CN111916159A - 一种铝合金型材在线挤压淬火力学性能预测的方法 - Google Patents
一种铝合金型材在线挤压淬火力学性能预测的方法 Download PDFInfo
- Publication number
- CN111916159A CN111916159A CN202010602411.3A CN202010602411A CN111916159A CN 111916159 A CN111916159 A CN 111916159A CN 202010602411 A CN202010602411 A CN 202010602411A CN 111916159 A CN111916159 A CN 111916159A
- Authority
- CN
- China
- Prior art keywords
- extrusion
- simulation
- aluminum alloy
- neural network
- mechanical property
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000001125 extrusion Methods 0.000 title claims abstract description 100
- 238000010791 quenching Methods 0.000 title claims abstract description 50
- 230000000171 quenching effect Effects 0.000 title claims abstract description 50
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 229910052751 metal Inorganic materials 0.000 claims abstract description 13
- 239000002184 metal Substances 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 10
- 239000012530 fluid Substances 0.000 claims abstract description 8
- 229910052782 aluminium Inorganic materials 0.000 claims description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000011160 research Methods 0.000 description 7
- 239000000956 alloy Substances 0.000 description 5
- 229910045601 alloy Inorganic materials 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 239000007769 metal material Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Extrusion Of Metal (AREA)
Abstract
本发明公开了一种铝合金型材在线挤压淬火力学性能预测的方法,涉及铝合金加工领域。通过三维建模软件建立挤压模具的三维模型,将三维模型导入挤压模拟仿真模拟设计软件中获得建立挤压过程的金属流体模型,在挤压模拟仿真模拟设计软件中设置待挤压材料本构方程参数后,完成对挤压过程的稳态数值进行模拟仿真,获得前述步骤输出的温度场的速度场;RBF神经网络模型模拟,获取前述步骤输出的温度场的速度场并输入生产实验数据和淬火工艺数据,进行RBF神经网络模型模拟;输出型材力学性能参数。能够通过利用神经网络和计算机数值模拟,提供一种能够实现根据加工工艺参数准确地预测产品的力学性能方法的效果。
Description
技术领域
本发明涉及铝合金加工领域,尤其涉及一种铝合金型材在线挤压淬火力学性能预测的方法。
背景技术
挤压铝合金型材因具有质量轻、强度高等优点,在民用装饰及包装、汽车制造、高速列车、航空航天等领域得到了广泛应用,铝型材加工业得到了迅速发展。挤压铝合金大多数是可热处理强化合金,这些合金挤压后通过固溶和时效热处理,便可显著提高强度,获得需要的组织与性能。
在线挤压淬火是一种在前一工艺过程(挤压)结束时创造出下一工艺过程(淬火)所必需的工艺条件,并从工艺设施或装备上进行适当改革 ,从而把两道工艺过程在线衔接起来,实现边挤压边淬火。从而显著提高生产效率。然而,要使挤压在线淬火取得令人满意效果并非易事,因为它涉及生产过程的许多工艺因素,包含着不同的变形过程,是一个繁琐的物理现象。理论上它涉及了常见力学中的几何非线性,而且还包含着复杂的物理非线性,简单的理论解析法很难对其进行详细准确的求解,理论解析法求解精确度较低。
近20年以来不少专家学者对在线淬火过程参数和型材的力学性能之间的关系进行了研究。刘静安在《6005A铝合金大型特种型材的研制》中公开了轨道车辆用大型特种铝型材的挤压在线淬火生产过程对铝型材强度的影响;王志伟、汪明朴等在《在线挤压淬火对地铁列车用6005A 合金力学性能及微观组织的影响》中公开了在线挤压淬火工艺对地铁列车用铝合金力学性能及微观组织影响;沈健、李彦利等研究了在线淬火工艺对铝合金挤压型材组织与性能的影响。他们都通过实验的方法得出了挤压在线淬火工艺参数对材料力学性能影响的大致规律。
