CN112417583B - 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 - Google Patents
一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 Download PDFInfo
- Publication number
- CN112417583B CN112417583B CN202010884169.3A CN202010884169A CN112417583B CN 112417583 B CN112417583 B CN 112417583B CN 202010884169 A CN202010884169 A CN 202010884169A CN 112417583 B CN112417583 B CN 112417583B
- Authority
- CN
- China
- Prior art keywords
- casting
- complex thin
- wall
- prediction
- neural network
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 106
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 239000000956 alloy Substances 0.000 title claims abstract description 47
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 41
- 210000001787 dendrite Anatomy 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000002425 crystallisation Methods 0.000 claims abstract description 11
- 230000008025 crystallization Effects 0.000 claims abstract description 11
- 238000001816 cooling Methods 0.000 claims abstract description 10
- 238000007711 solidification Methods 0.000 claims abstract description 8
- 230000008023 solidification Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 229910000601 superalloy Inorganic materials 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000002945 steepest descent method Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000000465 moulding Methods 0.000 abstract 1
- 239000013078 crystal Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005495 investment casting Methods 0.000 description 3
- 239000007791 liquid phase Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明提供一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，包括：对大型复杂薄壁铸件的结构分析，计算出铸件各部位的热模数；计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，并将计算得到参数导入ProCAST对铸件进行成型与凝固模拟，提取出温度梯度和冷却速度数值，通过公式计算出二次枝晶间距，选取获得的热模数、温度梯度和二次枝晶间距作为BP神经网络的输入参数，疏松指数作为输出参数，构建BP神经网络预测模型，采用铸件本体解剖数据训练上述BP神经网络预测模型，训练后构建铸件疏松定量预测网络，实现铸件疏松缺陷定量预测。本发明采用构建BP神经网络实现铸件疏松缺陷定量预测，有利于获得疏松缺陷敏感工艺参数。
Description
技术领域
本发明涉及高温合金精密铸造缺陷形成与控制领域，具体地，涉及一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法、电子设备及介质。
背景技术
航空发动机是飞机的心脏，航空发动机的设计与制造水平对于提升飞机综合性能具 有决定性作用。第三代商用发动机对可靠性要求非常高，每百万飞行小时的空中停机要少于3次，热端部件寿命需要达到15000小时，对大型复杂薄壁高温合金构件整体可靠 性提出了更高的要求，促使整体精密铸造技术成为先进航空发动机热端部件制造的主流 技术路线之一。然而，高温合金结晶温度间隔宽，精密铸造时液态金属流动性差，极易 产生疏松缺陷。疏松缺陷的存在，造成了局域应力集中，严重降低了服役条件下的疲劳 性能，影响了长时飞行安全。且随着铸件壁厚越来越薄、变截面部位越来越多，产生的 疏松缺陷急剧增多。
经对现有技术的文献检索发现：在ProCAST铸造模拟软件中采用Mapping Factor预测疏松形成倾向，该模型表达式为：
M＝aLbGcRd
其中a,b,c,d为与材料有关的参数，L为等温线移动速度，G为温度梯度，R为冷却速度。 由于与材料有关的参数通常难以准确确定，一般基于经验给出参数。在实际模拟过程上， a,b,c,d常分别选取为1.0；0；1.0；-0.5。则Mapping Factor变为Nyiama准则数：
因为该准则数仅反映了熔体的宏观冷却凝固情况，既未考虑温度对合金自身收缩系数、 熔体粘度的影响规律，也没有深入计算到枝晶尺度上的凝固问题；所以采用该准则数虽 然可以较好的计算宏观缩孔缺陷，但是对于晶粒与枝晶间因凝固收缩形成压力降，补缩 通道封闭产生的疏松缺陷，虽然可以通过不断细化网格尺寸到晶粒尺度，大概的预测疏松形成倾向，但是由于其自身模型的理论局限性，导致难以定量预测疏松缺陷。
在假设晶粒不漂移，液相流动仅为密度驱动条件下，VAHID KHALAJZADEH在《METALLURGICAL AND MATERIALS TRANSACTIONS A》(2020年，第51A卷， 第2239-2254页)提出了等轴晶区域疏松形成模型，如下
