CN102339344A - 一种动态再结晶模型参数反分析识别方法 - Google Patents

Abstract

本发明公开了一种动态再结晶模型参数反分析识别方法，基于遗传神经网络元胞自动机，其特征在于：依次有以下步骤：1)确定参数的取值范围，设计构造实验方案；2)进行模拟计算，构建学习样本库；3)构建BP神经网络；4)训练BP神经网络，建立非线性映射关系；5)随机选取至少一组参数，预测流变应力；6)比较预测值与实测值，直至误差达到设计要求；7)保存误差达到设计要求的参数最佳值。有效克服了对动态再结晶参数取值的随意性，用正交试验、遗传算法、神经网络和数值模拟优化计算出动态再结晶参数的取值，解决了反分析优化计算时不稳定性、强非线性、计算量大及学习样本不均匀等问题，明显提高再结晶参数取值的准确性和快速性。

Description

一种动态再结晶模型参数反分析识别方法

技术领域

本发明涉及材料动态再结晶微观模拟的参数反分析识别技术，特别是涉及一种基于遗传神经网络元胞自动机的动态再结晶模型参数反分析识别方法。

背景技术

动态再结晶行为是改善材料热变形微观组织及性能的重要机制。定量研究动态再结晶过程的物理冶金原理，形成预报动态再结晶过程的数值方法，对控制材料组织演变和获得良好力学性能具有重要意义。然而，现有用元胞自动机模拟动态再结晶过程，是随意选取元胞自动机模型参数，只能通过反复调用有限元模拟，寻找计算流变应力值和最接近的实测流变应力值，以获得较理想的动态再结晶数值模拟过程。虽然用有限元模拟代替实际试验过程，节约了成本，但模拟时的网格重划降低了计算效率；有些用数值模拟和高斯-牛顿迭代算法对材料参数进行反分析识别，但此回归拟合方法只能解决简单的线性和非线性映射关系，不能解决动态再结晶的形核参数与宏观流变应力之间复杂的非线性关系；有些用反向传播(BackPropagation，缩略词为BP)神经网络对铸件与铸型间界面热换系数进行反分析识别，能解决复杂的非线性关系，在调整学习样本数据时采用试凑法，却无法快速优化计算出所需参数值，计算量大，网络收敛速度慢；还有些采用自适应响应面方法反求低碳钢动态再结晶形核参数的全局最优值，虽然计算量比较小，速度也比较快，但预测精度差，样本数据容易失衡。

发明内容

本发明所要解决的技术问题是弥补上述现有技术的缺陷，提供一种基于遗传神经网络元胞自动机的动态再结晶模型参数反分析识别方法。

本发明基于正交试验、遗传算法、BP神经网络和有限元数值模拟技术优化计算材料动态再结晶元胞自动机模型参数，可以有效解决动态再结晶模型参数反分析求解过程的不稳定性、强非线性、计算量大及学习样本不平衡等问题，实现动态再结晶模型参数的快速、准确求解。

本发明的技术问题通过以下技术方案予以解决。

这种动态再结晶模型参数反分析识别方法，基于遗传神经网络元胞自动机。

这种动态再结晶模型参数反分析识别方法的特点是：

依次有以下步骤：

1)确定参数的取值范围，设计构造实验方案

依据实际问题，确定材料动态再结晶元胞自动机模型参数的取值范围，并依据正交试验设计构造实验方案；

2)进行模拟计算，构建学习样本库

采用有限元模拟对构造的每一组实验方案进行模拟计算，获得每一组实验方案关键点的流变应力值，并将每一组实验方案与对应的流变应力值构成一组学习样本，构建学习样本库；

3)构建BP神经网络

构建BP神经网络结构；

4)训练BP神经网络，建立非线性映射关系

用所述学习样本对BP神经网络进行训练，建立待反分析的动态再结晶参数与流变应力之间的非线性映射关系；

5)随机选取至少一组参数，预测流变应力

随机选取至少一组动态再结晶参数，用所述训练后的BP神经网络预测流变应力；

6)比较预测值与实测值，直至误差达到设计要求

将预测的所述流变应力值与对应的实测流变应力值进行比较，计算误差，如果误差达不到设计要求，则用遗传算法进行优化计算，推出新的一代群体，所述新的一代群体是一组新的、优化的动态再结晶参数，将所述新的动态再结晶参数用所述训练后的神经网络预测流变应力，再将预测的所述流变应力值与实测的流变应力值进行比较，计算误差，直至误差达到设计要求；

