CN105320804A - 用于铸造铝合金的材料性质预测器 - Google Patents
用于铸造铝合金的材料性质预测器 Download PDFInfo
- Publication number
- CN105320804A CN105320804A CN201510462029.6A CN201510462029A CN105320804A CN 105320804 A CN105320804 A CN 105320804A CN 201510462029 A CN201510462029 A CN 201510462029A CN 105320804 A CN105320804 A CN 105320804A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- program code
- readable program
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 92
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 8
- 238000005266 casting Methods 0.000 claims abstract description 34
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 30
- 239000000956 alloy Substances 0.000 claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 25
- 238000013461 design Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 47
- 238000009792 diffusion process Methods 0.000 claims description 16
- 238000005275 alloying Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 abstract description 6
- 229910052782 aluminium Inorganic materials 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 18
- 239000007790 solid phase Substances 0.000 description 12
- 239000007791 liquid phase Substances 0.000 description 10
- 239000000203 mixture Substances 0.000 description 9
- 239000012071 phase Substances 0.000 description 8
- 239000007788 liquid Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000239290 Araneae Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 101100072002 Arabidopsis thaliana ICME gene Proteins 0.000 description 2
- 229910000967 As alloy Inorganic materials 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000013590 bulk material Substances 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 210000001787 dendrite Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910018566 Al—Si—Mg Inorganic materials 0.000 description 1
- 229910019086 Mg-Cu Inorganic materials 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D21/00—Casting non-ferrous metals or metallic compounds so far as their metallurgical properties are of importance for the casting procedure; Selection of compositions therefor
- B22D21/002—Castings of light metals
- B22D21/007—Castings of light metals with low melting point, e.g. Al 659 degrees C, Mg 650 degrees C
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及一种用于铸造铝合金的材料性质预测器。一种来预测基于铝的铸造部件的材料性质的装置和制品。在一种形式中,基于计算机的系统包括彼此可编程地协作的许多计算模块,使得在接收到与基于铝的铸造部件相对应的数据时,模块提供材料的性能指示。模块包括热力学计算模块、热物理性质模块、机械性质模块以及材料选择或合金设计模块。模块与已知材料和几何形状数据库的结合-除微结构和缺陷数据库之外-有助于产生铸造设计、铸造工艺仿真和CAE节点性质映射和耐用性分析所需的材料性质。
Description
技术领域
本发明大体涉及铸造部件的预测的机械性质,以及更具体地涉及来提供基于这类部件的性质要求产生铸造铝合金部件的热力学、热物理和机械材料性质的集成计算方式的系统、方法和制品。
背景技术
许多关键结构应用采用铸造部件或产品。对于汽车和相关运输系统尤其是这样,其中,发动机、变速器、悬架系统、主要承重结构、座椅部件或内部支撑结构等均受益于与铸造相关的低成本制造。与其它制造工艺相比,铸造工艺通常是生产几何形状复杂的部件和提供净成形或近净成形能力的最高成本效益的方法。这类铸造工艺在与轻质结构材料(例如基于铝的合金)结合使用时尤其有益,其中,高的强度-重量比、良好的耐腐蚀性和相对低的原材料成本是有用的设计参数。