其中，
为局域疏松平均指数，ρl为液相密度，Vp为疏松形成区域的体积，Ap为疏松形成区域的面积，ρSL为固液相混合密度，ul为疏松与液体界面移动速度，nl为疏松 与液体界面法向。该理论较好的预测了弱对流下假定晶粒固定不动的简单厚度铸件疏松 形成情况，而大型复杂薄壁铸件凝固过程由于对流及其剧烈，枝晶生长伴随着大量枝晶 旋转、断裂、漂移和撞击等现象，严重影响疏松缺陷的产生，使得现有数学模型难以进 行准确定量描述。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法、电子设备及介质。
本发明第一方面，提供一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，包括：
对大型复杂薄壁铸件的结构进行分析，计算出大型复杂薄壁铸件各部位的热模数M；
计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，并将计算得到的参数导入ProCAST有限元铸造模拟软件，对大型复杂薄壁高温合金铸件进行充型与凝固 模拟，提取出温度梯度G和冷却速度数值R，通过下列公式计算出二次枝晶间距：
式中，λ2为二次枝晶间距，Cλ为与材料牌号相关的常数，R为冷却速度；
选取上述获得的所述热模数M、所述温度梯度G和所述二次枝晶间距λ2作为BP神经网络的输入参数，疏松指数作为输出参数，构建BP神经网络预测模型；
采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络 预测模型，训练后构建大型复杂薄壁高温合金铸件疏松定量预测网络，最后采用疏松定量预测网络实现预测大型复杂薄壁高温合金铸件疏松缺陷指数，即实现大型复杂薄壁高温合金铸件疏松缺陷定量预测。
优选地，所述选取上述获得的热模数、温度梯度和二次枝晶间距为BP神经网络的输入参数，其中，输入参数选取遵循以下准则：
参数相关性：输入参数选择必须与疏松形成直接密切相关，且变量间不关联；
训练边缘性：训练样本涵盖整个铸件热模数、温度梯度和二次枝晶间距的上下限范 围；
网络适中性：相同预测精度水平下选择隐层节点数最少网络，减少计算时间；
误差合理性：训练过程疏松实验误差与预测误差不小于5％。
优选地，所述对大型复杂薄壁铸件的结构进行分析，其中，采用CAD分析软件UG 对大型复杂薄壁铸件结构进行分析，计算出铸件各部位的热模数M。
优选地，所述计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，其中，采用热物性计算软件JMatPro计算得到高温合金的结晶温度间隔、密度、比热容和收缩 系数参数。
优选地，所述采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述 BP神经网络预测模型，基于widrow-Foff学习规则控制反向传递误差，采用最速下降法进行快速搜索拟合预测，从而构建大型复杂薄壁高温合金铸件疏松定量预测网络。
优选地，采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，其中，
所述训练样本由大型复杂薄壁高温合金铸件各部位的热模数、温度梯度、二次枝晶 间距和疏松指数组成训练样本数据；
将所述训练样本数据导入到BP神经网络预测模型，获得的该大型复杂薄壁高温合金铸件疏松缺陷定量预测的各神经元的权值系数矩阵Aweight。
优选地，所述大型复杂薄壁高温合金铸件为K4169高温合金铸件。具体的，K4169高温合金铸件疏松缺陷定量预测的各神经元的权值系数矩阵Aweight公式如下：
本发明第二方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于上述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法。
本发明第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法。
与现有技术相比，本发明具有如下至少一种的有益效果：
本发明上述方法，采用基于大型复杂薄壁高温合金铸件结构分析、有限元计算和本体解剖，结合BP神经网络定量预测疏松缺陷，有效规避了疏松形成机制复杂，现有 理论模型无法实现准确预测，也难以构建新型数学模型对疏松缺陷进行定量预测的问 题，采用构建BP神经网络实现了大型复杂薄壁高温合金铸件疏松缺陷定量预测。也有 利于获得疏松缺陷敏感工艺参数，为工艺优化抑制疏松提供指导方向，此外，该预测方 法也可推广到其他合金疏松缺陷定量预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特 征、目的和优点将会变得更明显：
图1是本发明一优选实施例的BP神经网络预测模型的拓扑结构图；
图1中标记表示为：11为输入、12为隐含层、13为输出层、14为输出。
图2是本发明一优选实施例的非训练样本位置分布示意图；
图2中标记表示为非训练样本数据的序号1-5；
图3是本发明一优选实施例的BP神经网络模型对机匣铸件典型部位显微疏松预测结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于 本发明的保护范围。
大型复杂薄壁高温合金铸件的疏松形成机制复杂，现有技术中还没有能构建模型对 疏松缺陷进行定量预测。基于此，本发明实施例采用构建BP神经网络实现了大型复杂薄壁高温合金铸件疏松缺陷定量预测。具体的，本发明实施例提供一种大型复杂薄壁高 温合金铸件疏松缺陷定量预测方法，包括以下步骤：
S1：对大型复杂薄壁铸件的结构进行分析，计算出大型复杂薄壁铸件各部位的热模 数M；
S2：计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，并将计算得到的参数导入ProCAST有限元铸造模拟软件对大型复杂薄壁高温合金铸件进行充型与凝 固模拟，提取出温度梯度G和冷却速度数值R，通过下列公式计算出二次枝晶间距：
式中，λ2为二次枝晶间距，Cλ为与材料牌号相关的常数，R为冷却速度；
S3：选取由S1得到的热模数、由S2得到温度梯度G和二次枝晶间距Cλ作为BP神 经网络的输入参数，疏松指数作为输出参数，构建BP神经网络预测模型；
S4：采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，训练后构建大型复杂薄壁高温合金铸件疏松定量预测网络，最后采用疏 松定量预测网络实现预测大型复杂薄壁高温合金铸件疏松缺陷指数，即实现大型复杂薄 壁高温合金铸件疏松缺陷定量预测。
