CN113299351A - 基于统计检验及状态检查的蠕变数据筛选方法 - Google Patents

基于统计检验及状态检查的蠕变数据筛选方法 Download PDF

Info

Publication number
CN113299351A
CN113299351A CN202010109243.4A CN202010109243A CN113299351A CN 113299351 A CN113299351 A CN 113299351A CN 202010109243 A CN202010109243 A CN 202010109243A CN 113299351 A CN113299351 A CN 113299351A
Authority
CN
China
Prior art keywords
creep
data
measured
actually
delta
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.)
Granted
Application number
CN202010109243.4A
Other languages
English (en)
Other versions
CN113299351B (zh
Inventor
李昂
高蔚
吴福
张毅
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.)
Research Institute of Physical and Chemical Engineering of Nuclear Industry
Original Assignee
Research Institute of Physical and Chemical Engineering of Nuclear Industry
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 Research Institute of Physical and Chemical Engineering of Nuclear Industry filed Critical Research Institute of Physical and Chemical Engineering of Nuclear Industry
Priority to CN202010109243.4A priority Critical patent/CN113299351B/zh
Publication of CN113299351A publication Critical patent/CN113299351A/zh
Application granted granted Critical
Publication of CN113299351B publication Critical patent/CN113299351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明公开了一种基于统计检验及状态检查的蠕变数据筛选方法，包括以下步骤：步骤1，记录试样状态参数，进行蠕变实验，得到实测蠕变数据；步骤2，将蠕变数据代入蠕变本构模型中，拟合得到对应形式的蠕变本构方程，拟合得到预测值；步骤3，计算所述实测蠕变数据与预测值的函数差值Δf(x)，检验Δf(x)的统计分布规律；步骤4，根据设定的显著性水平α，查找Δf(x)数据中的离群值，标记离群值对应的实测蠕变数据为无效实测蠕变数据并剔除；步骤5，重复步骤2～4，直至所有剩余实测蠕变数据不再存在离群值。本方法增加了数据筛选的灵活性，降低后续材料蠕变性能计算及评估工作的难度，有助于提高蠕变性能预测的可靠性及准确性。