7)保存误差达到设计要求的参数最佳值

保存误差达到设计要求的动态再结晶参数最佳值。

本发明的技术问题通过以下进一步的技术方案予以解决。

所述步骤1)构造的实验方案中的数据样本分布平衡、均匀。

所述步骤3)的BP神经网络结构是对神经网络的隐含层层数和每个隐含层节点数从网络精度和训练时间上综合考虑建立的。

所述步骤6)计算误差的公式为 $E=\left|\frac{{\mathrm{\σ}}_{\mathrm{BP}}-{\mathrm{\σ}}_0}{{\mathrm{\σ}}_0}\right|,$

式中：

σ_BP为关键点的神经网络预测应力值；

σ₀为对应的实测应力值。

所述步骤6)的误差达不到设计要求，则将误差E设置为遗传算法的个体适应度值，将所述随机选取几组动态再结晶参数设置为初始群体，然后用遗传算法的选择、交叉、变异推出新的一代群体。

本发明与现有技术对比的有益效果是：

本发明方法有效克服了对动态再结晶参数取值的随意性，用正交试验、遗传算法、神经网络和数值模拟优化计算出动态再结晶参数的取值，解决了反分析优化计算时不稳定性、强非线性、计算量大及学习样本不均匀等问题，明显提高再结晶参数取值的准确性和快速性。

附图说明

图1是本发明具体实施方式的微观组织模拟金相图；

图2是本发明具体实施方式的微观组织实测金相图。

具体实施方式

下面结合具体实施方式并对照附图对本发明进行说明。

一种如图1～2所示的基于遗传神经网络元胞自动机的动态再结晶模型参数反分析识别方法，对AZ31镁合金试样(以下简称样品)圆柱热压缩变形时具体的动态再结晶模型参数进行反分析识别，步骤如下：

1)确定参数的取值范围，设计构造实验方案

依据实际问题，确定试样材料动态再结晶元胞自动机模型参数的取值范围，其模型参数有4个，取值范围为：

初始位错密度ρ_cr∈{1.2809×10¹⁴，1.4976×10¹⁴}m^-2；

形核率常数N_c∈{5000，250000}m^-1s^-1；

初始软化参数r₀∈{6.000，8.900}；

初始硬化参数h₀∈{1.0000×10¹⁵，1.2900×10¹⁵}；

依据正交试验表设计构造三十二组实验方案，其中三组实验方案见下表1：

表1

2)进行模拟计算，构建学习样本库

采用有限元模拟对构造的每一组实验方案进行模拟计算，模拟时试样材料参数取值见下表2：

表2

模拟时压缩温度为300℃，应变速率为0.3s^-1，材料与模具的摩擦系数取1。

模拟结束后，获得每一组实验方案流变应力峰值σ′_BP，并将每组实验方案与对应的流变应力峰值σ′_BP构成一组学习样本，即输入值为4个，输出值为1个，从而构建学习样本库。三组实验方案对应的学习样本见下表3：

表3

3)构建BP神经网络

通过反复计算，从网络精度和训练时间上综合考虑，BP神经网络采用双隐层结构，具体各层节点数为：4-35-37-1。此时网络均方误差0.0016，训练时间6.4367s。

4)训练BP神经网络，建立非线性映射关系

用所述学习样本对BP神经网络对进行训练，即采用4-35-37-1结构的BP神经网络建立待反分析的动态再结晶参数与流变应力之间的非线性映射关系。

5)随机选取十组参数，预测流变应力

随机选取十组动态再结晶参数，用所述训练后的BP神经网络进行预测，得到相应十个预测应力峰值，其中的三组动态再结晶参数和预测应力峰值见下表4：

表4

6)比较预测值与实测值，直至误差达到设计要求

将预测的流变应力峰值与实测的流变应力峰值进行比较，计算误差，误差公式如下： $E=\left|\frac{{\mathrm{\σ}}_{\mathrm{BP}}^{\′}-{\mathrm{\σ}}_0^{\′}}{{\mathrm{\σ}}_0^{\′}}\right|,$

式中：

σ′_BP为神经网络预测应力峰值；

σ′₀为实测应力峰值。

实测流变应力试验是在Gleeble3500热模拟试验机上进行等应变速率下热压缩实验，压缩前，将试样原挤压棒材加工成φ10mm×12mm的圆柱体试样，石墨薄片作为润滑剂放在样品和压头间，以减小试样与压头间的摩擦影响，样品在变形过程中的温度变化用直径为0.08mm的热电偶记录，测量反应时间为0.1s。样品加热到预设温度的速率为10℃/s，保温时间为60s，以保证温度的均匀化，然后由高度12mm压缩到高度4.4mm，即达到真应变1，整个试验都在氮气氛下进行，压缩温度为300℃，应变速率为0.3s^-1，实测应力峰值为90.6786MPa，则对应的三组参数误差见下表5：