人工神经网络是近几十年以来发展起来的一种类似于人类神经系统的信息处理技术,是一种功能强大,应用广泛的智能机器学习算法。非常适合于复杂的非线性问题的处理,在预测金属材料的力学性能方面取得了广泛的应用。FOROUZAN和AKABARZADEH研究了利用反向传播神经网络预测AA3004合金在冷轧和热轧过程中的力学性能,结果表明这种方法可以很好地预测AA3004板材的力学性能;杨夏炜等研究了BP神经网络在A357铝合金热处理过程中预测力学性能。但对于铝型材的在线挤压淬火研究较少,而且型材不同,其模具结构和挤压工艺参数变化大,尤其对于批量不是很大的型材,限制了整个生产过程的神经网络的预测应用研究。
数值模拟方法在金属塑性成形领域应用广范,越来越多的商业化软件可以应用于铝合金型材挤压的数值模拟过程,近年来人们更倾向于采用任意拉格朗日-欧拉(Arbitrary Lagrange-Euler,ALE)算法的HyperXtrude对铝合金挤压过程进行仿真研究,陈浩等利用HyperXtrude对不同的铝合金型材挤压过程进行了数值模拟,并针对各自型材的结构和模具特点分别提出了各自模具优化方案,并取得的较好的优化效果。虽然计算机数值模拟方法能很好的模拟预测挤压过程的金属流动行为,但对于淬火过程型材性能的变化还没有一款专业的仿真模拟软件实现准确预测,
因此,研究一种充分结合利用神经网络和计算机数值模拟的优点,根据加工工艺参数准确地预测产品的力学性能的方法,是铝合金型材在线挤压淬火的必然需求。
发明内容
本发明目的是提供一种铝合金型材在线挤压淬火力学性能预测的方法,能够通过利用神经网络和计算机数值模拟,提供一种能够实现根据加工工艺参数准确地预测产品的力学性能方法的效果。
为实现上述效果,本申请公开了一种铝合金型材在线挤压淬火力学性能预测的方法,包括如下步骤:
建立挤压模具三维模型,通过三维建模软件建立挤压模具的三维模型,;
建立挤压过程的金属流体模型,通过将三维模型导入挤压模拟仿真模拟软件中提取获得;
挤压过程模拟仿真,在挤压模拟仿真模拟软件中设置待挤压材料本构方程参数后,通过获取挤压工艺参数和挤压模具界面参数,完成对挤压过程的稳态数值模拟仿真;
输出仿真型材出口的温度场和速度场,通过仿真模拟软件的后处理软件,经过处理计算获得;
RBF神经网络模型模拟,获取前述步骤输出的温度场的速度场并输入生产实验数据和淬火工艺数据,进行RBF神经网络模型模拟;
输出型材力学性能参数,通过RBF神经网络模型完成对铝合金型材在线挤压淬火力学性能预测。
作为补充在进行RBF神经网络模型模拟前需要通过使用真实实验数据,进行RBF神经网络模型的建立和训练。
进一步的RBF神经网络模型采用挤压出口温度、挤压出口速度、材料厚度和淬火方式 作为径向基神经网络的输入变量,将铝型材的抗拉强度、屈服强度和延伸率作为径向基神 经网络的输出变量,采用高斯函数作为传递函数,并将原始变量数据进行归一化处 理。
所述归一化处理通过如下式所示公式进行:
式中X是试样的原始数据,X(min)是对应数据的最小值, X(max)是最大值,X(norm)是规范化后的实验数值。
作为优选的实施方式数据归一化处理后,利用Matlab自带的newrbe函数创建神经网络。
进一步的,其中所述挤压过程模拟仿真步骤通过HyperXtrude软件进行铝合金挤压过程的稳态数值模拟仿真。
进一步的,其中所述输出仿真型材出口的温度场和速度场步骤,在后处理软件Hyperview得到铝合金挤压过程稳态时模具出口型材的温度场和速度场。
进一步的通过建立型材界面的等距测量节点,最终通过以CSV数据的形式输出仿真模型对应测量节点的出口温度和出口速度值。
本发明的有益效果包括:
本发明充分利用HyperXtrude软件在挤压过程仿真结果的准确性和神经网络处理非线性问题能力强的特点,将挤压过程数学仿真模拟和神经网络相结合来预测挤压在线淬火后的型材力学性能的方法,能够提高预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的工作原理示意图;
图2为本发明的预测模型的预测值与实际生产的检测值的对比图;
图3为本发明的基于RBF神经网络的铝合金淬火预测模型图;
图4为本发明的模具三维实体模型图;
图5为本发明的计算机仿真模型图;
图6为本发明的型材模具出口处的温度场和速度场图;
图7为本发明的型材出口测量节点图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种铝合金型材在线挤压淬火力学性能预测的方法,包括如下步骤:
建立挤压模具三维模型,通过三维建模软件建立挤压模具的三维模型,;
建立挤压过程的金属流体模型,通过将三维模型导入挤压模拟仿真模拟软件中获得;
挤压过程模拟仿真,在挤压模拟仿真模拟软件中设置待挤压材料本构方程参数后,通过获取挤压工艺参数和挤压模具界面参数,完成对挤压过程的稳态数值模拟仿真;
输出仿真型材出口的温度场和速度场,通过仿真模拟软件的后处理软件,经过处理计算获得;
RBF神经网络模型模拟,获取前述步骤输出的温度场和速度场并输入生产实验数据和淬火工艺数据,进行RBF神经网络模型模拟;
