CN107478799B - 一种预测低熔点元素调控钎焊接头力学性能的方法 - Google Patents
一种预测低熔点元素调控钎焊接头力学性能的方法 Download PDFInfo
- Publication number
- CN107478799B CN107478799B CN201710737897.XA CN201710737897A CN107478799B CN 107478799 B CN107478799 B CN 107478799B CN 201710737897 A CN201710737897 A CN 201710737897A CN 107478799 B CN107478799 B CN 107478799B
- Authority
- CN
- China
- Prior art keywords
- solder
- brazing
- low melting
- melting point
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000002844 melting Methods 0.000 title claims abstract description 47
- 230000008018 melting Effects 0.000 title claims abstract description 45
- 238000005219 brazing Methods 0.000 claims abstract description 153
- 229910000679 solder Inorganic materials 0.000 claims abstract description 148
- 239000000463 material Substances 0.000 claims abstract description 59
- 239000000945 filler Substances 0.000 claims abstract description 30
- 239000002184 metal Substances 0.000 claims abstract description 30
- 229910052751 metal Inorganic materials 0.000 claims abstract description 30
- 229910052718 tin Inorganic materials 0.000 claims description 54
- 229910052738 indium Inorganic materials 0.000 claims description 47
- 229910052701 rubidium Inorganic materials 0.000 claims description 43
- 229910052733 gallium Inorganic materials 0.000 claims description 41
- 229910052698 phosphorus Inorganic materials 0.000 claims description 41
- 229910001369 Brass Inorganic materials 0.000 claims description 18
- 239000010951 brass Substances 0.000 claims description 18
- 229910000975 Carbon steel Inorganic materials 0.000 claims description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 6
- 239000010962 carbon steel Substances 0.000 claims description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical group [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 5
- 229910052709 silver Inorganic materials 0.000 claims description 5
- 239000004332 silver Substances 0.000 claims description 5
- 229910000963 austenitic stainless steel Inorganic materials 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 2
- 229910052802 copper Inorganic materials 0.000 claims description 2
- 239000010949 copper Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000155 melt Substances 0.000 claims 1
- 239000010953 base metal Substances 0.000 abstract description 12
- 238000013178 mathematical model Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 description 94
- 230000006698 induction Effects 0.000 description 62
- 230000007423 decrease Effects 0.000 description 47
- 238000004364 calculation method Methods 0.000 description 34
- 238000009864 tensile test Methods 0.000 description 32
- 230000001105 regulatory effect Effects 0.000 description 28
- 230000003247 decreasing effect Effects 0.000 description 27
- 229910001220 stainless steel Inorganic materials 0.000 description 20
- 239000010935 stainless steel Substances 0.000 description 20
