应变能—内应力干涉模型的多轴高周疲劳研究

塑性应变能使材料微观组织结构发生不可逆变化而引起等效宏观应力,该应力随循环加载而增大。假定该应力的一种分布函数,将疲劳极限以上加载等效为塑性应变,建立了塑性应变与加载应力成线性关系的表达式,由此得到循环加载的塑性应变能。导出其最大应力与外加应力叠加达到材料本征断裂应力时的裂纹成核寿命,并由微裂纹引起上述两部分应力变化,得到继续加载直至宏观裂纹出现的疲劳寿命。所建立的多轴疲劳寿命公式由三个材料参数表达,并通过单轴疲劳试验数据确定。初步研究表明,该模型对所引用的多轴疲劳试验数据有很好的预测能力。

光纤光栅传感器对非均匀应变场的响应特性

提出利用测量位置处光栅传感器的光谱特征反推该处对应的应变分布状态的方法。采用改进的传递矩阵方法,模拟了不同应变分布函数对应的光谱响应,分析了其基本特征参数同应变分布之间的变化规律。通过有限元仿真计算试验件在弯曲载荷下光栅粘贴处的应变分布,重构了传感器的光谱,并将其和应变分布函数的理论计算光谱图进行比较,验证了应变分布形式与反射光谱特征的关联性。构建带有不同半径圆孔的铝合金板孔口弯曲加载试验系统,测试试验件弯曲挠度和孔径大小与反射谱特性的关系。理论及试验结果表明,实测与仿真计算的谱图变化具有相同规律,光谱特征参数可作为预测铝合金孔径的有效指标,并为其他类型结构的应变场变化规律的监测提供参考依据。

复合材料环境当量等效加速老化试验方法

提出一个评估复合材料自然老化寿命的流程。以单向玻璃纤维和碳纤维增强环氧树脂基复合材料试样为对象,在统计分析南京地区室外暴露条件下自然老化环境因素的基础上,采用环境当量等效方法制定了实验室加速老化环境谱进行加速老化试验,预测这些材料在自然老化环境下的剩余强度,并通过与自然老化试验结果对比来验证加速试验方法的正确性。结果表明,提出的加速老化方法能正确反映自然老化弯曲强度下降规律,该方法可以通过约2个月的加速老化试验准确预估复合材料3年自然老化的剩余弯曲强度,整体加速倍数约为18。对不同复合材料进行当量等效加速老化时,建议采用复合材料结构在服役过程中采集到的阶段性自然老化数据修正当量等效加速老化系数,这样可以得到更加准确的老化预估结果。

基于应变能的复杂应力场低周疲劳分析

塑性应变能使材料微观组织结构发生不可逆变化,从而引起等效宏观应力,该应力随循环加载而增大.假定材料疲劳源处破坏是由最大拉应力引起的,最大等效宏观应力与外加应力叠加达到材料本征断裂应力时形成微裂纹.微裂纹引起上述两部分应力变化,继续加载直至宏观裂纹出现,从而得到材料的疲劳寿命.本文所建立的多轴疲劳寿命公式包含材料参数、拉应力以及塑性应变能等,以上数据可通过单轴疲劳数据和有限元方法获得.通过对SM45C材料的计算验证,表明该模型对多轴随机应变加载低周疲劳寿命,具有良好的预测结果.

GFRP在不同浓度NaCl溶液中的吸湿和老化特性研究

采用不同浓度的NaCl溶液进行加速老化试验,研究玻璃纤维增强树脂基复合材料(GFRP)在NaCl溶液中的吸湿特性和老化规律。通过称重和弯曲试验测试GFRP老化后的质量变化和弯曲强度,并对GFRP老化后的表面和弯曲破坏断面进行形貌观察,探究NaCl溶液对GFRP老化性能的影响方式。结果表明,GFRP在不同浓度溶液中的吸湿速率和弯曲强度下降速率都是初期快后期平缓,饱和吸湿率及弯曲强度的下降率都随NaCl溶液浓度的增高而降低,老化后试验件表面出现黄色腐蚀层,弯曲破坏呈现脆型特征。在老化35 d后,水、5%、10%、15%NaCl溶液中的GFRP弯曲强度保持率分别为48.64%、50.00%、51.94%、54.65%。

GFRP湿致拉伸强度老化的细观力学研究

研究了湿热老化对环氧树脂基复合材料拉伸强度的影响。首先进行了玻璃纤维增强聚合物(Glass fiber reinforced polymer,GFRP)的吸水性和湿致拉伸强度退化试验,试验结果显示该GFRP的吸湿行为符合Fick定律,其抗拉强度在湿热老化早期显著降低,然后逐渐平缓。然后,提出了单向纤维增强复合材料细观尺度纵向和横向强度预测模型,以反映纤维和基体(或纤维/基体界面)失效的固有概率以及吸湿率的影响。该模型可以预测环氧树脂基复合材料在不同湿热老化时间下的拉伸强度退化情况,并通过老化试验验证了模型的正确性。

一种新的多轴高周疲劳模型

将疲劳强度以上加载等效为塑性应变.建立了塑性应变与加载应力呈线性关系的表达式,由此得到循环加栽的塑性应变能。该塑性应变能使材料微观组织结构发生不可逆变化而引起等效宏观应力。假定该应力符合一种特定的分布函数.导出其最大应力与外加应力叠加达到材料本征断裂应力时的裂纹成核寿命.从而并由微裂纹引起上述两部分应力变化,得到继续加载直至宏观裂纹出现的疲劳寿命。所建立的多轴疲劳寿命公式由3个材料参数表达,并通过单轴疲劳试验数据确定。初步研究表明:该模型对所引用的多轴疲劳试验数据有很好的预测能力。