CN106756344B - 一种基于pso-svr的高硬度铝合金及其制备方法 - Google Patents

一种基于pso-svr的高硬度铝合金及其制备方法 Download PDF

Info

Publication number
CN106756344B
CN106756344B CN201611022284.XA CN201611022284A CN106756344B CN 106756344 B CN106756344 B CN 106756344B CN 201611022284 A CN201611022284 A CN 201611022284A CN 106756344 B CN106756344 B CN 106756344B
Authority
CN
China
Prior art keywords
aluminium alloy
svr
hardness
models
optimal
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.)
Active
Application number
CN201611022284.XA
Other languages
English (en)
Other versions
CN106756344A (zh
Inventor
蔡从中
丁奇峰
李艳华
欧政义
罗溢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201611022284.XA priority Critical patent/CN106756344B/zh
Publication of CN106756344A publication Critical patent/CN106756344A/zh
Application granted granted Critical
Publication of CN106756344B publication Critical patent/CN106756344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C21/00—Alloys based on aluminium
    • C22C21/12—Alloys based on aluminium with copper as the next major constituent
    • C22C21/18—Alloys based on aluminium with copper as the next major constituent with zinc
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C1/00—Making non-ferrous alloys
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C21/00—Alloys based on aluminium
    • C22C21/12—Alloys based on aluminium with copper as the next major constituent
    • C22C21/14—Alloys based on aluminium with copper as the next major constituent with silicon
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C21/00—Alloys based on aluminium
    • C22C21/12—Alloys based on aluminium with copper as the next major constituent
    • C22C21/16—Alloys based on aluminium with copper as the next major constituent with magnesium
    • 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
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions

Abstract

本发明公开了一种基于PSO‑SVR的高硬度铝合金及其制备方法，按质量比组分由Si0.4‑0.5％、Fe0.4‑0.5％、Cu4‑5％、Mn0.8‑0.9％、Mg1.5‑2％、Ti0.1‑0.2％、Zn0.2‑0.3％、Cr0.1‑0.2％(其余为Al)组成。本发明通过所建的SVR计算模型寻优得到铝合金中各元素组分的最优值，可使得铝合金的维氏硬度达到最大值154GPa以上，比目前已知的最大值大；利用所建SVR模型可以获取铝合金各组分含量对其硬度的交互影响规律，以及铝合金硬度对于各组分含量的相对敏感度。本发明可以合成更高硬度的铝合金，节省大量的人力、物力、财力和时间，提升研发效果和缩短研发周期。