- 239000010963 304 stainless steel Substances 0.000 description 18
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 18
- 238000001816 cooling Methods 0.000 description 16
- 238000010438 heat treatment Methods 0.000 description 16
- 229910000619 316 stainless steel Inorganic materials 0.000 description 9
- -1 tensile test Substances 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004876 x-ray fluorescence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开一种预测低熔点元素调控钎焊接头力学性能的方法，包括以下步骤：第1步：确定钎焊接头所用的钎料、母材材质；第2步：测定钎料中各低熔点元素的含量WM％(质量分数)；第3步：确定钎料熔化温度区间ΔTM；第4步：将第2步不同低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM，代入预测数学模型SJ：第5步：根据上述第4步的数值大小判定钎焊接头的力学性能，数值越小钎焊接头力学性能越好，反之力学性能越差。本发明借助钎料熔化温度区间、低熔点元素含量、数学模型相结合，能够快速、高效、准确预测低熔点元素调控钎焊接头力学性能。
Description
技术领域：
本发明属于钎焊接头性能评定领域，具体涉及一种低熔点元素调控钎焊接头力学性的预测方法。
背景技术：
钎料接头力学性能作为评价钎焊工艺和应用的一项重要指标，其优劣直接影响钎料使用、钎焊接头的质量和性能，进而影响钎焊件的使用寿命和可靠性。因此，钎焊接头的力学性能是评定钎料使用性的关键问题之一。
低熔点元素(熔点低于350℃)，具有降低钎料熔化温度、改善钎料润湿性的有益作用，对于硬钎料(熔点高于450℃)来说，添加一定量的低熔点元素，可有效提高硬钎料的填缝能力，调控钎缝组织，获得高质量、性能优异的钎焊接头，进一步拓宽硬钎料的应用范畴。
国标GB/T 11363-2008《钎焊接头强度试验方法》，规范了测定钎焊接头强度的尺寸标准、拉伸或剪切试样，需要按照标准选材、加热钎焊、试样冷却、加工标准试样、强度试验，根据软件的载荷位移曲线，计算不同材质钎焊接头的力学性能。专利CN201410071437.4，公开了一种包括力产生采集转换、微观图像放大采集传输和数据显示及处理装置的钎焊接头力学性能测试方法，数据准确，但需焊接大量接头、抗拉强度或抗剪强度测试、图像处理分析等，成本高、效率低，可行性较差。CN201410351317.X，通过数据分析软件中的载荷-位移曲线，确定试样的界面断裂能、最大载荷，测定T形钎焊接头的力学性能，该方法可解决钎焊板翅结构力学性能测试的缺陷，但需要大量的试验数据(钎焊接头、载荷、位移、数学模型建立及求解等)，具有较大的局限性。CN201510056491.6，借助熔合比、能量非对称分布率、抗拉极限强度，建立异种激光焊接接头力学性能的数学模型，为镍基合金/304奥氏体不锈钢的连接、能量非对称分布率的选择提供一种可行性方法，但是需要多次精度检验、能量非对称分布率最优化计算，数据庞大、效率低下。CN201010173763.8，公开了一种基于人工神经网络的Q345焊接接头力学性能预测方法，借助焊接电流、电压和焊接速率与抗拉强度、屈服强度、断面收缩率和延伸率数据，建立焊接工艺参数和接头力学性能之间的映射关系，利用人工神经网络模型对焊接接头力学性能进行预测，该方法的不足是样本数据不同，神经网络模型不同，接头性能预测将发生变化，局限性较大。CN201611178243.X，通过钎焊棒料、均质棒料、拉伸试验、母材和钎缝弹性模量测定等工序和试验数据，绘制钎缝强化曲线，该方法的缺点是试验数据多，强化曲线绘制的精确度不高，从而影响钎缝力学性能预测的准确性。
发明内容：
针对现有技术的缺点和不足之处，本发明借助钎料熔化温度区间、低熔点元素含量、数学模型相结合，提供一种预测低熔点元素调控钎焊接头力学性能的方法，能够快速、高效、准确预测低熔点元素调控钎焊接头力学性能。
为实现上述目的，本发明的采用以下技术方案：
、一种预测低熔点元素调控钎焊接头力学性能的方法，包括以下步骤：
第1步：确定钎焊接头所用的钎料、母材材质；
第2步：测定钎料中各低熔点元素的含量WM％(质量分数)；
第3步：确定钎料熔化温度区间ΔTM；
第4步：将第2步不同低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM
代入预测数学模型SJ：
其中预测数学模型如下：
这里，n＝1、2、3......分别代表钎料中含有一种、两种、三种......低熔点元素；
第5步：根据上述第4步的数值大小判定钎焊接头的力学性能，数值越小钎焊接头力学性能越好，反之力学性能越差。
进一步，本发明所述第2步低熔点元素是In、Ga、Sn、Rb、P中的任意一种或两种及以上。
进一步，本发明In、Ga、Sn、Rb、P的质量百分比分别不超过15.5％、6.5％、25％、1.2％、0.9％。
进一步，本发明所述钎焊接头所用的钎料为熔化温度高于450℃的硬钎料。
进一步，本发明所述钎料为银基、铜基、镍基钎料中的任意一种。
进一步，本发明权利要求书1所述母材材质为奥氏体不锈钢、碳钢、黄铜。
本发明具有如下优点及有益效果：
1)通过大量试验数据，创新性的建立了预测钎焊接头力学性能的数学模型，仅需低熔点元素含量和钎料熔化温度区间，即可对比不同含量低熔点元素对钎焊接头力学性能的影响规律，方法简单、可行；
2)本发明提供的方法无需开展任何力学性能试验，大幅度减少试验工作量、提高工作效率；
3)与传统钎焊接头力学性能试验或预测或计算方法相比，本发明提供的方法不需购买接头力学性能试验设备，无需借助任何制图软件或计算机系统，大幅度降低试验成本。
4)所构建的钎焊接头力学性能预测数学模型，仅根据数值大小即可判定，低熔点元素对钎焊接头抗拉强度或抗剪强度的影响幅度，数值计算准确度高。
5)本发明成功构建熔化温度区间、低熔点元素含量与钎焊接头力学性能预测之间的统一关系式，为研究钎焊接头力学性能评价提供理论依据。
具体实施方式：
实施例1：一种预测Sn元素调控钎焊接头力学性能(银钎料，AgCuZnSn，Sn含量小于6.5％；感应钎焊，钎焊温度805～825℃，时间48～50s)的方法，其包括以下步骤：
第1步：确定钎焊接头所用的钎料类别、母材材质；
第2步：采用XRF-1800型X射线荧光光谱仪(XRF)测定钎料中Sn元素的含量WM％(质量分数)