在基于计算机的工具的相对近期的发展已经能够改进通过铸造制造的部件的部件设计。计算机辅助工程(CAE)(其还可包括计算机辅助分析(CAA)、计算机辅助设计(CAD)、计算机辅助制造(CAM)、计算机辅助规划(CAP)、计算机集成制造(CIM)、材料需求规划(MRP)等)不仅能够用于预测如何设计和制造复杂铸造部件,还能预测部件将如何在其目标操作环境中实施。
人们已经努力集成这些传统上离散的独立规则中的一些,以作为缩短长铸造发展循环以及提高铸造质量、可靠性和部件完整性的其它指示的方式。此类的一种努力称作集成计算材料工程(ICME),其致力于采用基于计算机的工具,以通过将工艺和结构与它们相应的性质联系起来以在进行任何实际制造行动之前计算仿真部件的性能,由此改进铸造部件的开发。尽管ICME和相关方法具有这些优点,但必须仍对铸造设计、工艺模拟和优化以及缺陷、微结构和产品性能的预测进行初始简化假设。尤其存在问题的是常规上假设某些性质(例如,材料性质)在被仿真的物体中是大体均匀的。但是遗憾的是,许多这类物体的材料性质不具有这种均匀性,尤其是那些形状非常复杂或部件厚度显著不同的物体。例如,汽车发动机机体具有许多厚区域和薄区域,这妨碍了评估材料性质和准确地进行相关耐用性和寿命预测分析的能力。忽略特定铸造构型产生的材料性质变化的效果体现了自身在铸造工艺仿真(包括确定长期部件耐用性预测)中的不准确性。
因此,缺少准确地考虑铸造工艺模拟的材料性质的系统、方法和制品。同样,能够基于对这些基础材料性质的更好的预测改进用于进行铸造铝部件耐用性分析的CAE和相关分析方法。
发明内容
本发明能够更准确地预测材料性质,这可用于铸造工艺仿真研究。本发明容许建模者结合来自各种数据库的性质,包括但不限于材料性质数据库、热力学数据库以及缺陷和微结构数据库,各种集成模块预测选定的将在铸造操作中用于制造特定部件的基于铝的材料的性质。
根据本发明的一个方面,公开了一种用于预测铸造铝部件中所使用的材料的性质的装置。所述装置包括由通过数据通信路径彼此协作的数据输入、数据输出、一个或更多个处理单元以及一个或更多个包含数据存储器和包含指令存储器组成的计算元件。各种功能(即,计算)模块配置成与这些计算元件中的一个或更多个可编程地协作,使得当接收到与所述部件、铸造工艺和模制材料中的一个或更多个相关的数据时,所述装置将所述数据提交至功能模块,以便所产生的输出数据提供被选择用于特定部件和工艺的材料的性能指示。所述模块至少包括但不限于:(1)热力学计算模块,(2)热物理性质模块,(3)机械性质模块,以及(4)材料选择/合金设计模块。
根据本发明的另一方面,公开了一种制品。所述制品包括其中包含计算机可读程序代码的计算机可用介质,用于多个模块彼此可编程地协作以产生用于待模制的特定铸造部件的铸造设计、铸造工艺仿真以及CAE节点性质映射和耐用性分析中的一个或更多个的基于铝的合金的各种材料性质(包括热力学、热物理和机械性质)。所述模块类似于上文结合之前的方面所论述的那些。
根据本发明,其还存在以下技术方案:
1.一种用于预测铸造铝部件中所使用的材料的性质的装置,所述装置包括:
通过数据通信路径彼此协作的数据输入、数据输出、至少一个处理单元,以及包含数据存储器和包含指令存储器中的至少一个;
多个计算模块,其通过所述数据通信路径与所述数据输入、数据输出、处理单元和存储器中的至少一个可编程地协作,使得当接收到与所述部件和所述材料相关的数据时,所述装置将所述数据提交至所述多个模块,以便于所产生的输出数据由此提供所述材料的性能指示,所述模块包括:
热力学计算模块,其配置成从热力学数据库接收与所述材料相对应的数据;
热物理性质模块,其配置成(a)从所述输入接收与所述材料相对应的数据,以及(b)与所述热力学计算模块交换数据;
机械性质模块,其配置成(a)从所述输入接收与所述材料相对应的数据,以及(b)从下列中至少一个接收数据:(i)铸造工艺仿真和(ii)缺陷和微结构计算;以及
材料选择或合金设计模块,其配置成(a)与所述热力学计算模块、热物理性质模块和机械性质模块交换数据,以及(b)将与所述材料相对应的数据传送到所述输出。
如权利要求1所述的装置,其中,所述热力学计算模块和所述热力学数据库协作以处理选自包括平衡、局部不平衡和不平衡情况的组的多个冷却速率情况。
如权利要求2所述的装置,其中,所述不平衡情况包括固相反扩散模型,以预测与所述部件中的所述材料相对应的实际的相分数和相图中的至少一个。
如权利要求3所述的装置,其中,所述平衡情况使用杠杆定律计算,并且所述局部不平衡情况使用Schiel计算。
如权利要求1所述的装置,其中,所述机械性质模块实施基于节点-节点的性质映射。
如权利要求5所述的装置,其中,所述机械性质模块进一步与配置来提供局部微结构细度和缺陷信息的数据库协作,以提供与所述材料相对应的所述输入的实际的局部和总体的拉伸和疲劳性质的预测。
如权利要求1所述的装置,其中,所述热物理性质模块使用k-最近邻模型计算材料的热性质。
如权利要求1所述的装置,其中,所述材料选择或合金模块配置成接收选自包括下列的组的物理和机械性质:(a)最佳铝合金成分和(b)目标物理和机械性质。
一种制品,其包括其中体现有计算机可读程序代码的计算机可用介质,用于预测铸造铝部件中所使用的材料的性质,所述制品中的所述计算机可读程序代码包括:
用于使所述计算机从多个数据库中的至少一个接收输入信息的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个热力学计算的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个热物理计算的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个机械性质计算的计算机可读程序代码部分;以及
用于使所述计算机基于下列实施对于所述材料的至少一种材料选择或合金设计计算的计算机可读程序代码部分,其基于(a)所述接收信息的至少一部分和(b)来自所述热力学计算、热物理性质计算和机械性质计算中的至少一个的输入,使得与所述预测材料性质相对应的数据被传送到计算机输出。
如权利要求9所述的制品,其中,所述多个数据库包括合金成分和名称数据库、热力学数据库、材料性质数据库以及缺陷和微结构数据库。
如权利要求10所述的制品,其中,用于使所述计算机实施至少一个热力学计算的所述计算机可读程序代码部分进一步包括用于预测选自包括平衡、局部不平衡和不平衡情况的组中的多个冷却速率情况的计算机可读程序代码部分。
如权利要求11所述的制品,其中,所述不平衡情况包括固相反扩散模型,以预测与所述材料相对应的实际的相分数和相图中的至少一个。
如权利要求10所述的制品,其中,用于使所述计算机实施至少一个机械性质计算的所述计算机可读程序代码部分包括对于与所述材料相对应的部件形状实施基于节点-节点的性质映射。