Description

一种基于PSO-SVR的高硬度铝合金及其制备方法
技术领域
本发明属于冶金技术领域，尤其涉及一种基于PSO-SVR的高硬度铝合金及其制备方法。
背景技术
随着科技的不断进步，高硬度材料，特别是高硬度合金材料在日常生产生活和科研中扮演着越来越重要的角色，研发新型超硬材料在材料科学领域是一个极具挑战性的研究课题，特别是高硬度的铝合金。高硬度材料在工业制造业的切削及超高速铣削等机床加工、刀具原材料的制造、制造轴承等方面具有重要的用途。高硬度材料具有机械强度高、抗压抗折、不易断裂、不易划伤等特点。而铝密度较小，虽然资源丰富，具有良好的加工性，并且广泛用于板、线、管等变形材料，但是纯铝的硬度不够高，和钢、铁、铜合金等有色金属相比明显处于劣势，在其表面易产生缺陷并且容易磨损。在很多情形下铝不能用于对强度要求高的场合，比如螺丝、螺帽、螺栓、齿轮等，这是铝在实际应用中的一大缺点。基于此，各种提高铝合金的硬度的工艺和方法被提出，人们期待通过掺入其他元素以大幅度提高铝材的硬度，从而有效扩大其应用领域。工业纯铝只适合做传热、导电元件，而不适合制作承受较大载体，目前常见提高其硬度的方法有：1.加工强化，加工强化也称作冷硬化，就是金属材料在再结晶温度以下冷变形加工如锻造、压延、拉拔、拉伸等，冷变形时，金属内部位错密度增大，且相互缠结并形成胞状结构，阻碍位错运动。变形度越大位错缠结越严重，变形抗力越大，强度越高。冷变形后强化的程度随变形度、变形温度及材料本身的性质而不同。同一材料在同一温度下冷变形时，变形度越大则强度越高，塑性则越低。2.固溶强化，在纯铝中添加某些合金元素形成无限固溶体或有限固溶体，不仅能获得高的强度，而且还能获得优良的塑性与良好的压力加工性能。在一般铝合金中固溶强化最常用的合金元素是铜、镁、锰、锌、硅、镍等元素。一般铝的合金化都形成有限的固溶体，如Al-Cu，Al-Mg，Al-Zn，Al-Si，Al-Mn等二元合金均形成有限固溶体，并且都有较大的极限溶解度能起较大的固溶强化效果。3.组织强化，在铝合金中添加微量元素以细化晶粒组织是提高铝合金力学性能的另一种重要手段。变形铝合金中添加微量钛、锆、铍、锶以及稀土元素，它们能形成难熔化合物，在合金结晶时作为非自发晶核，起细化晶粒作用，能提高合金的强度和塑性。4.过剩相强化，当铝中加入的合金元素含量超过其极限溶解度时，淬火加热时便有一部分不能溶入固溶体的第二相出现称之为过剩相。在铝合金中过剩相多为硬而脆的金属间化合物。它们在合金中起阻碍滑移和位错运动的作用，使其强度、硬度提高，而塑性、韧性降低。合金中过剩相的数量愈多，其强化效果愈好，但过剩相多时，由于合金变脆而导致强度、塑性降低。5.时效强化，铝合金热处理后可以得到过饱和的铝基固溶体。这种过饱和铝基固溶体在室温或加热到某一温度时，其强度和硬度随时间延长而增高，但塑性降低。这个过程就称时效。时效过程中使合金的强度、硬度增高的现象称为时效强化或时效硬化。上述方法中不同工艺、组分等都会直接影响所制备铝合金的硬度。
实践中，人们往往通过线性/非线性/经验公式等方法建模，以寻求不同工艺/组分与所制备铝合金的硬度关系，用于指导相关实验。由于传统的线性/非线性/经验公式等方法所建模型的准确率不够高，往往实用性不够强。
发明内容
本发明的目的在于提供一种基于PSO-SVR的高硬度铝合金及其制备方法，旨在解决传统的线性/非线性/经验公式等方法所建模型的准确率不够高，往往实用性不强的问题。
本发明是这样实现的，一种高硬度铝合金，该高硬度铝合金按质量比组分由Si0.4-0.5％、Fe0.4-0.5％、Cu4-5％、Mn0.8-0.9％、Mg1.5-2％、Ti0.1-0.2％、Zn0.2-0.3％、Cr0.1-0.2％(其余为Al)组成。
本发明的另一目的在于提供一种所述高硬度铝合金的制备方法，该高硬度铝合金的制备方法是将支持向量回归(SVR)与粒子群寻优(PSO)相结合，建立一种新的基于配方的铝合金维氏硬度的有效SVR模型，并由此模型预测高硬度铝合金的最优组分及对应的最大硬度值，具体包括以下步骤：
改变Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量，采用铝材常用制备法制备若干铝合金样品；
测量所制备铝合金的维氏硬度，收集各铝合金中的Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量及对应的维氏硬度的相关实验数据，并建立合适的SVR计算模型；
利用检验样本数据对所建SVR模型的准确性或可靠性进行评估，若所建SVR模型预测的平均绝对百分误差达到实用要求，则该模型可靠，否则改变或增加训练样本，重新训练以获得新的SVR模型，再利用未参与建模训练的检验样本数据对所建SVR模型进行检验，直到所建SVR模型的平均绝对百分误差达到实用要求为止，此时的SVR模型即为最优模型；
利用上述优化的SVR模型，分析所建的SVR模型所揭示的各组分对铝合金硬度的影响规律；改变自变量(即铝合金各元素百分含量)值，经过格点扫描，获取具有最高维氏硬度的铝合金所具有的各成分含量。
根据最优SVR模型所获铝合金最优组分值制备铝合金，测量其维氏硬度，与模型预测值进行对比验证。
将所得产品应用到实际生产中。