第3步：利用STA449F3型热分析仪(DSC)确定银钎料熔化温度区间ΔTM；
第4步：将第2步不同低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM代入预测数学模型SJ。
由于钎料中只含有一种元素Sn，故n＝1。
第5步：判定Sn元素对钎焊接头力学性能(抗拉强度或抗剪强度)的影响规律，数值越小抗拉强度或抗剪强度越高，反之力学性能越差。
为了验证本发明预测方法的准确性，以230mg的AgCuZnSn钎料为焊料、60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表1所示：
根据表1可知，随着Sn含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn含量增加，AgCuZnSn钎料感应钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例2：一种预测In元素调控钎焊接头力学性能(银钎料，AgCuZnIn，In含量小于5％；感应钎焊，钎焊温度805～820℃，时间48s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以215mg的AgCuZnIn钎料为焊料、60mm×25mm×2.5mm的316不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表2所示：
根据表2可知，随着In含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着In含量增加，AgCuZnIn钎料感应钎焊316不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例3：一种预测Ga元素调控钎焊接头力学性能(银钎料，AgCuZnGa，Ga含量小于6％；感应钎焊，钎焊温度805～825℃，时间45～49s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以220mg的AgCuZnGa钎料为焊料，对60mm×25mm×2.5mm的H62黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表3所示：
根据表3可知，随着Ga含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着Ga含量增加，AgCuZnGa钎料感应钎焊H62黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例4：一种预测Sn、In元素元素调控钎焊接头力学性能(银钎料，AgCuZnSnIn，Sn、In含量分别小于2.9％、2.6％；钎焊方法为感应钎焊，钎焊温度800～830℃，时间45～48s)的方法，其步骤如下：
第1步：确定钎焊接头所用的钎料类别、母材材质；
第2步：采用XRF-1800型X射线荧光光谱仪(XRF)测定钎料中Sn、In元素的含量WM％(质量分数)
第3步：利用STA449F3型热分析仪(DSC)确定银钎料熔化温度区间ΔTM；
第4步：将第2步两种低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM代入预测数学模型SJ。
由于钎料中含有两种元素，故n＝2。
第5步：判定Sn、In元素对钎焊接头力学性能(抗拉强度或抗剪强度)的影响规律，数值越小抗拉强度或抗剪强度越高，反之力学性能越差。
为了验证本发明预测方法的准确性，以216mg的AgCuZnSnIn钎料为焊料、60mm×25mm×2.5mm的H80黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表4所示：
根据表4可知，随着Sn、In含量增加，SJ值减小，说明接头的抗拉强度升高；试验结果表明，随着Sn、In含量增加，AgCuZnSnIn钎料感应钎焊H68黄铜接头的抗拉强度升高，试验结果与本发明预测结果相吻合。
实施例5：一种预测Sn、Ga元素元素调控钎焊接头力学性能(银钎料，AgCuZnSnGa，Sn、Ga含量分别不超过2.9％、2.8％；钎焊方法为感应钎焊，钎焊温度805～835℃，时间45～48s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以215mg的AgCuZnSnGa钎料为焊料、60mm×25mm×2.5mm的316LN不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表5所示：
根据表5可知，随着Sn、Ga含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着Sn、Ga含量增加，AgCuZnSnGa钎料感应钎焊316LN不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例6：一种预测In、Ga元素元素调控钎焊接头力学性能(银钎料，AgCuZnInGa，In、Ga含量分别不超过2.9％、2.8％；钎焊方法为感应钎焊，钎焊温度805～830℃，时间45～48s)的方法，其包括以下步骤与实施例4相同。
为了验证本发明预测方法的准确性，以210mg的AgCuZnInGa钎料为焊料，对60mm×25mm×2.5mm的316LN不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表6所示：
根据表6可知，随着In、Ga含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着In、Ga含量增加，AgCuZnInGa钎料感应钎焊316LN不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例7：一种预测Sn、In、Ga元素元素调控钎焊接头力学性能(银钎料，AgCuZnSnInGa，Sn、In、Ga含量分别小于2.9％、1.5％、1.4％；钎焊方法为感应钎焊，钎焊温度805～835℃，时间46～50s)的方法，其包括以下步骤如下：
第1步：确定钎焊接头所用的钎料类别、母材材质；
第2步：采用XRF-1800型X射线荧光光谱仪(XRF)测定钎料中Sn、In、Ga元素的含量WM％(质量分数)
第3步：利用STA449F3型热分析仪(DSC)确定银钎料熔化温度区间ΔTM；
第4步：将第2步三种低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM代入预测数学模型SJ。
由于钎料中含有3种元素，故n＝3。
第5步：判定Sn、In、Ga元素对钎焊接头力学性能(抗拉强度或抗剪强度)的影响规律，数值越小抗拉强度或抗剪强度越高，反之力学性能越差。
