于表示屈服强度,包括:
8.根据权利要求7所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,还包括步骤:将所述优化解码特征向量通过第二解码器以得到第二解码值,所述第二解码值用于表示抗拉强度。
9.一种铸造铝合金气缸盖的力学性能预测系统,其特征在于,包括:
10.根据权利要求9所述的铸造铝合金气缸盖的力学性能预测系统,其特征在于,所述微组织结构信息数据包括晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大Feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大Feret尺寸均值和共晶硅颗粒圆度均值。
...【技术特征摘要】
1.一种铸造铝合金气缸盖的力学性能预测方法,其特征在于,包括:
2.根据权利要求1所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,所述微组织结构信息数据包括晶粒尺寸、二次枝晶臂间距、二维孔隙率、金相孔隙面积、金相孔隙最大feret尺寸、共晶硅面积均值、共晶硅长宽比均值、共晶硅最大feret尺寸均值和共晶硅颗粒圆度均值。
3.根据权利要求2所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,所述多层感知机模型包括多个全连接层。
4.根据权利要求3所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,将所述各个采样位置的微组织结构信息数据分别通过基于多层感知机模型的关联特征提取器以得到多个微组织结构特征向量,包括:
5.根据权利要求4所述的铸造铝合金气缸盖的力学性能预测方法,其特征在于,将所述多个微组织结构特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:
6.根据权利要求5所述的铸造铝合...
【专利技术属性】
技术研发人员:王承永,
申请(专利权)人:浙江海威汽车零件有限公司,
类型:发明
国别省市:
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。