如权利要求13所述的制品,其中,用于使所述计算机实施至少一个机械性质计算的所述计算机可读程序代码部分进一步包括用于基于所述缺陷和微结构数据库计算局部和总体的拉伸和疲劳性质的计算机可读程序代码部分。
如权利要求13所述的制品,其中,用于使所述计算机实施至少一个机械性质计算的所述计算机可读程序代码部分进一步包括用于接收(a)铸造工艺仿真和(b)来自所述缺陷和微结构数据库的信息作为输入的计算机可读程序代码部分。
如权利要求10所述的制品,其中,用于使所述计算机实施至少一个热物理计算的所述计算机可读程序代码部分进一步包括用于使用基于k-最近邻法的回归模型来提供与所述材料相对应的热性质预测的计算机可读程序代码部分。
如权利要求10所述的制品,其中,用于使所述计算机实施至少一种材料选择或合金计算的所述计算机可读程序代码部分进一步包括用于接收选自包括(a)最佳铝合金成分和(b)目标物理和机械性质的组中的物理和机械性质的计算机可读程序代码部分。
附图说明
当结合下列附图阅读时能够最佳地理解特定实施例的下列详细描述,其中,相似的结构由相似的附图标记指示,并且在附图中:
图1显示根据本发明的一个实施例的在计算机上执行的装置;
图2显示根据本发明的实施例的组成材料性质预测器的各种功能模块之间的协作的框图;
图3A至3C显示固相反扩散可如何用于在图2的功能模块之一中模拟热力学平衡和不平衡情况;
图4和5显示在图2的另一个功能模型内使用回归模型用于热性质预测;
图6和7显示在图2的另一个功能模型内考虑到缺陷和微结构变化的机械性质的一种指示;以及
图8显示在图2的另一个功能模型内使用更多铸造工艺和材料选择的标准中的一些。
附图中列举的实施例本质上是说明性的,而非意在限制由权利要求限定的实施例。此外,考虑到以下详细描述,附图和实施例的各个单独方面将变得更加完全显然且被理解的。
具体实施方式
首先参照图1和2,在一个方面,用于预测对于铸造的铝部件的材料性质的系统配置成计算机100或相关数据处理设备。计算机100(无论配置成自主装置、工作站、主机还是其它形式)包括处理单元110(其可以是一个或更多个微处理器的形式)、用于信息输入的一个或更多个机构120(包括键盘120A、鼠标120B或其它装置,例如声音识别接收器(未示出),以及光盘加载器120C或USB端口120D)、显示屏或相关的信息输出130、存储器140和计算机可读程序编码装置(未示出),以处理与铸造铝合金相关的接收信息的至少一部分。如本领域技术人员将领会到的,存储器140可以是随机存取存储器(RAM)140A(也被称作大容量存储器,其能够用于暂时存储数据)的形式和只读存储器(ROM)140B形式的指令储存存储器。除了未示出的其它形式的输入(例如,通过互联网或至外部数据源的相关连接)之外,光盘加载器120C或USB端口120D可用作将数据或程序指令从一个计算机可用介质(例如CD-ROM或闪存等)加载到另一个(例如存储器140)的方式。数据总线或一组相关的导线和相关联的电路形成合适的数据通信路径,其能够使输入、输出、CPU和存储器以及任何外部设备以允许系统作为集成的整体来操作的方式互相连接。如本领域技术人员将领会到的,计算机100可作为自主(即,独立)单元存在,或者可以是更大网络的一部分,例如云计算中遇到的那些,其中,各种计算、软件、数据存取和存储服务可处于不同的物理位置。这种计算资源的分离不会有损于此类系统被归类为计算机。
具体参照图2,在特定形式中,计算机可读程序代码方法对应于能加载到ROM140B中的一个或更多个模块(包括热力学相计算模块200、热物理性质(也称作KNN)模块300、机械性质模块500或材料选择/合金设计模块400)。这种计算机可读程序代码方法还可形成为制品的一部分,使得包含在代码中的指令位于磁可读或可读光盘或其它相关非暂时性机器可读介质上,例如闪存装置、CD-ROM、DVD-ROM、EEPROM、软盘或能够存储机器可执行指令和数据结构的其它此类介质。此类介质能够被计算机100存取,用于解译来自许多计算模块200、300、400或500的计算机可读程序代码的指令。通过将程序代码方法加载到ROM140B中,系统1的计算机100变成配置来以本文描述的方式确定最佳铸造部件的专用机器。与提出的部件(例如,铸造铝合金发动机机体)相对应的数据可以数据库的形式可存储在存储器140中或经由输入120引入计算机100中。同样,铸造设计数据和规则(例如其在各种模块中实现)能够存储在存储器140中或经由输入120被引入计算机100的数据库。在另一方面,系统可仅是指令代码(包括下文将更详细地论述的各个模块200、300、400或500的指令代码),而在另一方面,系统可包括指令代码和例如上述的计算机可读介质两者。
本领域技术人员还将领会到,除在输入120中手动输入的方法之外,还存在接收数据和相关信息的其它方法(尤其是在输入大量数据的情形中),并且用于提供此类数据以便容许处理单元110来在其上操作的任何常规方法都在本发明的范围内。因此,输入120还可以是高通量数据线(包括上述的互联网连接)的形式,以便于将大量代码、输入数据或其它信息接收至存储器140中。信息输出130配置来将与期望的铸造方法相关的信息传送至用户(例如,如图所示,当信息输出130是以屏幕形式时)或至另一程序或模块。同样,本领域技术人员将领会到,与输入120和输出130相关的特征可结合到单个功能单元中,例如图形用户界面(GUI),例如在名称为“CASTINGDESIGNOPTIMIZATIONSYSTEM(CDOS)FORSHAPECASTINGS”的美国专利7,761,263中结合专门的系统所示出和描述的,该美国专利为本发明的受让人所有并且通过引用合并入此文中。
在一种形式中,可通过许多数据库对计算机100进行输入,包括一个用于合金成分和名称的数据库600、热力学数据库700和材料性质数据库800。下文将更详细地论述这些数据库和它们与各个模块的协作。两个额外的模块(缺陷&微结构模块900以及铸造工艺仿真模块1000)配置成独立于本材料性质预测器系统的计算模块200、300、400和500进行操作。它们的目的是为机械性质模块500(下文更详细地论述)提供关于缺陷和微结构(例如,枝晶臂间距(DAS))的详细信息。铸造工艺仿真模块1000和缺陷&微结构模块900已经在两个在先专利中公开:名称为“METHODFORSIMULATINGCASTINGDEFECTSANDMICROSTRUCTURESOFCASTINGS”的专利8,355,894和名称为“SYSTEMSANDMETHODSFORCOMPUTATIONALLYDEVELOPINGMANUFACTURABLEANDDURABLECASTCOMPONENTS”的专利8,655,476,这两个专利为本发明的受让人所有并且通过引用并入此文中。在本文背景中,200至500之间的各个模块结合由前述数据库600至800中的一个或更多个所接收的输入以及结合外部模块900和1000一起进行。这种相互作用的示例由模块之间的连接箭头示出,其中,热物理性质模块300(下文更详细地论述)能够从计算机输入120接收数据用于与来自数据库600的选定材料相对应的数据,以及与热力学计算模块200交换数据。