为了验证本发明预测方法的准确性，以220mg的AgCuZnSnInGa钎料为焊料，对60mm×25mm×2.5mm的316LN不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表7所示：
根据表7可知，随着Sn、In、Ga含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn、In、Ga含量增加，AgCuZnSnInGa钎料感应钎焊316LN不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例8：一种预测Rb元素调控钎焊不锈钢接头力学性能(银钎料，AgCuZnRb，Rb含量小于1.2％；感应钎焊，钎焊温度805～830℃，时间45～48s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以210mg的AgCuZnRb钎料为焊料，对60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表8所示：
根据表8可知，随着Rb含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着Rb含量增加，AgCuZnRb钎料感应钎焊304不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例9：一种预测P元素调控钎焊接头力学性能(银钎料，AgCuZnP，P含量不超过0.9％；感应钎焊，钎焊温度790～815℃，时间41～46s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以235mg的AgCuZnP钎料为焊料，对60mm×25mm×2.5mm的H62黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表9所示：
根据表9可知，随着P含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着P含量增加，AgCuZnP钎料感应钎焊H62黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例10：一种预测Sn、P元素元素调控钎焊接头力学性能(AgCuZnSnP钎料，Sn、P含量分别不超过4.5％、0.6％；钎焊方法为火焰钎焊，钎焊温度815～845℃，时间41～46s)的方法，其与实施例4相同。
为了验证本发明预测方法的准确性，以225mg的AgCuZnSnP钎料为焊料，对60mm×25mm×2.5mm的H68黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表10所示：
根据表10可知，随着Sn、P含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着Sn、P含量增加，AgCuZnSnP钎料火焰钎焊H68黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例11：一种预测Sn、Rb元素元素调控钎焊接头力学性能(AgCuZnSnRb钎料，Sn、Rb含量分别不超过4.0％、0.8％；钎焊方法为感应钎焊，钎焊温度815～845℃，时间42～46s)的方法，其与实施例4相同。
为了验证本发明预测方法的准确性，以225mg的AgCuZnSnRb钎料为焊料、60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表11所示：
根据表11可知，随着Sn、Rb含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着Sn、Rb含量增加，AgCuZnSnRb钎料感应钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例12：一种预测Sn、P、Rb元素元素调控钎焊接头力学性能(AgCuZnSnPRb钎料，Sn、P、Rb含量不超过小于4.0％、0.6％、0.6％；钎焊方法为火焰钎焊，钎焊温度800～825℃，时间45～48s)的方法，其实施步骤与实施例7相同。
为了验证本发明预测方法的准确性，以210mg的AgCuZnSnPRb钎料为焊料，对60mm×25mm×2.5mm的304不锈钢为母材，利用HJ01焊炬对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表12所示：
根据表12可知，随着Sn、P、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn、P、Rb量增加，AgCuZnSnPRb钎料火焰钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例13：一种预测In、Rb元素元素调控钎焊接头力学性能(AgCuZnInRb钎料，In、Rb含量分别不超过4.0％、0.9％；钎焊方法为火焰钎焊，钎焊温度810～829℃，时间47～49s)的方法，其与实施例4相同。
为了验证本发明预测方法的准确性，以215mg的AgCuZnInRb钎料为焊料，对60mm×25mm×2.5mm的304不锈钢为母材，利用HJ01焊炬对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表13所示：
根据表13可知，随着In、Rb含量增加，SJ值先减小后增大，说明接头的抗拉强调先升高后降低；试验结果表明，随着In、Rb含量增加，AgCuZnInRb钎料火焰钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例14：一种预测In、P元素元素调控钎焊接头力学性能(AgCuZnInP钎料，In、P含量分别不超过4.0％、0.6％；钎焊方法为感应钎焊，钎焊温度810～835℃，时间47～50s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以240mg的AgCuZnInP钎料为焊料、60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表14所示：