本发明提供的高硬度铝合金基于通过添加元素可以有效提高铝合金硬度。先经过改变添加元素的组分的若干次实验，得到不同组分的铝合金的硬度值，利用PSO-SVR建模找出各添加元素的含量与其硬度的定量关系，其准确率比传统线性/非线性/经验公式等方法所建模型的准确率高得多，最终获得具有最大硬度值的铝合金的最优元素组分/配方，利用最优元素组分/配方进行实验制备样品，经硬度测试达到预期要求后，即可投入实际使用；
本发明中利用计算机进行计算分析，对铝合金的各元素组分的含量进行了建模及优化。从所建的SVR计算模型可以得到各元素组分对铝合金硬度值的影响规律，并可通过格点扫描获得使铝合金达到最大硬度值(154GPa以上)时各元素最优组分，经过对比，该最大值比目前已知的最大值(150.0GPa)要大4GPa，拓宽了高硬度铝合金材料的应用范围。
本发明所建的SVR模型与现有技术比较存在的区别和具有的优势：
本发明最大的优势是能通过所建的计算模型寻优得到铝合金中各元素组分的最优值，在这个配方下，可使得铝合金的硬度达到最大值154GPa以上，要比目前的已知的最大值要大；而传统的合成更高硬度的铝合金是需要做大量的实验来找到最佳的各元素组分的配方，这需要耗费大量的财力、物力、人力和时间；而本发明能做到避免盲目的工作，在本发明所建的SVR模型的理论指导下，指导合成更高硬度的铝合金，可以节省大量的人力、物力、财力和时间，提高新型高硬度铝合金的研发效率；在模型的准确度方面，与传统的LRM相比，本发明所建的SVR模型的训练和测试的误差都很小；所以本发明所建的SVR模型具有很好的可靠性；本发明所建的SVR模型比LRM模型能更准确地反映铝合金中各元素组分对铝合金材料硬度值的交互影响规律；此外，利用所建SVR模型，通过灵敏度分析，还能够发现铝合金材料硬度对哪种元素组分更为敏感。
附图说明
图1是本发明实施例提供的基于PSO-SVR的高硬度铝合金制备方法流程图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
本发明实施例提供的高硬度铝合金由Si0.4-0.5％、Fe0.4-0.5％、Cu4-5％、Mn0.8-0.9％、Mg1.5-2％、Ti0.1-0.2％、Zn0.2-0.3％、Cr0.1-0.2％(其余为Al)组成。
如图1所示，本发明实施例提供的基于PSO-SVR的高硬度铝合金的制备方法，该高硬度铝合金的制备方法是将SVR与PSO相结合，建立一种新的基于配方的铝合金维氏硬度的有效SVR模型，并由此模型预测高硬度铝合金的最优组分及对应的最大硬度值，具体包括以下步骤：
S101：改变元素Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr、Al含量，制备具有不同元素含量的若干个铝合金样品；
S102：按照国标方法测量各样品的维氏硬度，采集各样品Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr、Al元素含量及对应样品的维氏硬度，利用所采集的训练样本实验数据构建维氏硬度与样品元素间的SVR模型；
S103：利用检验样本数据对所建SVR模型的准确性或可靠性进行评估、分析，若所建SVR模型预测的平均绝对百分误差达到实用要求，则该模型可靠，否则改变或增加训练样本，重新训练以获得新的SVR模型，再利用未参与建模训练的检验样本数据对所建SVR模型进行检验，直到所建SVR模型的平均绝对百分误差达到实用要求为止，此时的SVR模型即为最优模型；
S104：利用上述优化的SVR模型，改变自变量(即铝合金各元素百分含量)值，经过格点扫描，获取具有最高维氏硬度时的铝合金所具有的各成分含量；
S105：应用优化的SVR模型所预测的具有最高维氏硬度时的铝合金所具有最优组分，制备样品并测量其维氏硬度，若达到设计标准或要求，即可推广应用。
具体包括：
改变元素Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr组分制备若干不同铝合金样品；按照国标方法测量各样品的维氏硬度，采集各样品Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr、Al元素含量及对应样品的维氏硬度，利用所采集的训练样本实验数据构建维氏硬度与样品元素间的SVR模型；利用检验样本数据对所建SVR模型的准确性或可靠性进行评估、分析，若所建SVR模型预测的平均绝对百分误差达到实用要求，则该模型可靠，否则改变或增加训练样本，重新训练以获得新的SVR模型，再利用未参与建模训练的检验样本数据对所建SVR模型进行检验，直到所建SVR模型的平均绝对百分误差达到实用要求为止，此时的SVR模型即为最优模型；利用上述优化的SVR模型，改变自变量(即铝合金各元素百分含量)值，经过格点扫描，获取具有最高维氏硬度时的铝合金所具有的各成分含量。利用检验样本验证/检验所建SVR模型的准确率是否达到要求；若是，则利用最优模型获得最佳元素组分配方，及其对应的最大硬度值；若否，重返利用机器学习方法、增加实验样本或调整实验训练样本进行SVR优化建模，直至所建SVR模型的准确率达到要求为止；应用优化的SVR模型可以计算获得Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量对铝合金硬度的交互影响规律；可以对铝合金硬度对各元素的敏感程度进行分析计算；应用优化的SVR模型所预测的具有最高维氏硬度时的铝合金所具有最优组分，制备样品并测量其维氏硬度，若达到设计标准或要求，即可推广应用。