Description

基于统计检验及状态检查的蠕变数据筛选方法
技术领域
本发明属于材料性能数据处理技术领域，具体涉及基于统计检验及状态检查的蠕变数据筛选方法。
背景技术
因材料组织老化发生的蠕变变形在长期运行机械设备部件的失效事故中占较大的比例。根据部件运行条件，评估材料的蠕变持久性能是保障设备部件服役期内安全运行的必要手段。准确的蠕变数据是材料长时性能表征评估、部件可靠性设计及设备失效诊断的重要基础。但是由于部件的材质、实验控制精度及试样加工精度等多方面的影响，蠕变数据的分散性通常较大。而分散性较大的蠕变数据势必会影响材料性能评估及预测结果的可靠性。
目前常用的蠕变失效评估方法诸如等温持久强度法、蠕变损伤法、时间温度参数法及θ法等均只考虑如何利用有效的蠕变数据内接或外推材料的蠕变持久性能，而不涉及蠕变数据有效性的判定方法。在处理具有明显差异性的蠕变持久数据时，我国颁布的HB/T5151-1996“金属高温拉伸蠕变实验方法”和GJB/Z 18A-2005“金属材料力学性能数据表达准则”仅要求检查试样的状态及实验的控制精度，而GB/T 2039-2012“金属材料单轴拉伸蠕变试验方法”只将断裂位置位于标距段以外的数据判定为无效结果。以上标准均没有考虑蠕变数据在统计规律上的差异性问题。在欧洲蠕变协作委员会(ECCC)颁布的蠕变断裂数据评价方法(CRDA)中要求计算每个应力水平下蠕变试样断裂时间的平均对数值
Figure BDA0002389370380000011
规定超出
Figure BDA0002389370380000012
范围的数据点为过度离散点。专利号CN 106446391B也要求比较每个测量数据与平均值之间的偏差量，如果二者偏差量不小于20％，则舍弃该测量数据。以上的数据筛选方法没有考虑不同种类材料蠕变数据的实际分布规律，规定的取值范围很难满足不同设计指标下多种工程材料的评估要求。
发明内容
本发明的目的在于克服现有技术的不足，提供基于统计检验及状态检查的蠕变数据筛选方法，该方法提高了筛选效率和数据判定的准确性。
本发明是通过以下技术方案实现的：
基于统计检验及状态检查的蠕变数据筛选方法，包括以下步骤：
步骤1，对试样进行状态参数记录后，进行蠕变实验，得到实测蠕变数据；
所述实测蠕变数据为稳态蠕变速率、蠕变断裂时间和/或规定蠕变应变对应的蠕变时间；
步骤2，蠕变实验完成后，将蠕变实验条件数据、实测蠕变数据代入蠕变本构模型中，拟合得到对应形式的蠕变本构方程，同时拟合得到实测蠕变数据对应的预测值；
所述蠕变实验条件数据包括蠕变温度、蠕变应力；
所述预测值为稳态蠕变速率、蠕变断裂时间和/或规定蠕变应变对应的蠕变时间；
步骤3，计算所述实测蠕变数据与预测值的函数差值Δf(x)，在设定的可靠度下，检验Δf(x)的统计分布规律，
当Δf(x)无法满足一定的统计分布规律时，需要检查试样的状态参数，当所述试样状态参数无差异时返回步骤2重新选择材料的蠕变本构模型进行拟合计算，当所述试样状态参数存在差异时，则根据存在差异的状态参数，对原始蠕变数据划分子组，对子组数据分别进行筛选处理；
当Δf(x)满足一定的统计分布规律时，进入步骤4；
步骤4，在满足一定统计规律的前提下，根据设定的显著性水平α，查找Δf(x)数据中的离群值，当Δf(x)数据中存在离群值时，标记离群值对应的实测蠕变数据为无效实测蠕变数据并剔除；
步骤5，完成步骤4后的剩余实测蠕变数据，重复步骤2～4，直至所有剩余实测蠕变数据均判定为有效数据，不再存在离群值。
在上述技术方案中，所述用于筛选过程的实测蠕变数据对应的实验蠕变温度水平不少于3个，对应的实验蠕变应力水平不少于4个。
在上述技术方案中，实测蠕变数据及预测值的计算函数f(x)包括正比例函数、反比例函数、对数函数及上述函数的组合函数。
在上述技术方案中，Δf(x)的统计分布规律包括正态分布、对数正态分布或威布尔分布。
在上述技术方案中，所述步骤3中需要检查的试样状态参数包括试样批次、试样表面质量、加工精度、实验条件控制精度、材料内部缺陷及金相组织。
在上述技术方案中，所述步骤3中验证统计分布的可靠度值根据设备部件分配给结构材料的计算值确定，可靠度的取值范围是0.95-0.997。
在上述技术方案中，所述步骤4中显著性水平α的取值范围是0.01-0.05。
在上述技术方案中，所述步骤4中离群值的判定方法为根据设定的显著性水平α及Δf(x)数据的统计分布函数，确定置信水平为1-α的双侧置信区间，如Δf(x)数据处于该置信区间之外，则判定该数据为离群值。
在上述技术方案中，所述蠕变本构模型包括RMB'、LM'、OSD'、MH'、MS'速率温度参数模型或RMB、LM、OSD、MH、MS时间温度参数模型。
在上述技术方案中，用于筛选过程的所述实测蠕变数据对应的实验蠕变温度水平不少于5个，对应的实验蠕变应力水平不少于6个。