根据表14可知，随着In、P含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着In、P含量增加，AgCuZnInP钎料感应钎焊304不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例15：一种预测In、P、Rb元素元素调控钎焊接头力学性能(AgCuZnInPRb钎料，In、P、Rb含量分别不超过4.0％、0.6％、0.6％；钎焊方法为感应钎焊，钎焊温度800～830℃，时间46～48s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以235mg的AgCuZnInPRb钎料为焊料、60mm×25mm×2.5mm的316L不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表15所示：
根据表15可知，随着In、P、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着In、P、Rb量增加，AgCuZnInPRb钎料感应钎焊316L不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例16：一种预测Ga、Rb元素元素调控钎焊接头力学性能(AgCuZnGaRb钎料，Ga、Rb含量分别不超过4.05％、0.85％；钎焊方法为感应钎焊，钎焊温度800～825℃，时间45～49s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以245mg的AgCuZnGaRb钎料为焊料，对60mm×25mm×2.5mm的316L不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表16所示：
根据表16可知，随着Ga、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、Rb含量增加，AgCuZnGaRb钎料感应钎焊316L不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例17：一种预测Ga、P元素元素调控钎焊接头力学性能(AgCuZnGaP钎料，Ga、P含量分别不超过4.05％、0.6％；钎焊方法为感应钎焊，钎焊温度800～835℃，时间45～48s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以240mg的AgCuZnGaP钎料为焊料，对60mm×25mm×2.5mm的316LN不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表17所示：
根据表17可知，随着Ga、P含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着Ga、P含量增加，AgCuZnGaP钎料感应钎焊316LN不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例18：一种预测Ga、P、Rb元素元素调控钎焊接头力学性能(AgCuZnGaPRb钎料，Ga、P、Rb含量分别不超过4.05％、0.6％、0.6％；钎焊方法为火焰钎焊，钎焊温度805～845℃，时间41～45s)的方法，其实施步骤与实施例7相同：
为了验证本发明预测方法的准确性，以210mg的AgCuZnGaPRb钎料为焊料，对60mm×25mm×2.5mm的Q235碳钢为母材，利用HJ01焊炬加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表18所示：
根据表18可知，随着Ga、P、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、P、Rb量增加，AgCuZnGaPRb钎料火焰钎焊Q235碳钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例19：一种预测Rb、P元素元素调控钎焊接头力学性能(AgCuZnRbP钎料，Rb、P含量分别不超过1.05％、0.6％；钎焊方法为感应钎焊，钎焊温度790～815℃，时间44～46s)的方法，其包步骤与实施例4相同。
为了验证本发明预测方法的准确性，以225mg的AgCuZnRbP钎料为焊料，对60mm×25mm×2.5mm的201不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表19所示：
根据表19可知，随着Rb、P含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着Rb、P含量增加，AgCuZnRbP钎料感应钎焊201不锈钢接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例20：一种预测Sn、In、Rb元素元素调控钎焊接头力学性能(AgCuZnSnInRb钎料，Sn、In、Rb含量分别不超过2.9％、2.6％、0.6％；钎焊方法为感应钎焊，钎焊温度810～845℃，时间40～45s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以230mg的AgCuZnSnInRb钎料为焊料，对60mm×25mm×2.5mm的H62黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表20所示：
根据表20可知，随着Sn、In、Rb含量升高，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn、In、Rb量增加，AgCuZnSnInRb钎料感应钎焊H62黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例21：一种预测Sn、In、P元素元素调控钎焊接头力学性能(AgCuZnSnInP钎料，Sn、In、P含量分别不超过2.9％、2.6％、0.6％；钎焊方法为感应钎焊，钎焊温度800～845℃，时间41～44s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以230mg的AgCuZnSnInP钎料为焊料、60mm×25mm×2.5mm的Q275碳钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后利用MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表21所示：
根据表21可知，随着Sn、In、P含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn、In、P量增加，AgCuZnSnInP钎料感应钎焊Q275碳钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例22：一种预测Ga、Sn、P元素元素调控钎焊接头力学性能(AgCuZnGaSnP钎料，Ga、Sn、P含量分别不超过3.0％、3.0％、0.6％；钎焊方法为火焰钎焊，钎焊温度800～825℃，时间48s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以210mg的AgCuZnGaSnP钎料为焊料，对60mm×25mm×2.5mm的304不锈钢为母材，利用HJ01焊炬对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表22所示：
