一种基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法技术

本发明专利技术涉及一种基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，包括：融合多因素，构建改进的损伤耦合粘塑性模型并确定待识别模型参数；其中，所述多因素包括：瞬态软化模量、松弛因子、静态恢复、疲劳‑蠕变交互损伤模型以及传统Chaboche粘塑性本构框架；基于所述改进的损伤耦合粘塑性模型，采用加权法，构建单目标优化模型；基于所述单目标优化模型，利用融合多策略的黑翅鸢算法，对所述待识别模型参数进行反演求解，获取最优本构模型参数。本发明专利技术提出的基于融合多策略黑翅鸢算法所识别的模型参数不仅精度高，而且收敛速度快，充分说明了所提本构模型的合理性以及参数识别的高效性与可靠性。

【技术实现步骤摘要】

本专利技术涉及材料本构模型，特别是涉及一种基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法。

技术介绍

1、在长期暴露于极端温度及复杂应力环境的条件下，高温部件极易遭受低周疲劳与蠕变-疲劳交互失效，这一现象已促使人们对其变形行为及本构建模方法展开了广泛而深入的研究。既往研究揭示，诸如2.25crmov钢与无碳化物贝氏体钢等高温耐热材料，在承受低周疲劳与蠕变-疲劳载荷作用时，表现出连续的应变软化、应变范围记忆效应、瞬态包辛格效应及减速应力松弛等行为。精准描述这些特性对于评估高温结构件的可靠性及实施结构优化至关重要，而这离不开一个能够精确模拟材料应力-应变响应的全面的本构模型。此外，将连续损伤力学与传统本构模型相结合的方法已被证实为解决传统模型无法准确预测材料全寿命周期循环塑性变形问题的一种极具前景的策略。然而，先进模型的构建不可避免地伴随着模型参数的增多，同时亦引入了一些物理意义不明确且高度敏感的参数，这使得传统的基于试错法或用户经验的参数识别手段不再适用。随着人工智能技术的飞速发展，元启发式优化算法在本构模型参数反识别领域的重要性日益提升。然而，众多研本文档来自技高网...

【技术保护点】

1.一种基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，包括：

2.根据权利要求1所述的基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，所述改进的损伤耦合粘塑性模型包括：

3.根据权利要求1所述的基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，所述待识别模型参数包括：弹性模量、初始屈服应力、描述粘性变形的材料参数、从稳定周次获得的线性硬化项和动态回复项系数、控制静态回复量和回复速率的材料参数、各项同性硬化变量R的渐进值及其演化速率、描述材料稳定软化阶段的线性软化模量、疲劳损伤模型参数、蠕变损伤模型参数、矢量参数...

【技术特征摘要】

1.一种基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，包括：

2.根据权利要求1所述的基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，所述改进的损伤耦合粘塑性模型包括：

3.根据权利要求1所述的基于融合多策略黑翅鸢算法的粘塑性本构模型参数识别方法，其特征在于，所述待识别模型参数包括：弹性模量、初始屈服应力、描述粘性变形的材料参数、从稳定周次获得的线性硬化项和动态回复项系数、控制静态回复量和回复速率的材料参数、各项同性硬化变量r的渐进值及其演化速率、描述材料稳定软化阶段的线性软化模量、疲劳损伤模型参数、蠕变损伤模型参数、矢量参数。

【专利技术属性】
技术研发人员：张威，杨桥发，梁飞，陈星慧，周昌玉，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人