输出型材力学性能参数,通过RBF神经网络模型完成对铝合金型材在线挤压淬火力学性能预测。
利用生产实验收集不同的型材出口温度、型材出口速度、型材厚度和淬火方式对型材的抗拉强度、屈服强度和延伸率的影响;根据实验数据建立基于神经网络的在线淬火过程的型材力学性能预测模型;
利用HyperXtrude建立型材挤压过程的计算机仿真实验,可以获得不同的型材在不同工艺参数下的模具出口温度和出口速度的工艺参数,将这些工艺参数导入到建立好的淬火过程的神经网络预测模型中,就可预测型材的最终力学性能。
具体的实施过程
1. 基于神经网络的在线挤压淬火预测模型建立
RBF(径向基)神经网络可以根据具体问题确定相应的网络拓扑结构,具有自学习、自组织、自适应功能,它对非线性连续函数具有一致逼近性,学习速度快,可以进行大范围的数据融合,可以并行高速地处理数据。目前,RBF神经网络已经成功地用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。RBF网络是一种三层前向网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的,从而大大加快了学习速度并避免局部极小问题。RBF的训练时间更短。它对函数的逼近是最优的,可以以任意精度逼近任意连续函数。隐层中的神经元越多,逼近越精确。在本研究中将利用径向基(RBF)神经网络来学习预测在线挤压淬火工艺参数对材料机械力学性能的影响。
为建立和训练神经网络,对要进行预测力学性能的合金进行在线挤压淬火实验,实验过程主要考虑挤压出口温度、挤压出口速度、淬火方式和型材厚度对材料力学性能的影响,实验测得的实验数据如表1所示,挤压出口温度范围为498.2℃~553.6℃,挤压出口速度范围为44.7~313.8m/min,然后所有试样都要进行1%~3%的拉伸矫直,都要进行175℃,8hour时效处理。拉伸实验在INSTRON5960万能材料试验机按照标准GB/T228-2002《金属材料室温拉伸试验方法》执行。试样的实验参数和结果列于表1。
表1 6005A-T6型材的正交实验力学性能实验数值(时效制度为)
将表1中试样的挤压出口温度、挤压出口速度、材料厚度和淬火方式作为径向基神经网络的输入变量,将铝型材的抗拉强度、屈服强度和延伸率作为径向基神经网络的输出变量。径向基网络采用高斯函数作为传递函数,函数在在中心0附近下降最快,函数的选择性最强,因此原始的挤压过程参数和拉伸实验数据要进行归一化处理。本发明的归一化处理函数如下式所示:
式中X是试样的原始数据,X(min)是对应数据的最小值,X(max)是最大值,X(norm) 是规范化后的实验数值,通过上式可知其范围一定在[0,0.8]以内。将表1中的数据归一 化处理后,如图3所示利用Matlab2014B自带的newrbe函数创建神经网络,其RBF神经元 数等于输入样本数量;创建速度非常快,可一次性得到一个零误差的径向基网络。
挤压过程仿真模型的建立
Altair Hyperxtrude 是一款针对铝型材挤压仿真模拟设计的软件,金属坯料在被挤压时的流动形态、速度、温度可以用HyperXtrude 软件形象生动的模拟出来,而且此软件还能够分析制品和模具在挤压运动流程中的速度场和温度场,以及其他的我们在现实的操作过程中不能得到的应力应变规律和物理变量。人工神经网络是近几十年以来发展起来的一种类似于人类神经系统的信息处理技术,是一种功能强大,应用广泛的智能机器学习算法。非常适合于复杂的非线性问题的处理,在预测金属材料的力学性能方面取得了广泛的应用。
本方法首先将如图4所示的挤压模具三维实体模型导入HyperXtrude软件,建立如图5所示的挤压过程的金属流体模型,然后在HyperXtrude里设定铝合金材料本构方程参数、挤压工艺参数和金属与挤压工模具之间界面参数,最后进行铝合金挤压过程的稳态数值模拟仿真;如图6所示在后处理软件Hyperview得到铝合金挤压过程稳态时模具出口型材的温度场和速度场,建立型材界面的等距测量节点如图7所示,利用Hyperview的NodeQuery功能查询以.csv表格的形式输出仿真模型对应测量节点的出口温度和出口速度值。
3. 型材力学性能预测的实现
将挤压过程的计算机仿真模型得到的出口温度和出口速度的.csv表格文件和淬火的工艺参数导入到建立好的RBF神经网络淬火过程预测模型,就可以得到型材各处的材料力学性能参数。
随机抽取的12组实际生产的型材力学性能的检测值和模型预测值的对比,如图2所示检测结果基本围绕预测值上下小幅波动,证明了基于径向基神经网络的6005A在线挤压淬火预测力学性能的模型是准确的。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于包括如下步骤:
建立挤压模具三维模型,通过三维建模软件建立挤压模具的三维模型;
建立挤压过程的金属流体模型,通过将三维模型导入挤压模拟仿真模拟软件中抽取获得;
挤压过程模拟仿真,在挤压模拟仿真模拟设计软件中设置待挤压材料本构方程参数后,通过获取挤压工艺参数和挤压模具界面参数,完成对挤压过程的稳态数值模拟仿真;
输出仿真型材出口的温度场和速度场,通过仿真模拟软件的后处理软件,经过处理计算获得;
RBF神经网络模型模拟,获取前述步骤输出的温度场的速度场并输入生产实验数据和淬火工艺数据,进行RBF神经网络模型模拟;
输出型材力学性能参数,通过RBF神经网络模型完成对铝合金型材在线挤压淬火力学性能预测。