根据表22可知，随着Ga、Sn、P含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、Sn、P量增加，AgCuZnGaSnP钎料火焰钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例23：一种预测Ga、Sn、Rb元素元素调控钎焊接头力学性能(AgCuZnGaSnRb钎料，Ga、Sn、Rb含量分别小于3.0％、3.0％、0.6％；钎焊方法为感应钎焊，钎焊温度800～845℃，时间45～48s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以225mg的AgCuZnGaSnRb钎料为焊料，对60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后利用MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表23所示：
根据表23可知，随着Ga、Sn、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、Sn、Rb量增加，AgCuZnGaSnRb钎料感应钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例24：一种预测Ga、In、P元素元素调控钎焊接头力学性能(AgCuZnGaInRb钎料，Ga、In、P含量分别不超过3.0％、3.0％、0.6％；钎焊方法为感应钎焊，钎焊温度800～845℃，时间41～44s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以240mg的AgCuZnGaInP钎料为焊料、60mm×25mm×2.5mm的201不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表24所示：
根据表24可知，随着Ga、In、P含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、In、P量增加，AgCuZnGaInP钎料感应钎焊201不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例25：一种预测Ga、In、Rb元素元素调控钎焊接头力学性能(AgCuZnGaInRb钎料，Ga、In、Rb含量分别不超过3.0％、3.0％、0.6％；钎焊方法为感应钎焊，钎焊温度800～850℃，时间40～43s)的方法，其步骤与实施例7相同。
为了验证本发明预测方法的准确性，以240mg的AgCuZnGaInRb钎料为焊料、60mm×25mm×2.5mm的201不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表25所示：
根据表25可知，随着Ga、In、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Ga、In、Rb量增加，AgCuZnGaInRb钎料感应钎焊201不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例26：一种预测Sn元素调控钎焊接头力学性能(CuZnSn钎料，Sn含量不超过5％)；火焰钎焊，钎焊温度850～880℃，时间45～48s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以235mg的CuZnSn钎料为焊料，对60mm×25mm×2.5mm的H68黄铜为母材，利用HJ01对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表26所示：
根据表26可知，随着Sn含量增加，SJ值逐渐减小，说明接头的抗拉强度逐渐升高；试验结果表明，随着Sn含量增加，CuZnSn钎料火焰钎焊H68黄铜接头的抗拉强度逐渐升高，试验结果与本发明预测结果相吻合。
实施例27：一种预测P元素调控钎焊接头力学性能(CuNiP钎料，P含量不超过8％)；感应钎焊，钎焊温度1150～1200℃，时间35～41s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以250mg的CuNiP钎料为焊料、60mm×25mm×2.5mm的H80黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表27所示：
根据表27可知，随着P含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着P含量增加，CuNiP钎料感应钎焊H80黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例28：一种预测Sn、P元素元素调控钎焊接头力学性能(CuSnP钎料，Sn、P含量分别不超过5％、8％；钎焊方法为感应钎焊，钎焊温度925～980℃，时间46～51s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以260mg的CuSnP钎料为焊料、60mm×25mm×2.5mm的H80黄铜为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表28所示：
根据表28可知，随着Sn、P含量增加，SJ值先减小后增大，说明接头的抗拉强度先升高后降低；试验结果表明，随着Sn、P含量增加，CuSnP钎料感应钎焊H80黄铜接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例29：一种预测Sn、Rb元素元素调控钎焊接头力学性能(NiCrSnRb钎料，Sn、Rb含量分别不超过3％、1.2％；钎焊方法为感应钎焊，钎焊温度1050～1150℃，时间45～52s)的方法，其步骤与实施例4相同。
为了验证本发明预测方法的准确性，以265mg的NiCrSnRb钎料为焊料、60mm×25mm×2.5mm的304不锈钢为母材，利用GP-35感应加热设备对钎料、母材进行加热、保温、冷却；然后采用MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如下表29所示：