功能模块中的第一个是热力学计算模块200。在一种形式中,使用已知的相图计算(CALPHAD)方法计算模块200的热力学相分数和相图,其中,来自合金成分和名称数据库600和热力学数据库700的输入还包括凝固(即,冷却速率)情况。显著地,与仅涉及平衡和局部不平衡情况的常规热力学方法不同,模块200包括能够实施固相反扩散计算的第三凝固情况(即,不平衡),作为预测实际铸造情况中的实际相分数和相图的方式。以此方式,现在本发明能够调整平衡(杠杆定律)凝固假设以考虑到实际铸造中的不平衡情况,该假设认为固液界面的移动无限慢,使得固相和液相的成分是均匀的并且总是具有平衡的成分,使得在所有相中扩散系数都无限大,以便处于任意温度的固相和液相的成分与相图所给定的那些相对应。同样,Scheil模型通常涉及局部不平衡情况下的合金凝固,以此方式使得在固相不发生扩散,而在液相中显示完全扩散。在Scheil模型中做出的假设(除了固相中无扩散和液相中完全扩散(均匀液体成分)之外)在固/液界面处是局部平衡的,具有可忽略的过冷的平界面以及液相和固相之间不存在密度差异。本发明人已经确定实际的凝固过程既不是平衡也不是局部不平衡的,尤其应该注意到,凝固的金属中存在扩散,并且此外凝固界面中的液相和固相之间也存在密度差异。模块200中考虑到的当前固相反扩散修正了上述杠杆定律和Scheil模型中所做出的简化。
图2的热力学数据库700用于计算沉淀平衡(例如Al-Si-Mg合金(例如合金356)中的β相和Al-Si-Mg-Cu合金中(例如合金318、380和390)的θ相);其数据与模块200结合,以实施上述各种平衡、局部不平衡和不平衡计算。在一种形式中,热力学数据库700可商购,其的示例是Pandat?。
接下来参照图3A至3C,模块200的固相反扩散模型能够解释实际铸造凝固情况,尤其是沿其通过界面区域从固相转化为液相的枝晶结构的空间尺寸。具体参照图3A和3B,可铸造铝合金的概念性样本显示固相AS和液相AL区域以及固相和液相属性两者均存在的过渡区域AT。图3B更具体地显示过渡区域AT,包括对应于枝晶臂ATDA的中心、固-液界面ATSL和两个枝晶之间的中点ATM的子区域。
具体参照图3C,图描绘了基于铝的合金中的铜含量,示出了4.5%的铜(其示例是合金380)。当前的固相反扩散模型BD,其能够由以下方程表示
其显示能够考虑在低估的Scheil模型S和高估的杠杆定律模型LR中未解释(或不适当地解释)的特征。在方程中,是固/液界面处液体中元素j的含量,CSj是固体中的元素j的含量表示,C0j是块状材料(bulkmaterial)中的元素j含量,L是体积元素的总长度,其是DAS的一半,xs是凝固的体积元素的长度并且dx是在每个时间步骤期间前进的固/液界面。更准确的铸造仿真成为可能,因为结合了与每种方法相关的假设,以保留每种方法的最佳属性,同时去除或减少与此类假设相关的负面的外部效应。例如,在杠杆定律方法中,假设在液相和固相中都存在无限的扩散,但实际上这种无限扩散是绝不可能的。同样,在Scheil方法中,假设固相中不存在扩散(这也不完全正确)。本发明人的反扩散假设考虑到了固相中的受限的(有限的)扩散。
在所示凝固期间,铝基体中溶质含量的演变的比较,如预期的,揭示了杠杆定律模型LR会预测固体中高和均匀的溶质含量(甚至从凝固开始时)。在凝固结束时,溶质横跨整个铸件是均匀的并且不存在分凝(segregation)。如上所述,实际中绝不是这样的。对于Scheil模型S,预测的溶质含量在第一凝固铝基体中较低,且在最终部分中较高;这在实际中也被证明是错误的。通过反扩散模型BD预测的凝固基体中的溶质含量处于杠杆定律LR和Scheil模型S之间;本发明人已经发现使用此方法预测的溶质含量表示非常接近实际。
功能模块中的第二个是热物理性质模块300。下面参照图4和5,优选地,热物理性质模块使用新近开发的基于k-最近邻算法(KNN)的人工智能回归模型;此模型由实验和虚拟数据得出,后者能够由可商购软件(例如JMatPro?)产生,使得KNN模型结果覆盖所有可能的铸造铝合金成分。具体参照图4,输入I的模型变量是合金成分(由左侧的圆表示,示例例如是合金成分和名称数据库600提供的那些),其覆盖常用的铸造铝合金,例如356、319、380或390等。KNN被示为中心的圆,其中,模型使用输入I并找到最邻近的节点用于离散化网格。一旦建立KNN,则计算物理性质,以产生输出O,其包括在模块300中预测的8个热物理性质,其示例包括但不限于密度、热导率、潜热或比热等。机械性质模块预测整体均匀性方面以及局部多尺度缺陷和微结构方面的铸造铝合金的拉伸和疲劳(单轴和多轴两者的)性质。验证显示与商业软件预测相比,使用模块300的成熟的KNN模型预测的热物理性质的误差在1%内。具体地,图5显示计算的热物理性质之一的示例,作为温度的函数的热导率;材料选择/合金设计模块400能够使用此信息以从指定的材料的热物理性质中选择合金。当需要时,其还能够由热力学模块200使用以计算实时相平衡,以及由铸造工艺仿真模块1000以及缺陷&微结构模块900使用。
下表强调了作为模块300的一部分被产生的热物理性质中的一些。
物理性质名称 | 最佳K值 | 最佳ARE | 最佳方法 |
固相分数 | 11 | 0.0125 | 加权KNN |
密度 | 7 | 0.0065 | 加权KNN |
热导率 | 11 | 0.0145 | 加权KNN |
电导率 | 11 | 0.0146 | 加权KNN |
杨氏模量 | 7 | 0.0136 | 加权KNN |
焓 | 9 | 0.0111 | 基础KNN |
比热 | 9 | 0.0106 | 基础KNN |
潜热 | 7 | 0.0169 | 加权KNN |
显然地,在KNN分类中,输出是分类成员。目标通过其邻近的多数表决来被分类,其中该目标被分配给在其k-最近邻中最常见的分类(其中k是正整数(并且通常较小))。在k=1的情况下,则目标被简单地分配给单个最近邻的分类。在KNN回归中,输出是对于目标的性质值。此k值是其k-最近邻的值的平均。同样,“最佳ARE”列是平均相对误差,而列“最佳方法”指的是对于每个热物理性质存在一个最佳方法(加权KNN或基础KNN)。此外,关于“加权KNN”方法,对于分类和回归两者,来加权邻值的贡献能够是有用的,使得较近邻比较远邻对平均贡献更多。例如,常见的加权方案在于给每个邻居权重赋值为1/d,其中d是与邻居的距离。