2.根据权利要求1所述的一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于:在进行RBF神经网络模型模拟前需要通过使用真实实验数据,进行RBF神经网络模型的建立和训练。
5.根据权利要求2所述的一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于:数据归一化处理后,利用Matlab自带的newrbe函数创建神经网络。
6.根据权利要求1所述的一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于:所述挤压过程模拟仿真步骤通过HyperXtrude软件进行铝合金挤压过程的稳态数值模拟仿真。
7.根据权利要求1所述的一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于:所述输出仿真型材出口的温度场和速度场步骤,在后处理软件Hyperview得到铝合金挤压过程稳态时模具出口型材的温度场和速度场。
8.根据权利要求7所述的一种铝合金型材在线挤压淬火力学性能预测的方法,其特征在于:通过建立型材界面的等距测量节点,最终通过以CSV数据的形式输出仿真模型对应测量节点的出口温度和出口速度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602411.3A CN111916159A (zh) | 2020-06-29 | 2020-06-29 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602411.3A CN111916159A (zh) | 2020-06-29 | 2020-06-29 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111916159A true CN111916159A (zh) | 2020-11-10 |
Family
ID=73226674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602411.3A Pending CN111916159A (zh) | 2020-06-29 | 2020-06-29 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111916159A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632810A (zh) * | 2020-11-30 | 2021-04-09 | 江苏科技大学 | 一种杆件折弯上模下压量规律的预测方法 |
CN113240095A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
CN113867266A (zh) * | 2021-08-27 | 2021-12-31 | 安徽高德铝业有限公司 | 一种铝材产品高精度加工方案确定方法和系统 |
CN117634324A (zh) * | 2024-01-26 | 2024-03-01 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
-
2020
- 2020-06-29 CN CN202010602411.3A patent/CN111916159A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632810A (zh) * | 2020-11-30 | 2021-04-09 | 江苏科技大学 | 一种杆件折弯上模下压量规律的预测方法 |
CN113240095A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 |
CN113867266A (zh) * | 2021-08-27 | 2021-12-31 | 安徽高德铝业有限公司 | 一种铝材产品高精度加工方案确定方法和系统 |
CN117634324A (zh) * | 2024-01-26 | 2024-03-01 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
CN117634324B (zh) * | 2024-01-26 | 2024-04-09 | 中信戴卡股份有限公司 | 一种基于卷积神经网络的铸造模具温度快速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111916159A (zh) | 一种铝合金型材在线挤压淬火力学性能预测的方法 | |
Bagheripoor et al. | Application of artificial neural networks for the prediction of roll force and roll torque in hot strip rolling process | |
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN100383796C (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