根据表29可知，随着Sn、Rb含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn、Rb含量增加，AgCuZnSnRb钎料感应钎焊304不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
实施例30：一种预测In元素调控银基钎料钎焊接头力学性能(AgCuIn，In含量不低于10％不超过15.5％；钎焊方法为感应钎焊，钎焊温度800～850℃，时间40～44s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以242mg的AgCuIn钎料为焊料、60mm×25mm×2.5mm的316LN不锈钢为母材，利用GCs-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表30所示：
根据表30可知，随着In含量增加，SJ值逐渐增大，说明钎焊接头的抗拉强度逐渐升高；试验结果表明，随着Sn含量增加，AgCuSn钎料感应钎焊316不锈钢接头的抗拉强度逐渐，试验结果与本发明预测结果相吻合。
实施例31：一种预测Sn元素调控银基钎料钎焊接头力学性能(AgCuSn，Sn含量不低于10％不超过25％；钎焊方法为感应钎焊，钎焊温度800～850℃，时间40～43s)的方法，其步骤与实施例1相同。
为了验证本发明预测方法的准确性，以242mg的AgCuSn钎料为焊料、60mm×25mm×2.5mm的316不锈钢为母材，利用GCs-35感应加热设备对钎料、母材进行加热、保温、冷却；然后MTS万能电子拉伸试验机测试接头的抗拉强度(用σb表示)，与本发明的预测计算结果进行对比。具体数据如表31所示：
根据表31可知，随着Sn含量增加，SJ值先减小后增大，说明钎焊接头的抗拉强度先升高后降低；试验结果表明，随着Sn含量增加，AgCuSn钎料感应钎焊316不锈钢接头的抗拉强度先升高后降低，试验结果与本发明预测结果相吻合。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明整体构思前提下，还可以作出若干改变和改进，这些也应该视为本发明的保护范围。
Claims (6)
1.一种预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：包括以下步骤：
第1步：确定钎焊接头所用的钎料、母材材质；
第2步：测定钎料中各低熔点元素的含量WM％(质量分数)；
第3步：确定钎料熔化温度区间ΔTM；
第4步：将第2步不同低熔点元素的含量WM％扩大100倍和第3步的熔化温度区间数据ΔTM
代入预测数学模型SJ：
其中预测数学模型如下：
这里，n＝1、2、3......分别代表钎料中含有一种、两种、三种......低熔点元素；
第5步：根据上述第4步的数值大小判定钎焊接头的力学性能，数值越小钎焊接头力学性能越好，反之力学性能越差。
2.根据权利要求1所述的预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：所述第2步低熔点元素是In、Ga、Sn、Rb、P中的任意一种或两种及以上。
3.根据权利要求2所述的预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：In、Ga、Sn、Rb、P的质量百分比分别不超过15.5％、6.5％、25％、1.2％、0.9％。
4.根据权利要求1所述的预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：所述钎焊接头所用的钎料为熔化温度高于450℃的硬钎料。
5.根据权利要求4所述的预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：所述钎料为银基、铜基、镍基钎料中的任意一种。
6.根据权利要求1所述的预测低熔点元素调控钎焊接头力学性能的方法，其特征在于：所述母材材质为奥氏体不锈钢、碳钢或黄铜。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710737897.XA CN107478799B (zh) | 2017-08-24 | 2017-08-24 | 一种预测低熔点元素调控钎焊接头力学性能的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710737897.XA CN107478799B (zh) | 2017-08-24 | 2017-08-24 | 一种预测低熔点元素调控钎焊接头力学性能的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107478799A CN107478799A (zh) | 2017-12-15 |
| CN107478799B true CN107478799B (zh) | 2019-07-16 |
Family
ID=60602423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710737897.XA Active CN107478799B (zh) | 2017-08-24 | 2017-08-24 | 一种预测低熔点元素调控钎焊接头力学性能的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107478799B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461656B (zh) * | 2020-11-16 | 2024-06-25 | 四川石油天然气建设工程有限责任公司 | 一种利用流变强度检测耐蚀合金复合管焊缝的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103769760A (zh) * | 2014-01-14 | 2014-05-07 | 浙江新锐焊接材料有限公司 | 一种低熔点复合自钎铝钎料及其制备方法 |
| CN104181052A (zh) * | 2014-07-23 | 2014-12-03 | 华东理工大学 | 钎焊接头力学性能测试方法 |
| CN106769527A (zh) * | 2016-12-19 | 2017-05-31 | 中国石油大学(华东) | 一种钎焊接头钎缝力学参数测试方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01313198A (ja) * | 1988-06-10 | 1989-12-18 | Mitsubishi Steel Mfg Co Ltd | 低融点低銀ろう材 |
-
2017