功能模块中的第三个是材料选择或合金设计模块400。此模块提供基于在室温和升高温度下目标机械和热物理性质选择合金和相关铸造工艺以及在最佳铝合金成分之一和目标/需要物理和机械性质之间进行选择的能力。机械性质至少包括拉伸和疲劳性质。热性质至少包括密度、热导率、比热、热膨胀系数或杨氏模量等。满足目标性质的合金选择由使用智能搜索引擎完成。在本文背景下,智能搜索引擎使用专门的系统技术以提供来自知识数据库的所需信息。此类系统的一个示例是推理引擎,其是来自人工智能领域的工具,其中,知识库存储关于对象的事实,并且推理引擎将逻辑规则应用于知识库并且推断新知识。此工艺的迭代本质容许触发推理引擎内的额外的规则。此外,推理引擎可主要在两个模式之一中工作:正向链接和反向链接,其中,前者开始于已知事实并假定新事实,而后者的目标是它反向工作以确定必须假定的事实,使得能够实现所述目标。使用这种正向链接来实施铸造设计的示例可在前述美国专利7,761,263中找到。在一种优选形式中,本发明人已经确定本发明中的合金选择和设计也可利用正向链接方法。
下面参照图6和7,材料选择和合金设计偏好可输入(例如通过一个或更多个输入装置120)至图1的计算机100中,其中,图6描绘概念性的输入屏或相关性质的输入机构。在一种形式中,图6所示的GUI为用户提供输入窗口,以限定目标材料性质。在搜索之后,计算机100将输出非常接近目标性质的一种合金的实际性质。具体参照图7,蛛网图示出了通过图6的输入所使用的性质的标准化值,包括屈服强度YS、最终拉伸强度UTS、硬度VHN、延长率EF、疲劳强度FS、蠕变强度CS、冲击强度IS和腐蚀率CR。蛛网图是用于显示合金性质与处于图表轮廓区域的目标性质之间的差异;这种图表提供了关于设计的优异程度的直观视图。在一种形式中,蛛网图可以输出为用户可识别的形式,例如通过计算机100的输出130,以及经由存储器140输出为机器可读的格式。
功能模块中的第四个是机械性质模块500。基于来自各种资源(例如已知的材料性质手册)的材料性质数据库800预测整体均匀机械性质;此类信息可由上述合金成分和名称数据库600提供。相反,可通过考虑基于节点-节点的多尺度缺陷和微结构来计算局部机械性质;信息可来自缺陷&微结构模块900。需要基于节点的多尺度缺陷(例如,多孔性)和微结构(例如,DAS)信息来建立局部材料性质预测。模块500能够从材料性质数据库800搜索通过从合金成分和名称数据库600输入所提供的给定合金(成分)的材料性质,或者基于从缺陷&微结构模块900以及合金成分和名称数据库600获得的信息实施对于每个节点的节点性质计算。应该注意,搜索的材料性质将是通用的和均匀的性质数据。
除了从缺陷&微结构模块900输入之外,模块500还接收来自铸造工艺仿真模块1000(也称作铸造建模或铸造仿真等)的输入,使得仿真详细的铸模填充和凝固过程。铸造工艺期间计算的速度、热和压力信息用于预测缺陷和微结构。铸造工艺仿真模块1000可以呈许多可商购软件包的形式,包括MAGMA、ProCAST、EKK、WRAFTS或Anycasting等。这种软件通常具有能够仿真铸造铸模填充、凝固、芯模制(吹制)及相关功能的若干模块,它们结合来确定缺陷和微结构在铸件中的分布。铸件仿真也配置来将节点数量以及它们相应的节点坐标(例如,笛卡尔坐标系的x、y、z坐标)传送到模块200至500中的一个或更多个。
具体参照图8,图表示出了用于高压压铸(HPDC)仿真的特定合金(具体地,合金A380)的室温疲劳性质,包括实际样品或样本与它们的通过本发明实施例的模制的对应物之间的对比。图8的疲劳性质可由以下方程确定
其中,σa表示给定寿命周期的所施加的应力或疲劳强度,σ1(σL)表示无限寿命疲劳强度,CO和Cl是取决于材料的经验常数,aECD是铸件中形成的缺陷或孔的等效圆直径,Nf是疲劳寿命,UR(aECD)是裂缝闭合修正值,Keff,th是铸件中所用材料的有效阈值应力强度因子。本领域普通技术人员将领会到,示例性系数和常数(未示出)可与疲劳寿命模型结合使用。测试的样品(几何形状被示出为对应于方形、菱形和圆形)包括分别具有表层和不具有表层的那些以及发动机机体隔板区域;以实线和两条不同的虚线显示可比拟的模型材料性质预测。
在一种形式中,节点映射和校准功能(有时在本文中被称作MATerialGENeration或MATGEN)包括读取感兴趣的铸造铝部件的节点数量和相应的节点坐标(例如前述的笛卡尔系统中的{x,y,z}坐标);此系统的细节可在美国专利8,666,706中找到,该专利通过引用并入此文中并且为本发明的受让人所有。这种材料性质产生过程能够从铸造工艺仿真软件(例如上述那些中的一个或更多个)读取(或以其它方式接收,例如以文本格式)节点水平值,其可包括例程以研究铸造缺陷&微结构模块900。因此,在产生包括多孔性和DAS效果的局部(即,节点-节点)材料性质时,模块500能够输出供随后的设计者或建模者使用的信息。在一种优选形式中,MATGEN的节点映射和校准功能可与本发明结合使用,尤其是作为模块500的一部分以及大体上整个模块900和1000。在更优选的形式中,基于节点的性质计算实际上由MATGEN实施。
再次参照图2,来自模块200的输出至少包括相图、凝固顺序和作为温度函数的相成分。对于模块300,输出至少包括作为温度函数的给定合金的关键热物理性质。同样,对于机械性能模块500,输出至少包括作为温度函数的给定合金的机械(例如拉伸和疲劳)性质。此外,对于模块400,输出框至少显示基于性质要求选择或设计的合金。任何或所有这些模块的输出可以是合适的用户可读的格式的图或表的形式或者是用户或机器可读的数据文件。
总之,本发明的特定属性包括多种能力,包括下列能力:(1)将所有预测性能集成到单个计算平台中,(2)当进行相计算时考虑固相反扩散,(3)采用k-最近邻模型,以便所使用的模块进行热物理性质计算,以及(4)产生局部机械性质(包括多轴疲劳等)数据,以便(5)优化对于特定部件的材料选择。
应该注意,本文叙述的以特定方式“配置”的或者来实线特定性质的或者以特定方式运行的实施例的部件是结构上的叙述,而非对所旨在用途的叙述。更具体地,本文涉及的“配置”部件的方式表示部件的现有物理情况,并且如此,被看做部件的结构要素的确切叙述。同样,为了描述和限定本文的实施例的目的,应该注意到,用语“大致”、“明显”和“接近”在本文中用于表示固有的不确定程度,这可适用于任何定量比较、值、测量或其它表达,并且如此,可表示在不引起所讨论的主题的基础功能改变的情况下定量表达可从规定参考值变化的程度。