表5

计算出的十组误差都达不到设计要求E＜0.001，则用遗传算法的选择、交叉、变异推出新的一代群体，遗传算法参数如下：变量个数4，种群大小10，最大迭代次数100，交叉概率0.4，变异概率0.2，采用实数编码；将误差E设置为遗传算法的个体适应度值，将随机选取十组动态再结晶参数编码为初始群体，然后用遗传算法的选择、交叉、变异推出新的一代群体，将其解码形成新的动态再结晶参数，即ρ_cr＝1.4320×10¹⁴m^-2；N_c＝170000m^-1s^-1；r₀＝7.2532；h₀＝1.23×10¹⁵。将这些新的动态再结晶参数用训练后的神经网络预测其流变应力峰值为85.8760MPa，再与实测的流变应力峰值进行比较，计算出的误差E＝0.0530＞0.001仍达不到设计要求，则将此组新的动态再结晶参数与随机选取的十组动态再结晶参数中误差小的九组参数，再组成十组动态再结晶参数，仍然编码为初始群体，然后用遗传算法的选择、交叉、变异优化，推出新的又一代群体，直至误差达到设计要求E＜0.001。

7)保存误差达到设计要求E＜0.001的动态再结晶参数值：ρ_cr＝4.52492×10¹⁴m^-2，N_c＝129300m^-1s^-1，γ₀＝5.11297，h₀＝1.68×10¹⁵。

上述动态再结晶参数值是压缩温度为300℃、应变速率为0.3s^-1时的动态再结晶参数值。

图1是压缩温度为300℃、应变速率0.3s^-1时的试样热变形的微观组织模拟的金相图，图2是与之对应的微观组织实测的金相图。对比表明：试样热变形时，在晶界产生动态再结晶“项链”结构，晶内大量出现了细小再结晶晶粒。用DM1500金相仪测量图1和图2的晶粒大小，分别为5.776μm和5.782μm，非常接近，达到材料动态再结晶精确数值模拟的要求。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下做出如果干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。

Claims (4)

1.一种动态再结晶模型参数反分析识别方法，基于遗传神经网络元胞自动机，其特征在于：

依次有以下步骤：

1)确定参数的取值范围，设计构造实验方案

依据实际问题，确定材料动态再结晶元胞自动机模型参数的取值范围，并依据正交试验设计构造实验方案；

2)进行模拟计算，构建学习样本库

采用有限元模拟对构造的每一组实验方案进行模拟计算，获得每一组实验方案关键点的流变应力值，并将每一组实验方案与对应的流变应力值构成一组学习样本，构建学习样本库；

3)构建BP神经网络

构建BP神经网络结构；

4)训练BP神经网络，建立非线性映射关系

用所述学习样本对BP神经网络进行训练，建立待反分析的动态再结晶参数与流变应力之间的非线性映射关系；

5)随机选取至少一组参数，预测流变应力

随机选取至少一组动态再结晶参数，用所述训练后的BP神经网络预测流变应力；

6)比较预测值与实测值，直至误差达到设计要求

将预测的所述流变应力值与对应的实测流变应力值进行比较，计算误差，如果误差达不到设计要求，则用遗传算法进行优化计算，推出新的一代群体，所述新的一代群体是一组新的、优化的动态再结晶参数，将所述新的动态再结晶参数用所述训练后的神经网络预测流变应力，再将预测的所述流变应力值与实测的流变应力值进行比较，计算误差，直至误差达到设计要求；

7)保存误差达到设计要求的参数最佳值

保存误差达到设计要求的动态再结晶参数最佳值。

2.如权利要求1所述的动态再结晶模型参数反分析识别方法，其特征在于：

所述步骤3)的BP神经网络结构是对神经网络的隐含层层数和每个隐含层节点数从网络精度和训练时间上综合考虑建立的。

3.如权利要求1或2所述的动态再结晶模型参数反分析识别方法，其特征在于：

所述步骤6)计算误差的公式为 $E=\left|\frac{{\mathrm{\σ}}_{\mathrm{BP}}-{\mathrm{\σ}}_0}{{\mathrm{\σ}}_0}\right|,$

式中：

σ_BP为关键点的神经网络预测应力值；

σ₀为对应的实测应力值。

4.如权利要求3所述的动态再结晶模型参数反分析识别方法，其特征在于：

所述步骤6)的误差如果达不到设计要求，则将误差E设置为遗传算法的个体适应度值，将所述随机选取至少一组动态再结晶参数设置为初始群体，然后用遗传算法的选择、交叉、变异推出新的一代群体。

Images