- 2017-08-24 CN CN201710737897.XA patent/CN107478799B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103769760A (zh) * | 2014-01-14 | 2014-05-07 | 浙江新锐焊接材料有限公司 | 一种低熔点复合自钎铝钎料及其制备方法 |
| CN104181052A (zh) * | 2014-07-23 | 2014-12-03 | 华东理工大学 | 钎焊接头力学性能测试方法 |
| CN106769527A (zh) * | 2016-12-19 | 2017-05-31 | 中国石油大学(华东) | 一种钎焊接头钎缝力学参数测试方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107478799A (zh) | 2017-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moshayedi et al. | Numerical and experimental study of nugget size growth in resistance spot welding of austenitic stainless steels | |
| Deng et al. | Prediction of residual stresses in a dissimilar metal welded pipe with considering cladding, buttering and post weld heat treatment | |
| Karimi et al. | Thermal contact conductance effect in modeling of resistance spot welding process of aluminum alloy 6061-T6 | |
| Gupta et al. | An improved numerical modeling for resistance spot welding process and its experimental verification | |
| CN111523183A (zh) | 一种焊接接头力学性能及断裂失效仿真建模方法 | |
| Jagadeesha et al. | Studies on the influence of process parameters on the AISI 316L resistance spot-welded specimens | |
| Hashemi et al. | An incrementally coupled thermo-electro-mechanical model for resistance spot welding | |
| CN107478799B (zh) | 一种预测低熔点元素调控钎焊接头力学性能的方法 | |
| CN107505445B (zh) | 一种低熔点元素调控银基钎料钎焊接头力学性能的预测方法 | |
| Wang et al. | Heat evolution and nugget formation of resistance spot welding under multi-pulsed current waveforms | |
| Cheng et al. | Thermodynamic re-assessment of the Al-Sn-Zn ternary system | |
| CN107421974A (zh) | 一种预测低熔点元素调控硬钎料润湿性的方法 | |
| CN102658441B (zh) | 一种用于奥氏体不锈钢真空钎焊的四元钎料及其制备方法 | |
| Davari et al. | Experimental and numerical thermomechanical analysis of hybrid friction welding of commercially pure copper bars | |
| Yang et al. | A novel bulk metallic glass joining mechanism based on electro pulsive technology | |
| Udaya Prasanna et al. | Indentation creep studies to evaluate the mechanical properties of stainless steel welds | |
| Yinan et al. | A study on the mechanism of crystal cracking in GTA welding of copper plates | |
| Cavaliere et al. | Numerical analysis of multipoint CDW welding process on stainless AISI304 steel bars | |
| Plevachuk et al. | Thermophysical properties of liquid silver-bismuth-tin alloys | |
| CN107561108A (zh) | 一种低熔点元素调控银钎料润湿性的预测方法 | |
| ZAKRAYSEK | Effect of temperature and stress on tin-rich solder alloys | |
| Fang et al. | Effect of welding sequence on residual stress and deformation of Mg alloy fillet welds | |
| YanBing et al. | Numerical Simulation and Experimental Verification of Cu\Ni Dissimilar Metal Wire Deep Penetration Brazing | |
| Kik et al. | Numerical Analyses in the Modelling of Spot Resistance Welding Processes | |
| Gomidželović et al. | Thermodynamic analysis of AuIn–Sb system using Oelsen calorimetry and predicting methods |
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 |