已经详细描述了本发明的实施例并且参照其特定实施例,但是显然的是,在不脱离所附权利要求限定的实施例范围的情况下修改和变型是可能的。更具体地,尽管本发明的实施例的一些方面在本文中被确定为优选的或特别有利的,但预期到本发明的实施例不一定限于这些优选方面。
Claims (10)
1.一种用于预测铸造铝部件中所使用的材料的性质的装置,所述装置包括:
通过数据通信路径彼此协作的数据输入、数据输出、至少一个处理单元,以及包含数据存储器和包含指令存储器中的至少一个;
多个计算模块,其通过所述数据通信路径与所述数据输入、数据输出、处理单元和存储器中的至少一个可编程地协作,使得当接收到与所述部件和所述材料相关的数据时,所述装置将所述数据提交至所述多个模块,以便于所产生的输出数据由此提供所述材料的性能指示,所述模块包括:
热力学计算模块,其配置成从热力学数据库接收与所述材料相对应的数据;
热物理性质模块,其配置成(a)从所述输入接收与所述材料相对应的数据,以及(b)与所述热力学计算模块交换数据;
机械性质模块,其配置成(a)从所述输入接收与所述材料相对应的数据,以及(b)从下列中至少一个接收数据:(i)铸造工艺仿真和(ii)缺陷和微结构计算;以及
材料选择或合金设计模块,其配置成(a)与所述热力学计算模块、热物理性质模块和机械性质模块交换数据,以及(b)将与所述材料相对应的数据传送到所述输出。
2.如权利要求1所述的装置,其中,所述热力学计算模块和所述热力学数据库协作以处理选自包括平衡、局部不平衡和不平衡情况的组的多个冷却速率情况。
3.如权利要求2所述的装置,其中,所述不平衡情况包括固相反扩散模型,以预测与所述部件中的所述材料相对应的实际的相分数和相图中的至少一个。
4.如权利要求3所述的装置,其中,所述平衡情况使用杠杆定律计算,并且所述局部不平衡情况使用Schiel计算。
5.如权利要求1所述的装置,其中,所述机械性质模块实施基于节点-节点的性质映射。
6.如权利要求5所述的装置,其中,所述机械性质模块进一步与配置来提供局部微结构细度和缺陷信息的数据库协作,以提供与所述材料相对应的所述输入的实际的局部和总体的拉伸和疲劳性质的预测。
7.如权利要求1所述的装置,其中,所述热物理性质模块使用k-最近邻模型计算材料的热性质。
8.如权利要求1所述的装置,其中,所述材料选择或合金模块配置成接收选自包括下列的组的物理和机械性质:(a)最佳铝合金成分和(b)目标物理和机械性质。
9.一种制品,其包括其中体现有计算机可读程序代码的计算机可用介质,用于预测铸造铝部件中所使用的材料的性质,所述制品中的所述计算机可读程序代码包括:
用于使所述计算机从多个数据库中的至少一个接收输入信息的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个热力学计算的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个热物理计算的计算机可读程序代码部分;
用于使所述计算机基于所述接收信息的至少一部分实施对于所述材料的至少一个机械性质计算的计算机可读程序代码部分;以及
用于使所述计算机基于下列实施对于所述材料的至少一种材料选择或合金设计计算的计算机可读程序代码部分,其基于(a)所述接收信息的至少一部分和(b)来自所述热力学计算、热物理性质计算和机械性质计算中的至少一个的输入,使得与所述预测材料性质相对应的数据被传送到计算机输出。
10.如权利要求9所述的制品,其中,所述多个数据库包括合金成分和名称数据库、热力学数据库、材料性质数据库以及缺陷和微结构数据库。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/449324 | 2014-08-01 | ||
US14/449,324 US20160034614A1 (en) | 2014-08-01 | 2014-08-01 | Materials property predictor for cast aluminum alloys |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105320804A true CN105320804A (zh) | 2016-02-10 |
Family
ID=55079659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510462029.6A Pending CN105320804A (zh) | 2014-08-01 | 2015-07-31 | 用于铸造铝合金的材料性质预测器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20160034614A1 (zh) |
CN (1) | CN105320804A (zh) |
DE (1) | DE102015110591A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632559A (zh) * | 2018-12-06 | 2019-04-16 | 天能电池集团有限公司 | 一种蓄电池板栅耐腐蚀性能的测试方法 |
CN110111861A (zh) * | 2019-05-24 | 2019-08-09 | 上海交通大学 | 一种镁、铝合金铸件凝固过程中热裂纹的预测方法 |
CN112204558A (zh) * | 2018-04-09 | 2021-01-08 | 科思创有限公司 | 定制设计产品的技术 |
CN112784424A (zh) * | 2021-01-28 | 2021-05-11 | 西安理工大学 | 一种钛合金焊接熔池晶粒生长三维数值模拟方法 |
CN112889057A (zh) * | 2018-10-22 | 2021-06-01 | 科思创有限公司 | 用于定制设计产品的技术 |
CN112912969A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 热力学的平衡状态的预测装置、预测方法以及预测程序 |
CN112912523A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 材料探索装置、方法及程序 |
CN115551660A (zh) * | 2020-05-28 | 2022-12-30 | 贺利氏非晶态金属科技有限公司 | 用于为具有非晶性质的待生产的工件选择合金和生产方法的模拟系统 |
