为提高Al-12Si合金的热变形抗力,并探索非晶Fe粉掺杂对Al-12Si合金热压缩行为的影响和掺杂非晶Fe粉热压缩中的晶化温度等,采用连续挤压技术制备了掺杂10wt%非晶Fe粉与不掺杂非晶Fe粉的Al-12Si合金试样,对试样进行了不同温度和应变速率...为提高Al-12Si合金的热变形抗力,并探索非晶Fe粉掺杂对Al-12Si合金热压缩行为的影响和掺杂非晶Fe粉热压缩中的晶化温度等,采用连续挤压技术制备了掺杂10wt%非晶Fe粉与不掺杂非晶Fe粉的Al-12Si合金试样,对试样进行了不同温度和应变速率下的热压缩试验,分析了试样在热压缩中的组织转变,以及采用双曲正弦关系构建了试样的热流变应力方程。结果表明:非晶Fe掺杂试样在450℃及以下的热压缩时,Fe维持非晶态,500℃时,则已发生晶化;掺杂10wt%非晶Fe粉使Al-12Si合金的热抗变形能力显著提高,其热压缩激活能Q=211. 29 k J/mol,比未掺杂非晶Fe粉的Al-12Si合金试样高40. 78 k J/mol,且热压缩过程中存在动态回复和动态再结晶;利用双曲正弦关系构建试样的热流变应力方程为■,线性回归系数高达0. 99,即可为非晶Fe粉掺杂试样的热加工提供一定的理论指导。展开更多
目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂...目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。展开更多
文摘为提高Al-12Si合金的热变形抗力,并探索非晶Fe粉掺杂对Al-12Si合金热压缩行为的影响和掺杂非晶Fe粉热压缩中的晶化温度等,采用连续挤压技术制备了掺杂10wt%非晶Fe粉与不掺杂非晶Fe粉的Al-12Si合金试样,对试样进行了不同温度和应变速率下的热压缩试验,分析了试样在热压缩中的组织转变,以及采用双曲正弦关系构建了试样的热流变应力方程。结果表明:非晶Fe掺杂试样在450℃及以下的热压缩时,Fe维持非晶态,500℃时,则已发生晶化;掺杂10wt%非晶Fe粉使Al-12Si合金的热抗变形能力显著提高,其热压缩激活能Q=211. 29 k J/mol,比未掺杂非晶Fe粉的Al-12Si合金试样高40. 78 k J/mol,且热压缩过程中存在动态回复和动态再结晶;利用双曲正弦关系构建试样的热流变应力方程为■,线性回归系数高达0. 99,即可为非晶Fe粉掺杂试样的热加工提供一定的理论指导。
文摘目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。