人工神经网络是对人脑或自然界神经网络若干基本特性的抽象和总结，是一种基于 连接学说构造的智能仿生模型，是由大量神经元按照一定的连接方法组成的非线性动力 学系统。应用最广泛的人工神经网络模型是BP神经网络，它是采用误差反向传播算法进行训练的多层前馈型神经网络，BP神经网络模型特别适合于研究复杂的非线性系统。 本实施例在BP神经网络预测过程中，影响输出参数的输入参数因素非常多，因此，首 先要进行输入参数的选择，选择的输入参数必须可测量性、独立性，且与输出参数之间 存在内在的函数关系；由疏松缺陷形成机理和现有疏松预测理论模型可知，疏松缺陷与 热模数、温度梯度和二次枝晶间距直接密切相关。因此，选用无需事前描述疏松和以上 三变量映射关系的BP神经网络模型，能够解决疏松定量预测问题，提高铸件冶金质量， 加速先进航空发动机研制进程。具体的，在本发明一优选实施例中，选取获得的热模数、 温度梯度和二次枝晶间距为BP神经网络的输入参数，选取遵循以下准则：
参数相关性：输入参数选择必须与疏松形成直接密切相关，且变量间不关联；
训练边缘性：训练样本涵盖每个输入整个铸件热模数、温度梯度和二次枝晶间距的 上下限范围；
网络适中性：相同预测精度水平下选择隐层数最少网络，减少计算时间；
误差合理性：训练过程疏松实验误差与预测误差不小于5％。
采用以上准则构建的BP神经网络还可为疏松缺陷抑制提供工艺参数优化依据。
上述实施例中，对大型复杂薄壁铸件的结构进行分析，可以采用CAD分析软件UG对大型复杂薄壁铸件结构进行分析，计算出铸件各部位的热模数M。当然，在其他实施 例中也可以用其他能实现对应功能的软件或其他工具，并不局限于CAD分析软件UG。
上述实施例中，计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，可以采用热物性计算软件JMatPro计算得到高温合金的结晶温度间隔、密度、比热容和收 缩系数参数。当然，在其他实施例中也可以用其他能实现对应功能的软件或其他工具， 并不局限于热物性计算软件JMatPro。
上述实施例中，采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练BP神经网络，具体的，可以基于widrow-Foff学习规则控制反向传递误差，采用最速下 降法进行快速搜索拟合预测，构建大型复杂薄壁高温合金铸件疏松定量预测网络。进一 步的，在一优选实施例中，采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本 训练上述BP神经网络预测模型，其中，训练样本由大型复杂薄壁高温合金铸件各部位 的热模数、温度梯度、二次枝晶间距和疏松指数组成训练样本数据，优选隐含层数；将 训练样本数据导入到BP神经网络预测模型，获得该大型复杂薄壁高温合金铸件疏松缺 陷定量预测的各神经元的权值系数矩阵Aweight；通过获得系数矩阵Aweight实现针对每个 输入的累加计算，最终实现疏松缺陷定量预测。
在另一实施例中，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于上述任一项实施例的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法。
在另一实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序， 该程序被处理器执行时可用于执行上述任一项实施例的大型复杂薄壁高温合金铸件疏 松缺陷定量预测方法。
下列实施例以大型复杂薄壁高温合金机匣铸件为应用例，该机匣铸件采用K4169高温合金，实际浇注温度1530℃，模壳预热温度1020℃，浇注时间17s。K4169高温合 金热物性参数采用JMatPro计算获得，将其导入ProCAST模拟软件，模拟工艺参数与 实际浇注工艺参数相同，采用UG计算获得机匣铸件主要特征结构处热模数M(体积/ 散热表面积)、ProCAST提取温度梯度G、冷却速度R，结合K4169高温合金材料常数 (Cλ)为4.8×10-5m·(℃/s)1/3。采用公式
计算各机匣铸件主要结构特征部位二 次枝晶间距λ2，本体解剖机匣铸件获得机匣铸件各主要结构特征部位疏松缺陷指数；采 用以上获得的机匣铸件各主要结构特征部位的热模数、温度梯度、二次枝晶间距(三个 自变量)和本体解剖显微疏松指数(一个因变量)组成训练样本数据，如表1所示，表1为 训练样本数据。
表1
采用表1中数据训练图1中的BP神经网络结构，图1为整个BP神经网络预测流程图，图1中1代表数据输入操作(包括训练样本和预测样本)，12代表隐含层结构，也就是Aweight矩阵结构，13代表输出层结构，也就是疏松指数矩阵，14代表输出结果(包括 训练时采用的训练样本的输入结果和预测样本的输入结果)，W为权值，b为阈值。将表 1中的数据训练导入BP神经网络预测模型中，获得的大型复杂薄壁K4169高温合金铸件疏 松缺陷定量预测的各神经元的权值系数矩阵(Aweight)公式如下：
选用机匣铸件支板部位非训练数据验证构建的BP神经网络预测的有效性，非训练样本数据在大型复杂薄壁机匣铸件上的具体分布位置如图2所示。表2给出了大型复杂 薄壁高温合金机匣铸件研制过程中的非训练样本数据。
表2
参照图3所示，图3给出了BP神经网络模型对图2中机匣铸件典型部位(支板和吊耳) 显微疏松预测结果。由图可知，BP神经网络模型对大型复杂薄壁铸件显微疏松预测结果 总体良好，展现了BP神经网络方法强大的适应能力，非常适合于难以用传统数学物理方程描述的复杂科学问题的趋势分析和预测。
上述实施例中的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，通过构建BP神经网络模型对疏松缺陷进行定量预测，并通过工艺参数调整实现缺陷控制，提高高温 合金铸件内部冶金质量，为航空航天用大型复杂薄壁高温合金铸件长时服役安全提供保 障。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上 述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改， 这并不影响本发明的实质。
Claims (8)
1.一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，包括：
对大型复杂薄壁铸件的结构进行分析，计算出大型复杂薄壁铸件各部位的热模数M；
计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，并将计算得到的参数导入ProCAST有限元铸造模拟软件，对大型复杂薄壁高温合金铸件进行充型与凝固模拟，提取出温度梯度G和冷却速度数值R，通过下列公式计算出二次枝晶间距：