CN117373580A (zh) * | 2023-12-05 | 2024-01-09 | 宝鸡富士特钛业(集团)有限公司 | 基于时序网络实现钛合金产品的性能分析方法及系统 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10345252B2 (en) * | 2013-10-10 | 2019-07-09 | Scoperta, Inc. | Methods of selecting material compositions and designing materials having a target property |
WO2020090848A1 (ja) * | 2018-10-30 | 2020-05-07 | 昭和電工株式会社 | 材料設計装置、材料設計方法、及び材料設計プログラム |
US11915105B2 (en) | 2019-02-05 | 2024-02-27 | Imagars Llc | Machine learning to accelerate alloy design |
JP7267883B2 (ja) * | 2019-09-18 | 2023-05-02 | 株式会社日立製作所 | 材料特性予測システムおよび材料特性予測方法 |
EP3872674A1 (de) | 2020-02-25 | 2021-09-01 | Heraeus Amloy Technologies GmbH | System, verfahren zum angeben von mechanischen eigenschaften und computerlesbares-speichermedium |
CN111872324B (zh) * | 2020-06-23 | 2021-05-18 | 上海交通大学 | 铸件凝固模拟用参数采集方法及浇冒系统网格化设计方法 |
JP2022132895A (ja) * | 2021-03-01 | 2022-09-13 | 株式会社Uacj | 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム |
CN113358678B (zh) * | 2021-05-11 | 2022-08-09 | 哈尔滨工业大学(深圳) | α钛变形过程介观应力和织构的半定量预测及可视化方法 |
US11252209B1 (en) | 2021-07-13 | 2022-02-15 | Audacious Inquiry, LLC | Network architecture for parallel data stream analysis and modification |
EP4286075A1 (en) * | 2023-05-24 | 2023-12-06 | MAGMA Giessereitechnologie GmbH | Process design for casting components |
CN118094824B (zh) * | 2024-04-29 | 2024-07-12 | 湖南大学苏州研究院 | 一体化铝合金压铸部件力学性能可视化分析方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768700A (zh) * | 2011-03-09 | 2012-11-07 | 通用汽车环球科技运作有限责任公司 | 用于计算地开发能制造和耐用铸件的系统和方法 |
CN103729511A (zh) * | 2013-12-30 | 2014-04-16 | 上海交通大学 | 一种复杂结构铸件铸造过程中成分偏析程度的预测方法 |
US20150106035A1 (en) * | 2013-10-10 | 2015-04-16 | Scoperta, Inc. | Methods of selecting material compositions and designing materials having a target property |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100247143B1 (ko) * | 1998-02-04 | 2000-04-01 | 박호군 | 반응고 성형용 전신재 sic/(2xxx al+si)복합재료 및 그의 제조방법 |
US7761263B2 (en) | 2005-06-01 | 2010-07-20 | Gm Global Technology Operations, Inc. | Casting design optimization system (CDOS) for shape castings |
JP5133453B2 (ja) * | 2009-08-10 | 2013-01-30 | 株式会社Ihi | Ni基単結晶超合金及びタービン翼 |
US8666706B2 (en) | 2011-03-08 | 2014-03-04 | GM Global Technology Operations LLC | Material property distribution determination for fatigue life calculation using dendrite arm spacing and porosity-based models |
-
2014
- 2014-08-01 US US14/449,324 patent/US20160034614A1/en not_active Abandoned
-
2015
- 2015-07-01 DE DE102015110591.8A patent/DE102015110591A1/de not_active Withdrawn
- 2015-07-31 CN CN201510462029.6A patent/CN105320804A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768700A (zh) * | 2011-03-09 | 2012-11-07 | 通用汽车环球科技运作有限责任公司 | 用于计算地开发能制造和耐用铸件的系统和方法 |
US20150106035A1 (en) * | 2013-10-10 | 2015-04-16 | Scoperta, Inc. | Methods of selecting material compositions and designing materials having a target property |
CN103729511A (zh) * | 2013-12-30 | 2014-04-16 | 上海交通大学 | 一种复杂结构铸件铸造过程中成分偏析程度的预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112204558A (zh) * | 2018-04-09 | 2021-01-08 | 科思创有限公司 | 定制设计产品的技术 |
CN112889057A (zh) * | 2018-10-22 | 2021-06-01 | 科思创有限公司 | 用于定制设计产品的技术 |
CN112912969A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 热力学的平衡状态的预测装置、预测方法以及预测程序 |
CN112912523A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 材料探索装置、方法及程序 |
CN109632559A (zh) * | 2018-12-06 | 2019-04-16 | 天能电池集团有限公司 | 一种蓄电池板栅耐腐蚀性能的测试方法 |
CN110111861A (zh) * | 2019-05-24 | 2019-08-09 | 上海交通大学 | 一种镁、铝合金铸件凝固过程中热裂纹的预测方法 |
CN110111861B (zh) * | 2019-05-24 | 2020-12-22 | 上海交通大学 | 一种镁、铝合金铸件凝固过程中热裂纹的预测方法 |
CN115551660A (zh) * | 2020-05-28 | 2022-12-30 | 贺利氏非晶态金属科技有限公司 | 用于为具有非晶性质的待生产的工件选择合金和生产方法的模拟系统 |
CN112784424A (zh) * | 2021-01-28 | 2021-05-11 | 西安理工大学 | 一种钛合金焊接熔池晶粒生长三维数值模拟方法 |
CN112784424B (zh) * | 2021-01-28 | 2024-04-09 | 西安理工大学 | 一种钛合金焊接熔池晶粒生长三维数值模拟方法 |
CN117373580A (zh) * | 2023-12-05 | 2024-01-09 | 宝鸡富士特钛业(集团)有限公司 | 基于时序网络实现钛合金产品的性能分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
DE102015110591A1 (de) | 2016-02-04 |
US20160034614A1 (en) | 2016-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320804A (zh) | 用于铸造铝合金的材料性质预测器 | |
JP7413580B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
US8655476B2 (en) | Systems and methods for computationally developing manufacturable and durable cast components | |
CN103257214B (zh) | 利用基于枝晶臂间距和孔隙率的模型的疲劳寿命计算的材料属性分布确定 | |
CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
Yazdani et al. | Analysis in material selection: influence of normalization tools on COPRAS-G | |
Danglade et al. | On the use of machine learning to defeature CAD models for simulation | |
JP7431029B2 (ja) | 大規模環境用のマルチインスタンス型シミュレーション | |
CN107194609B (zh) | 一种产品设计系统及方法 | |
CN109241562A (zh) | 基于多尺度有限元方法的微结构材料弹性性能测定方法 | |
CN109492796A (zh) | 一种城市空间形态自动分区方法与系统 | |
CN106528989A (zh) | 一种分布式并行sph仿真方法 | |
CN106503365B (zh) | 一种用于sph算法的分区搜索方法 | |
Özsoy et al. | Estimating the parameters of nonlinear regression models through particle swarm optimization | |
Danglade et al. | A priori evaluation of simulation models preparation processes using artificial intelligence techniques | |
CN106485030A (zh) | 一种用于sph算法的对称边界处理方法 | |
Fezi et al. | A metric for the quantification of macrosegregation during alloy solidification | |
US10344358B2 (en) | Method to incorporated skin and core material properties in performance analysis of high pressure die casting aluminum components | |
CN104848969B (zh) | 一种基于有限测试点的构件残余应力场的预测方法 | |
CN105956005A (zh) | 一种数据处理方法和设备 | |
JP4589034B2 (ja) | 空気溜まりの解析方法およびコンピュータ・プログラム | |
JP7270454B2 (ja) | 設計支援システム、設計支援方法および設計支援プログラム | |
CN106529011A (zh) | 一种用于sph算法的并行分区实现方法 | |
CN117952323B (zh) | 一种基于数字孪生的产品创建系统、方法、设备及介质 | |
CN118133674A (zh) | 一种散热器仿真用壁面函数的智能预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160210 |