Chen et al. | Convolutional neural network analysis of recurrence plots for anomaly detection | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
Ciancio et al. | Design of a high performance predictive tool for forging operation | |
Quan et al. | Modelling the hot flow behaviors of AZ80 alloy by BP-ANN and the applications in accuracy improvement of computations | |
Zheng et al. | Dynamic rolling force prediction of reversible cold rolling mill based on bp neural network with improved pso | |
Zahran | Using neural networks to predict the hardness of aluminum alloys | |
Zhang et al. | Rolling force prediction in heavy plate rolling based on uniform differential neural network | |
CN103593493B (zh) | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 | |
Kim et al. | Microstructure prediction of two-phase titanium alloy during hot forging using artificial neural networks and FE simulation | |
Qazani et al. | Multiobjective Optimization of Roll-Forming Procedure Using NSGA-II and Type-2 Fuzzy Neural Network | |
ÇELİK et al. | Modelling of the clearance effects in the blanking process of CuZn30 sheet metal using neural network− a comparative study | |
Wu et al. | Prediction of mechanical properties of hot rolled strips by BP artificial neural network | |
CN106777672A (zh) | 基于自适应专家系统的金属材料锻造微观组织软测量方法 | |
Wang et al. | A deep learning model for the accurate prediction of the microstructure performance of hot rolled steel | |
Hsiang et al. | Application of finite element method and artificial neural network to the die design of radial forging processes | |
Liu et al. | DA-CBGRU-Seq2Seq based soft sensor for mechanical properties of hot rolling process | |
Stendal et al. | Developing an artificial neural network controller for accelerating the hot deformation of the titanium aluminide TNM-B1 using reinforcement learning and finite element simulations | |
Liang et al. | Steel surface defects classification method based on self-paced learning | |
Zhang et al. | Attention-based stacked supervised poisson autoencoders for defects prediction in casting-rolling process | |
Chen et al. | An intelligent online detection approach based on big data for mechanical properties of hot-rolled strip |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201110 |