本发明的优点和有益效果为：
基于统计检验及状态检查的方法，能够更为全面地评估蠕变数据的有效性。本发明采用两种筛选方法，(第一种筛选方法对应的是步骤3，第二种筛选方法对应的是步骤4)第一种筛选方法只判定数据的函数差值的统计规律，第二种筛选方法在已有统计分布的前提下判定离群值并剔除，每类筛选方法中均需要核准试样的状态，反复进行以上两步骤最终确定有效蠕变数据组，极大地提高了筛选效率和数据判定的准确性。通过设置一定的可靠度及显著性水平，满足了不同设计指标下材料的评估要求，增加了数据筛选的灵活性。本发明从数据筛选的角度解决了蠕变数据分散性大的问题，降低了后续材料蠕变性能计算及评估工作的难度，有助于提高蠕变性能预测的可靠性及准确性，对材料的可靠性评估及机械装备的延寿研究具有重要的工程意义。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例1使用的7系某高强铝合金稳态蠕变速率数据分布情况；
图3是本发明实施例1使用的7系某高强铝合金
Figure BDA0002389370380000031
数据在正态概率图上的分布情况；
图4是本发明实施例1使用的剔除后
Figure BDA0002389370380000032
数据在正态概率图上的分布情况；
图5是本发明实施例2使用的316H不锈钢蠕变断裂时间分布情况；
图6是本发明实施例2使用的316H不锈钢Δlg(tr)数据在正态概率图上的分布情况；
图7是本发明实施例3使用的316不锈钢蠕变应变1％对应的蠕变时间数据分布情况；
图8是本发明实施例3使用的316不锈钢Δlg(tr)数据在正态概率图上的分布情况；
图9是本发明实施例3中经过分组后316不锈钢Δlg(tr)数据在正态概率图上的分布情况。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
实施例1
选取7系某高强铝合金预锻坯(T6态)作为研究对象，蠕变试样的取样方向为坯内径向(垂直于预锻坯的锻造方向)，试样尺寸参照GB/T 2039-1997“金属拉伸蠕变及持久试验方法”。实验温度水平分别为40℃、60℃、70℃、75℃、80℃，实验应力水平为6个。
(i)蠕变实验前记录试样的组批、表面质量、加工精度等状态参数：经检查，确认该批次试样取自同批次预锻坯，取样方向一致，表面光滑未见明显缺陷，加工精度满足国标要求，蠕变实验完成后，共获得18个原始稳态蠕变速率数据
Figure BDA0002389370380000041
数据分布见图2；
(ii)将实测蠕变数据
Figure BDA0002389370380000042
代入RMB’速率温度参数模型(该模型可参见专利文献CN106446390B)中，基于RMB’速率温度参数模型的材料蠕变本构方程，同时获得实测蠕变数据对应的预测值
Figure BDA0002389370380000043
(iii)计算实测蠕变数据
Figure BDA0002389370380000044
与预测值
Figure BDA0002389370380000045
的对数差值
Figure BDA0002389370380000046
设置可靠度为99％，检验
Figure BDA0002389370380000047
的统计分布规律，偏差量数据在正态概率图上的分布情况如图3所示。Shapiro-Wilk检验结果显示，
Figure BDA0002389370380000048
数据统计量的观察值W(18)＝0.790小于接受假设的临界值W0.01(18)＝0.858，故
Figure BDA0002389370380000049
数据不服从正态分布。从图3中发现，仅有(60℃，550MPa)下的一个数据点偏差量较大。通过检查该试样的整个实验过程，确认该组实验的温度控制出现问题，在部分时间内实际温度仅为50℃，低于设置的实验温度。剔除该无效数据后，重新进行正态分布检验。结果显示，检验统计量的观察值W(17)＝0.958大于接受假设的临界值W0.01(17)＝0.851，故
Figure BDA00023893703800000410
数据服从正态分布，剔除后的偏差量数据在正态概率图上的分布情况如图4所示。
(iv)在
Figure BDA00023893703800000411
数据满足正态分布的前提下，设置显著性水平为0.05，根据
Figure BDA00023893703800000412
数据的正态分布函数，确定置信水平为0.95的双侧置信区间为[-0.2120,0.2125]。由于所有的
Figure BDA00023893703800000413
数据均在该置信区间范围内且剩余试样状态无异常，故
Figure BDA00023893703800000414
数据中无离群值。