下面结合对比对本发明的应用效果作进一步的描述。
本发明所建的计算模型是基于具有不同Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr、Al含量及不同硬度的35个铝合金样本，利用其中的29个样本进行PSO-SVR训练建模，另外6个样本作为测试样本。从训练和测试误差来看，所建SVR模型的平均绝对百分误差(MAPE)都很小，其中训练样本的MAPE为3.90％，大部分计算结果与实验值相当接近，甚至有11组训练样本的误差趋于0，大大优于LRM模型的MAPE(9.34％)；6个测试样本中，本发明所建的SVR模型的MAPE为3.49％，其中5个测试样本的误差不超过5％，而LRM模型的MAPE为11.75％，且其中5个测试样本的误差高达10％以上；对SVR模型和LRM模型总体的MAPE的统计对比可得，本发明所建的SVR模型的MAPE为3.83％，而LRM模型的MAPE为9.76％，很明显，本发明所建的计算模型具有相当高的准确度，这说明所建的SVR模型是可靠有效的；另外对模型的合理性分析可知，传统的LRM模型具有局限性，只能在各元素组分比较狭窄的范围内才有效，因为根据LRM模型的经验公式进行计算会发现，当各元素组分取试验中已知的最大值时Al合金最大硬度值为224.1GPa，很明显不合理，这说明LRM模型没有很好的预测和泛化能力；而本发明所建的SVR模型就能预测到各元素组分在某个恰当的值时，铝合金的硬度值达到最大值(154GPa以上)，比目前已知的最大硬度值(150GPa)大；与传统LRM模型相比，本发明所建的SVR模型的预测能力、泛化能力和稳定性方面都具有极大的优势；利用所建SVR模型可以计算获得Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量对铝合金硬度的交互影响规律；利用所建SVR模型对铝合金硬度对各元素的灵敏度分析计算，相对而言，发现铝合金硬度对Fe元素含量最敏感，而对Zn元素的含量最迟钝。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种高硬度铝合金，其特征在于，该高硬度铝合金按质量比组分由Si0.4-0.5％、Fe0.4-0.5％、Cu4-5％、Mn0.8-0.9％、Mg1.5-2％、Ti0.1-0.2％、Zn0.2-0.3％、Cr0.1-0.2％、其余为Al组成；
所述高硬度铝合金的制备方法，是将SVR与PSO相结合，建立铝合金维氏硬度的有效SVR模型，并由此模型预测高硬度铝合金的最优组分及对应的最大硬度值，具体包括以下步骤：
改变Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量，采用铝材常用制备法制备若干铝合金样品；
测量所制备铝合金的维氏硬度，收集各铝合金中的Si、Fe、Cu、Mn、Mg、Ti、Zn、Cr元素含量及对应的维氏硬度的相关实验数据，并建立合适的SVR计算模型；
利用检验样本数据对所建SVR模型的准确性或可靠性进行评估，若所建SVR模型预测的平均绝对百分误差达到实用要求，则该模型可靠，否则改变或增加训练样本，重新训练以获得新的SVR模型，再利用未参与建模训练的检验样本数据对所建SVR模型进行检验，直到所建SVR模型的平均绝对百分误差达到实用要求为止，此时的SVR模型即为最优模型；
利用上述最优的SVR模型，分析所建的SVR模型所揭示的各组分对铝合金硬度的影响规律；改变自变量值，经过格点扫描，获取具有最高维氏硬度的铝合金所具有的各成分含量；
根据最优SVR模型所获铝合金最优组分值制备铝合金，测量其维氏硬度，与模型预测值进行对比验证，
所述SVR模型为：
(1)式中，y为目标值，l为支持向量个数，αi,为拉格朗日乘子，exp(-γ||x-xi||2)为高斯核函数，γ为高斯核函数参数，b为偏差阈值，x为样本自变量。
2.如权利要求1所述高硬度铝合金的制备方法，其特征在于，所述最优的SVR模型，利用最优的SVR模型获取铝合金各成分含量对铝合金硬度的交互影响规律，以及铝合金硬度对于各成分含量的相对敏感度。
3.如权利要求1所述高硬度铝合金的制备方法，其特征在于，所述最优的SVR模型，利用最优的SVR模型获取高维氏硬度铝合金各成分含量，同时获得铝合金产品的最大维氏硬度值。
CN201611022284.XA 2016-11-16 2016-11-16 一种基于pso-svr的高硬度铝合金及其制备方法 Active CN106756344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611022284.XA CN106756344B (zh) 2016-11-16 2016-11-16 一种基于pso-svr的高硬度铝合金及其制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611022284.XA CN106756344B (zh) 2016-11-16 2016-11-16 一种基于pso-svr的高硬度铝合金及其制备方法