式中，λ2为二次枝晶间距，Cλ为与材料牌号相关的常数，R为冷却速度；
选取上述获得的所述热模数M、所述温度梯度G和所述二次枝晶间距λ2作为BP神经网络的输入参数，疏松指数作为输出参数，构建BP神经网络预测模型；
采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本，训练上述BP神经网络预测模型，训练后构建大型复杂薄壁高温合金铸件疏松定量预测网络，最后采用疏松定量预测网络实现预测大型复杂薄壁高温合金铸件疏松缺陷指数，即实现大型复杂薄壁高温合金铸件疏松缺陷定量预测；
所述选取上述获得的热模数、温度梯度和二次枝晶间距为BP神经网络的输入参数，其中，输入参数选取遵循以下准则：
参数相关性：输入参数选择必须与疏松形成直接密切相关，且变量间不关联；
训练边缘性：训练样本涵盖整个铸件热模数、温度梯度和二次枝晶间距的上下限范围；
网络适中性：相同预测精度水平下选择隐层节点数最少网络，减少计算时间；
误差合理性：训练过程疏松实验误差与预测误差不小于5％；
采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，其中，
所述训练样本由大型复杂薄壁高温合金铸件各部位的热模数、温度梯度、二次枝晶间距和疏松指数组成训练样本数据；
将所述训练样本数据导入到BP神经网络预测模型，获得该大型复杂薄壁高温合金铸件疏松缺陷定量预测的各神经元的权值系数矩阵Aweig ht。
2.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述对大型复杂薄壁铸件的结构进行分析，其中，采用CAD分析软件UG对大型复杂薄壁铸件结构进行分析，计算出铸件各部位的热模数M。
3.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，其中，采用热物性计算软件JMatPro计算得到高温合金的结晶温度间隔、密度、比热容和收缩系数参数。
4.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，是基于widrow-Foff学习规则控制反向传递误差，采用最速下降法进行快速搜索拟合预测，从而构建大型复杂薄壁高温合金铸件疏松定量预测网络。
5.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述大型复杂薄壁高温合金铸件为K4169高温合金铸件。
6.根据权利要求5所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述K4169高温合金铸件，疏松缺陷定量预测的各神经元的权值系数矩阵Aweig ht公式如下：
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-6任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884169.3A CN112417583B (zh) | 2020-08-28 | 2020-08-28 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884169.3A CN112417583B (zh) | 2020-08-28 | 2020-08-28 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112417583A CN112417583A (zh) | 2021-02-26 |
| CN112417583B true CN112417583B (zh) | 2022-02-15 |
Family
ID=74854184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010884169.3A Active CN112417583B (zh) | 2020-08-28 | 2020-08-28 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417583B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113642121A (zh) * | 2021-07-26 | 2021-11-12 | 南京工业大学 | 一种基于响应面设计和多目标进化算法的铝合金制动钳铸造工艺参数优化方法 |
| CN117034176B (zh) * | 2023-10-08 | 2024-01-09 | 西安石油大学 | 一种定向凝固过程铸件异常预测系统 |
| CN117352110B (zh) * | 2023-12-05 | 2024-02-13 | 江苏美特林科特殊合金股份有限公司 | 一种基于旋转浊度法测试钽熔体高温流动特性的系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107577850A (zh) * | 2017-08-11 | 2018-01-12 | 中国航发北京航空材料研究院 | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 |
| CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8355894B2 (en) * | 2009-12-16 | 2013-01-15 | GM Global Technology Operations LLC | Method for simulating casting defects and microstructures of castings |
| 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 |
| CN108897925B (zh) * | 2018-06-11 | 2020-09-08 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
| CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
-
2020
- 2020-08-28 CN CN202010884169.3A patent/CN112417583B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107577850A (zh) * | 2017-08-11 | 2018-01-12 | 中国航发北京航空材料研究院 | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 |
| CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
| CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 应用无量纲 Niyama 判据优化大型薄壁铸件浇冒系统;康茂东 等;《铸造技术》;20170731;第1635-1639页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112417583A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417583B (zh) | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 | |
| Carter et al. | Process modelling of grain selection during the solidification of single crystal superalloy castings | |
| Dong et al. | Simulation of the columnar-to-equiaxed transition in directionally solidified Al–Cu alloys | |
| US20160034614A1 (en) | Materials property predictor for cast aluminum alloys | |
| US20120232685A1 (en) | Systems and methods for computationally developing manufacturable and durable cast components | |
| CN102117358A (zh) | 用于对铸件中的铸件缺陷和微结构进行仿真的方法 | |
| Ghosh et al. | An artificial neural network model to characterize porosity defects during solidification of A356 aluminum alloy | |
| Liu et al. | A review on metal additive manufacturing: modeling and application of numerical simulation for heat and mass transfer and microstructure evolution | |
| Cica et al. | Intelligent process modeling and optimization of porosity formation in high-pressure die casting | |
| US7299163B2 (en) | Device, method, and program for design-aiding of casting product | |
| Dučić et al. | CAD/CAM design and the genetic optimization of feeders for sand casting process | |
| US6269321B1 (en) | Method for optimizing mechanical strength of a casting using microstructure predictions | |
| Fezi et al. | A metric for the quantification of macrosegregation during alloy solidification | |
| WO1997027016A1 (en) | Solidification control including pattern recognition | |
| CN116913438B (zh) | 一种冷冻砂型冷冻温度计算方法及装置 | |
| Guo et al. | Modeling of alloy casting solidification | |
| CN115130239B (zh) | 基于多尺度建模的金属增材制造的力学性能预测方法 | |
| Ktari et al. | Bridging FEM and Artificial Neural Network in gating system design for smart 3D sand casting | |
| CN110910967A (zh) | 一种钢液凝固过程中CrN析出情况的预测方法 | |
| Shahane | Numerical simulations of die casting with uncertainty quantification and optimization using neural networks | |
| Mou et al. | Digital twin modeling for stress prediction of single-crystal turbine blades based on graph convolutional network | |
| Shi et al. | Modeling of epitaxial growth of single crystal superalloys fabricated by directed energy deposition | |
| Dai | A Study of Solidification Structure Evolution during Investment Casting of Ni-based Superalloy for Aero-Engine Turbine Blades. | |
| Celentano et al. | Computational simulation of microstructure evolution during solidification of ductile cast iron | |
| JP2003033864A (ja) | 鋳造プロセスシミュレータ及びその判定方法 |
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 |