(v)综合以上结果，剔除后的
Figure BDA00023893703800000415
数据满足正态分布且无离群值，因此该数据组即为有效蠕变数据组。
实施例2
选取316H不锈钢板材作为研究对象，蠕变试样的取样方向为板内挤压方向，试样尺寸参照GB/T 2039-1997“金属拉伸蠕变及持久试验方法”。实验温度水平分别为500℃、550℃、600℃、650℃、700℃、750℃、800℃，实验应力水平超过10个。
(i)蠕变实验前记录试样的组批、表面质量、加工精度等状态参数：经检查，确认该批次试样取自3个不同批次的挤压板，取样方向一致，表面光滑未见明显缺陷，加工精度满足国标要求；蠕变实验完成后，共获得63个原始蠕变断裂时间数据t实测，数据分布见图5。
(ii)将蠕变断裂时间t实测代入OSD时间温度参数模型中，拟合得到实测数据对应的预测值t预测；
(iii)计算实测数据t实测与预测值t预测的对数差值Δlg(tr)，设置可靠度为95％，检验Δlg(tr)的统计分布规律，偏差量数据在正态概率图上的分布情况如图6所示。K-S检验结果显示，Δlg(tr)数据统计的p值大于0.15，故Δlg(tr)数据服从正态分布。从图6和检验结果可知，虽然材料来源于3个不同批次，但是偏差量数据并未呈现多峰分布的趋势，因此不需要对原始蠕变数据重新划分子组；
(iv)在Δlg(tr)数据满足正态分布的前提下，设置显著性水平为0.01，根据Δlg(tr)数据的正态分布函数，确定置信水平为0.99的双侧置信区间为[-0.4897,0.4897]。由于所有的Δlg(tr)数据均在该置信区间范围内且试样状态均无异常，故Δlg(tr)数据中无离群值。
(v)综合以上结果，原始Δlg(tr)数据满足正态分布且无离群值，所有数据均为有效数据。
实施例3
选取316不锈钢材料作为研究对象，试样尺寸参照GB/T 2039-1997“金属拉伸蠕变及持久试验方法”。实验温度水平分别为500℃、550℃、600℃、650℃、700℃、750℃，实验应力水平超过10个。
(i)蠕变实验前记录试样的组批、表面质量、加工精度等状态参数：经检查，确认该批次试样分别取自两种不同批次的板材及棒材，蠕变试样的取样方向均为板材或棒材的挤压方向，表面光滑未见明显缺陷，加工精度满足国标要求。蠕变实验完成后，共获得41个原始蠕变数据，该数据为蠕变应变1％对应的蠕变时间t实测，数据分布见图7；
(ii)将断裂时间t实测代入MH时间温度参数模型中，拟合得到基于MH时间温度参数模型的蠕变本构方程，同时获得实测数据对应的预测值t预测；
(iii)计算实测数据t实测与预测值t预测的对数差值Δlg(tr)，设置可靠度为95％，检验Δlg(tr)的统计分布规律，偏差量数据在正态概率图上的分布情况如图8所示。Ryan-Joiner检验结果显示，Δlg(tr)数据统计p值为0.044，该值小于0.05，说明Δlg(tr)数据不服从正态分布。从图8的数据分布可知，Δlg(tr)中某些偏差量数据较大。通过查询试样状态，确认以上较大偏差量的数据均取自316不锈钢棒材。因此需要对原始蠕变数据根据材料的种类重新划分子组。由于棒材数据量较小(仅为9个)，需要补充一定数量其他实验条件下的蠕变数据再进行数据处理。下面仅对板材蠕变数据继续进行筛选；
(iv)将板材蠕变数据(32个)仍代入MH时间温度参数模型中，重新拟合蠕变本构方程，获得实测数据对应的预测值t预测；
(v)设置可靠度为95％，检验Δlg(tr)的统计分布规律，偏差量数据在正态概率图上的分布情况如图9所示。Ryan-Joiner检验结果显示，Δlg(tr)数据统计p值大于0.1，说明Δlg(tr)数据服从正态分布。
(vi)在Δlg(tr)数据满足正态分布的前提下，设置显著性水平为0.01，根据Δlg(tr)数据的正态分布函数，确定置信水平为0.99的双侧置信区间为[-0.4549,0.4549]。由于所有的Δlg(tr)数据均在该置信区间范围内且试样状态均无异常，故Δlg(tr)数据中无离群值。
(vii)综合以上结果，经过分组后的Δlg(tr)数据满足正态分布且无离群值，对应的板材蠕变数据均为有效数据。
本发明从数据筛选的角度解决了蠕变数据分散性大的问题，降低了后续材料蠕变性能计算及评估工作的难度，有助于提高蠕变性能预测的可靠性及准确性。
从实施例1和实施例3中都可以证明实测的蠕变数据不一定都是有效数据，而无效数据势必会影响蠕变方程拟合、蠕变性能预测的准确性及可靠性。对比图3和图4、图8和图9，剔除无效数据后，
Figure BDA0002389370380000061
和Δlg(tr)的分布范围(横轴)均变小，说明方程预测的准确性及可靠性提高。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (10)

1.基于统计检验及状态检查的蠕变数据筛选方法，其特征在于，包括以下步骤：
步骤1，对试样进行状态参数记录后，进行蠕变实验，得到实测蠕变数据；
所述实测蠕变数据为稳态蠕变速率、蠕变断裂时间和/或规定蠕变应变对应的蠕变时间；
步骤2，蠕变实验完成后，将蠕变实验条件数据、实测蠕变数据代入蠕变本构模型中，拟合得到对应形式的蠕变本构方程，同时拟合得到实测蠕变数据对应的预测值；
所述蠕变实验条件数据包括蠕变温度、蠕变应力；
所述预测值为稳态蠕变速率、蠕变断裂时间和/或规定蠕变应变对应的蠕变时间；
步骤3，计算所述实测蠕变数据与预测值的函数差值Δf(x)，在设定的可靠度下，检验Δf(x)的统计分布规律，
当Δf(x)无法满足一定的统计分布规律时，需要检查试样的状态参数，当所述试样状态参数无差异时，返回步骤2重新选择材料的蠕变本构模型进行拟合计算，当所述试样状态参数存在差异时，则根据存在差异的状态参数，对原始蠕变数据划分子组，对子组数据分别进行筛选处理；
当Δf(x)满足一定的统计分布规律时，进入步骤4；
步骤4，在满足一定统计规律的前提下，根据设定的显著性水平α，查找Δf(x)数据中的离群值，当Δf(x)数据中存在离群值时，标记离群值对应的实测蠕变数据为无效实测蠕变数据并剔除；
步骤5，完成步骤4后的剩余实测蠕变数据，重复步骤2～4，直至所有剩余实测蠕变数据均判定为有效数据，不再存在离群值。
2.根据权利要求1所述的蠕变数据筛选方法，其特征在于，用于筛选过程的所述实测蠕变数据对应的实验蠕变温度水平不少于3个，对应的实验蠕变应力水平不少于4个。
3.根据权利要求1所述的蠕变数据筛选方法，其特征在于，实测蠕变数据及预测值的计算函数f(x)包括正比例函数、反比例函数、对数函数及上述函数的组合函数。
4.根据权利要求1所述的蠕变数据筛选方法，其特征在于，Δf(x)的统计分布规律包括正态分布、对数正态分布或威布尔分布。
5.根据权利要求1所述的蠕变数据筛选方法，其特征在于，所述步骤3中需要检查的试样状态参数包括试样批次、试样表面质量、加工精度、实验条件控制精度、材料内部缺陷及金相组织。
6.根据权利要求1所述的蠕变数据筛选方法，其特征在于，所述步骤3中验证统计分布的可靠度值根据设备部件分配给结构材料的计算值确定，可靠度的取值范围是0.95-0.997。
7.根据权利要求1所述的蠕变数据筛选方法，其特征在于，所述步骤4中显著性水平α的取值范围是0.01-0.05。
8.根据权利要求1所述的蠕变数据筛选方法，其特征在于，所述步骤4中离群值的判定方法为根据设定的显著性水平α及Δf(x)数据的统计分布函数，确定置信水平为1-α的双侧置信区间，如Δf(x)数据处于该置信区间之外，则判定该数据为离群值。
9.根据权利要求1所述的蠕变数据筛选方法，其特征在于，所述蠕变本构模型为RMB’、LM'、OSD'、MH'、MS'速率温度参数模型或RMB、LM、OSD、MH、MS时间温度参数模型。
10.根据权利要求1所述的蠕变数据筛选方法，其特征在于，用于筛选过程的所述实测蠕变数据对应的实验蠕变温度水平不少于5个，对应的实验蠕变应力水平不少于6个。
CN202010109243.4A 2020-02-21 2020-02-21 基于统计检验及状态检查的蠕变数据筛选方法 Active CN113299351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010109243.4A CN113299351B (zh) 2020-02-21 2020-02-21 基于统计检验及状态检查的蠕变数据筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010109243.4A CN113299351B (zh) 2020-02-21 2020-02-21 基于统计检验及状态检查的蠕变数据筛选方法

Publications (2)

Publication Number Publication Date
CN113299351A true CN113299351A (zh) 2021-08-24
CN113299351B CN113299351B (zh) 2022-08-16

Family

ID=77317621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010109243.4A Active CN113299351B (zh) 2020-02-21 2020-02-21 基于统计检验及状态检查的蠕变数据筛选方法

Country Status (1)

Country Link
CN (1) CN113299351B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114088517A (zh) * 2021-09-24 2022-02-25 核工业理化工程研究院 一种材料蠕变寿命试验的加速条件的评价方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130090902A1 (en) * 2010-06-28 2013-04-11 Yao Yao Method and System for Modeling Fractures in Ductile Rock
CN105004617A (zh) * 2015-07-20 2015-10-28 沈阳工业大学 一种描述金属材料蠕变曲线的方法
CN105808910A (zh) * 2014-12-30 2016-07-27 中核核电运行管理有限公司 锆铌压力管在candu反应堆中的辐照变形计算方法
CN106446390A (zh) * 2016-09-19 2017-02-22 核工业理化工程研究院 金属材料稳态蠕变速率拟合方程的计算方法
CN106446391A (zh) * 2016-09-19 2017-02-22 核工业理化工程研究院 金属材料稳态蠕变速率本构方程的可靠性评价方法
CN107391903A (zh) * 2017-06-07 2017-11-24 上海电力学院 用于马氏体钢的蠕变‑疲劳寿命预测及其可靠性分析方法
CN107885905A (zh) * 2017-10-13 2018-04-06 常州大学 一种基于多截面单试样的蠕变本构模型构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130090902A1 (en) * 2010-06-28 2013-04-11 Yao Yao Method and System for Modeling Fractures in Ductile Rock
CN105808910A (zh) * 2014-12-30 2016-07-27 中核核电运行管理有限公司 锆铌压力管在candu反应堆中的辐照变形计算方法
CN105004617A (zh) * 2015-07-20 2015-10-28 沈阳工业大学 一种描述金属材料蠕变曲线的方法
CN106446390A (zh) * 2016-09-19 2017-02-22 核工业理化工程研究院 金属材料稳态蠕变速率拟合方程的计算方法
CN106446391A (zh) * 2016-09-19 2017-02-22 核工业理化工程研究院 金属材料稳态蠕变速率本构方程的可靠性评价方法
CN107391903A (zh) * 2017-06-07 2017-11-24 上海电力学院 用于马氏体钢的蠕变‑疲劳寿命预测及其可靠性分析方法
CN107885905A (zh) * 2017-10-13 2018-04-06 常州大学 一种基于多截面单试样的蠕变本构模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FRÉDÉRIC ACHEREINER,ET AL: "《Accelerated creep testing of polymers using the stepped isothermal method》", 《POLYMER TESTING》 *
朱杰兵等: "《锦屏水电站绿砂岩三轴卸荷流变试验及非线性损伤蠕变本构模型研究》", 《岩石力学与工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114088517A (zh) * 2021-09-24 2022-02-25 核工业理化工程研究院 一种材料蠕变寿命试验的加速条件的评价方法

Also Published As

Publication number Publication date
CN113299351B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN108132914B (zh) 有限数量产品性能失效率的高置信度统计推断和确认方法
CN113252465B (zh) 一种基于m-h法的耐热钢蠕变寿命预测方法
CN113299351B (zh) 基于统计检验及状态检查的蠕变数据筛选方法
CN112730061B (zh) 一种多级变温变载蠕变寿命评价方法
CN113626970A (zh) 公共管廊管道腐蚀剩余寿命评估方法及系统
CN113906464B (zh) 工艺监控方法、数据处理设备、计算机可读介质以及工艺监控设备
CN117850375B (zh) 一种生产线的多维度监测系统
CN115308063A (zh) 一种已有建筑的混凝土强度抽样检测方法
CN110274844B (zh) 烧结燃料粒度组成检测系统中干燥过程的诊断方法及装置
CN117252486B (zh) 基于物联网的汽车零配件缺陷检测方法及系统
CN112528230A (zh) 基于精密度和分布转换修正的参数一致性控制方法及装置
CN115829335B (zh) 一种面向铝型材加工的生产线执行风险评估系统
CN109213963A (zh) 一种激光沉积成型钛合金疲劳寿命统计分析方法
CN115582522A (zh) 一种高精度铬合金连续铸造成型监测方法及系统
CN109870257B (zh) 一种板材厚度方向淬火残余应力分布预测方法
CN114418600B (zh) 一种食品输入风险监测预警方法
CN114819768B (zh) 一种电容器引出线焊接控制系统
Ramaswamy et al. Time truncated chain sampling plans for generalized exponential distribution
CN113487126A (zh) 一种不合格品动态检测方法
CN110361288B (zh) 一种航空发动机零件表面清洁程度判定方法及系统
CN112748005B (zh) 一种铝合金型材薄弱位置的测算方法
KR20150034482A (ko) 컴퓨터가 수행하는 극소불량률 관리 방법
CN110490493B (zh) 一种基于分安全系数的含缺陷奥氏体不锈钢压力容器安全评定方法
CN111199089B (zh) 管道环焊缝可靠性灵敏度分析方法及装置
KR20220146642A (ko) 금속판의 네킹 한계 왜곡 특정 방법

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