Publications (2)

Publication Number Publication Date
CN106756344A CN106756344A (zh) 2017-05-31
CN106756344B true CN106756344B (zh) 2018-07-31

Family

ID=58969712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611022284.XA Active CN106756344B (zh) 2016-11-16 2016-11-16 一种基于pso-svr的高硬度铝合金及其制备方法

Country Status (1)

Country Link
CN (1) CN106756344B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902872B (zh) * 2019-02-28 2021-10-01 北京首钢股份有限公司 一种性能预测模型与产品研发相结合的方法和装置
CN111833972B (zh) * 2019-07-31 2024-01-26 郑州大学 基于性能仿真的导线用铝合金成分优化方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101748318A (zh) * 2008-12-02 2010-06-23 苏州有色金属研究院有限公司 高强、高塑2xxx系铝合金及其制造方法
FR2969177B1 (fr) * 2010-12-20 2012-12-21 Alcan Rhenalu Alliage aluminium cuivre lithium a resistance en compression et tenacite ameliorees
CN105956235B (zh) * 2016-04-20 2019-03-08 杭州电子科技大学 基于svr-pso的超声加工特种刀具优化设计方法

Also Published As

Publication number Publication date
CN106756344A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
Baghdadi et al. Effect of post-weld heat treatment on the mechanical behavior and dislocation density of friction stir welded Al6061
Girish et al. Taguchi grey relational analysis for parametric optimization of severe plastic deformation process
Hockauf et al. Mechanical properties and corrosion behaviour of ultrafine-grained AA6082 produced by equal-channel angular pressing
Ghosh et al. Warm deep-drawing and post drawing analysis of two Al–Mg–Si alloys
Pedersen et al. Influence of texture and grain structure on strain localisation and formability for AlMgSi alloys
CN101903546A (zh) 用于航空应用的由铝-锂合金制成的轧制产品
Dieguez et al. Superplasticity of a friction stir processed 7075-T651 aluminum alloy
CN106756344B (zh) 一种基于pso-svr的高硬度铝合金及其制备方法
Polyakova et al. Investigation of Microstructure and Mechanical Properties of Carbon Steel Wire after Continuous Method of Deformation Nanostructuring
Yucel et al. Mining the correlations between optical micrographs and mechanical properties of cold-rolled HSLA steels using machine learning approaches
Gairola et al. Correlation of tensile properties and fracture toughness with microstructural features for Al–Li 8090 alloy processed by cryorolling and post-rolled annealing
Goto et al. High-throughput evaluation of stress–strain relationships in Ni–Co–Cr ternary systems via indentation testing of diffusion couples
Tripathi et al. Improvement in mechanical properties of structural AZ91 magnesium alloy processed by friction stir processing
Kumaresan et al. Multi-dome forming test for determining the strain rate sensitivity index of a superplastic 7075Al alloy sheet
Rawat et al. EBSD studies on cryorolled LM6 Al alloy
Khadyko et al. Tensile ductility of extruded aluminium alloy AA6063 in different tempers
Kumar et al. Influence of FSW process parameters on formability and mechanical properties of tailor welded blanks AA6082-T6 and AA5083-O using RSM with GRA-PCA approach
Zhang et al. Comparative study on deformation behavior, microstructure evolution and post-forming property of an AlZnMgCu alloy in a novel warm forming process
Muñoz-Ibáñez et al. Design and application of a quantitative forecast model for determination of the properties of aluminum alloys used in die casting
Baig et al. Thermo-mechanical responses of an aluminum alloy processed by equal channel angular pressing
Zhang et al. Influence of inner fillet radius on effective strain homogeneity in equal channel angular pressing
Huo et al. Microstructure and mechanical properties of thin varying thickness strips with different transition zones produced by micro flexible rolling
Bhadrakali et al. A hybrid approach consisting of multi-objective and multivariate analyses for WAAM specimens
Gogoi et al. Computational modelling of tensile flow parameters for 2219Al alloys microalloyed with Cd
Šebek et al. Extremely low-stress triaxiality tests in calibration of fracture models in metal-cutting simulation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant