CN113705101A - 基于极限学习机的铝合金减速器壳体铸造参数设计方法 - Google Patents
基于极限学习机的铝合金减速器壳体铸造参数设计方法 Download PDFInfo
- Publication number
- CN113705101A CN113705101A CN202111011663.XA CN202111011663A CN113705101A CN 113705101 A CN113705101 A CN 113705101A CN 202111011663 A CN202111011663 A CN 202111011663A CN 113705101 A CN113705101 A CN 113705101A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- parameters
- aluminum alloy
- casting
- 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 79
- 238000005266 casting Methods 0.000 title claims abstract description 56
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 title claims abstract description 32
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 241000251468 Actinopterygii Species 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 24
- 239000010410 layer Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 238000007711 solidification Methods 0.000 claims description 6
- 230000008023 solidification Effects 0.000 claims description 6
- 210000001787 dendrite Anatomy 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000019637 foraging behavior Effects 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000001816 cooling Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 2
- 229910001141 Ductile iron Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于极限学习机的铝合金减速器壳体铸造参数设计方法。该方法包括:针对主减速器壳体模型设计初步浇注工艺方案,初步选取对质量指标影响较大的工艺参数为极限学习机训练样本点,设计试验获取训练集与测试集,创建训练极限学习机并进行仿真测试,再通过鱼群算法求解最优工艺参数,最终进行生产验证。本发明将铝合金主减速器壳体铸造方法程序化,利用极限学习机与鱼群算法相结合,科学地预测并减少铝合金主减速器壳体的铸造缺陷,提高成型质量,降低制造成本。
Description
技术领域
本发明涉及一种铝合金减速器壳体铸造参数设计方法,属于铸造成型技术领域,具 体地说是一种基于极限学习机的铝合金减速器壳体铸造参数设计方法。
背景技术
汽车减速器壳体作为重要零部件,提供对主减速器的支承与防护,承受传动轴、车架与道路传递的载荷,直接影响车辆的可靠性与操纵稳定性。传统的减速器壳体材料为 球墨铸铁,而随着汽车轻量化发展的需求,铝合金等轻质材料具有质量轻,综合性能好 等特性,逐步被用于减速器壳体部件的制造。
目前,铝合金减速器壳体的主要制造方法为铸造法,铸造缺陷主要为缩松缩孔缺陷。 此类缺陷是由于铸造工艺参数设置不合理导致,多分布于壳体的主动齿轮外轴承处与差 速器轴承座处。这使得此受载区域力学性能下降,在车辆行驶过程中出现壳体开裂等现象。
为消除铸造缺陷,现阶段厂家多采用经验法或者简单调参法进行工艺参数设计,即 凭借生产经验确定工艺参数,或者是在缺乏科学方法的情况下,不断地调整参数,通过简单的穷举来获得较优工艺参数。此类方法需要耗费大量成本,最终也很难得到合理的 工艺参数,消除铸造缺陷。因此,为了能够高效的解决铝合金减速器壳体的铸造缺陷, 一种科学的铸造工艺参数设计方法是必需的。
发明内容
本发明的目的是针对目前铝合金减速器壳体铸造过程中铸件缺陷难以消除的问题, 提供一种基于极限学习机的铝合金减速器壳体铸造参数设计方法,该方法能够科学高效 地确定最优工艺参数组合,提高减速器壳体的成型质量,减少铸造缺陷,降低制造成本,并提高生产效率。
本发明采用的技术方案是:一种基于极限学习机的铝合金减速器壳体铸造参数设计 方法,包括以下步骤:
步骤一:减速器壳体初步浇注工艺方案设计;
根据铝合金减速器壳体的结构进行工艺方案设计,使用铸造仿真软件进行数值模拟, 并根据模拟结果对工艺方案进行改进,得到合理的初步工艺方案。
步骤二:优化工艺参数的确定与试验设计;
根据初步工艺方案的结果,分析选取多个工艺参数为优化变量,选择合理的优化目 标,提取一定数量的试验样本点并通过数值仿真得到对应的样本数据。
步骤三:基于极限学习机的模型训练与仿真测试;
基于步骤二获取的试验样本获取极限学习机训练集与测试集,创建训练极限学习机 并进行仿真测试,获取精度较高的极限学习机回归模型。
步骤四:基于鱼群算法的参数寻优;
采用鱼群算法,针对极限学习机回归模型进行参数寻优,获取设计空间内最优工艺 参数组合。
步骤五:生产验证;
针对步骤四中得到的最优工艺参数进行试制验证,获取最终方案,得到合格铸件并 投入生产。
进一步地,所述步骤一中,工艺方案设计包括以下几点:
(1)浇注系统设计,包括升液管,直浇道,横浇道,浇口等。
(2)模具设计,包括上模具,下模具,侧模具,分流锥,砂芯与排气系统等。
(3)材料参数设计,其中铸件材料为铝合金,模具材料为H13模具钢。
(4)时间参数设计,包括升液时间,充型时间,增压时间,保压时间与卸压时间。
(5)压力参数设计,与时间参数对应,包括升液压力,充型压力,增/保压压力,卸压压力。
(6)温度参数设计,包括浇注温度,各模具预热温度。
进一步地,所述步骤一中,数值模拟包括模型检查、网格划分、参数赋予、边界条件设置。有参考价值的模拟结果为充型压力场,温度分布场,凝固时间图,孔隙缺陷分 布图与二次枝晶臂间距分布图等。
进一步地,所述步骤二中,优化变量是指在铸造过程中可调控的工艺参数,优化目标是指铸件质量指标参数。试验样本点是根据正交试验法与均匀化试验法所确定的合理分布的工艺参数组。
进一步地,所述步骤三中,极限学习机使用单层前馈神经网络结构,其组成包括输入层、隐含层和输出层。极限学习机模型预测精度根据其预测值与样本值的误差来评价。
进一步地,所述步骤四中,鱼群算法通过模拟鱼类行为在设计空间内进行寻优,具体行为包括鱼群初始化,觅食行为,聚群行为,追尾行为与随机行为。
进一步地,所述的可调控工艺参数为时间参数,压力参数与温度参数;所述的铸件质量指标参数包括孔隙缺陷,热裂纹,裹气量,二次枝晶臂间距与凝固时间等。
进一步地,极限学习机的隐含层输出T为:
T=h(x)β
其中,β为输出权值,x为极限学习机输入,h(x)为激励函数。
h(x)激励函数的作用是将输入层的数据由其原本的空间映射到极限学习机的特征 空间,可表示为:
h(x)=G(ω,b,x)
其中,ω为输入权值,b为隐含层神经元的阈值。
h(x)激励函数具有随机性,可以是任意非线性的片段连续函数,包括三角函数,高斯函数,径向基函数,Sigmoid函数,双曲正弦函数等。
本发明具有以下有益效果:
(1)本发明可针对不同类型的铝合金减速器壳体,具有较高的适用性。
(2)本发明提出了最优工艺参数组的设计方法,解决了目前铸造工艺参数设计依赖工 程师经验的问题。
(3)本发明利用极限学习机与鱼群算法结合,得到精准的预测模型并解得最优参数组, 与简单的调参法相比,较好地缩短了设计周期,节省时间成本。
附图说明
图1是本发明方法的流程图。
图2是本发明实例中减速器壳体结构示意图。
图3为本发明实例中减速器壳体铸造压力曲线示意图。
图4是本发明中铸件与模具的换热系数变化曲线。
图5为本发明中极限学习机模型结构原理图。
图6为本发明实例中样本试验值与极限学习机模型输出预测值的对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明,以下结合附图及实施例,对本发明进行 进一步详细描述。
基于极限学习机的铝合金减速器壳体铸造参数设计方法,其流程图如图1所示,包括以下步骤:
步骤一:减速器壳体初步浇注工艺方案设计;
本发明实例所使用的铝合金减速器壳体结构如图2。此处采用低压铸造工艺,采用水平分型面,分型面设置为壳体与后桥壳的安装平面。浇注方式采用底注式,在差速器 轴承座处设置浇口。在壳体主动齿轮外轴承、差速器轴承座等处设置冷却,冷却方式为 点冷,冷却介质为水。根据图纸在三维建模环境中进行1:1的三维模型建立,保存为 STL格式导出。根据生产经验,确定使用A356.2铝合金为铸件材料,H13模具钢为模 具材料,浇注温度680℃,模具温度250℃,其压力曲线示意图见图3,各项压力参数如 表1所示。
表1铸造压力工艺参数
将创建好的模型导入铸造模拟环境,设置初步确定的各项工艺参数,对其进行网格 划分,定义材料、属性,设置边界条件,其中模具与模具之间的换热系数为1500W·(m2·K)-1,模具与外部环境(环境温度20℃)的换热系数为11.23W·(m2·K)-1,铸件与模具 的换热系数见图4。
步骤二:优化工艺参数的确定与试验设计;
利用铸造模拟软件对初步工艺方案进行计算分析,得到初步方案仿真结果,对比分 析充型压力场、凝固温度场、液相率场等充型凝固过程与孔隙缺陷分布、二次枝晶臂间距分布等质量指标特征,对方案进行简单改进,并初步确定对质量指标影响较大的工艺 参数为优化变量。
本发明实例中,对减速器壳体的孔隙缺陷指标影响较大的参数主要为温度参数与充 型速度参数。减速器壳体具有轴承座区域较厚,中间连接区域较薄的特点,铸件截面积变化较大,充型速度对充型过程中液面的稳定有较大影响。同时,浇注温度与模具温度 对冷却温度梯度影响较大,若薄壁区域先行凝固,将造成补缩不畅。因此,本实例以孔 隙率为优化目标,选择浇注温度(A),上模具预热温度(B),下模具预热温度(C)为温度优 化变量,以充型时间(D)为充型速度优化变量,各变量范围,即设计空间见表2。
表2优化变量的设计空间
通过设计正交试验,对四个变量均取四个水平,设16组试验,并采用均匀化试验法进行补充试验,共获得29组试验点,即为样本试验点。依次计算得到29个对应的孔 隙率值,其结果见表3。
表3试验样本数据
步骤三:极限学习机训练与仿真测试;
针对步骤二中获取的样本,随机选取25组样本作为训练集,4组样本作为测试集。为了减少变量差异较大对模型性能的影响,先对数据进行归一化处理。创建并训练极限 学习机,其应用类型取值为0,代表回归问题,激励函数h(x)取sig函数,并随机生成 输入权值ω与隐含层神经元的阈值b。初始选取小于训练样本个数的隐含层神经元个数, 训练与测试在不同隐含层神经元数量下的极限学习机模型,直至模型输出的预测值与试 验值误差最小。选取该隐含层神经元个数下的模型,输出针对训练、测试样本的预测值, 并计算与试验值的误差,见表4。
表4样本试验值与模型预测值对比
根据表中的数据,可得试验值与预测值之间的对比图如图6。可以看出,模型输出的预测值与试验值的误差较小。证明本次训练所得到的极限学习机模型可以较为精确的反应各工艺参数与孔隙率指标之间的关系。
步骤四:鱼群算法参数寻优;
采用鱼群算法,针对极限学习机回归模型进行参数寻优,获取设计空间内最优工艺 参数组合。应用鱼群算法进行铝合金减速器壳体铸造工艺参数的优化时,需确定以下参数:人工鱼总数N,人工鱼移动最大步长step,人工鱼的感知距离Visual,重复尝试最 大次数try-number以及拥挤度因子delta。本实例中所选取的参数见表5。
表5鱼群算法运行参数设定
本实例中,鱼群算法的目标函数为步骤三中所确定的极限学习机回归模型,即孔隙 率评价值与工艺参数的非线性模型,对该目标函数进行优化计算,最终得到的最优孔隙率预测值为0.389,与之对应的最优工艺参数组合见表6。
表6最优工艺参数组合
针对以上鱼群算法所得最优工艺参数进行模拟验证,计算所得试验值为0.396,误差为-0.007,进一步验证了模型的准确性,也确定了该最优工艺参数的合理性。
步骤五:生产验证;
针对步骤四中得到的最优工艺参数进行试制验证,获取最终方案,得到合格铸件并 投入生产。
本发明提出一种基于极限学习机的铝合金减速器壳体铸造参数设计方法,通过采取 上述技术方案,将铝合金减速器壳体铸造流程程序化,科学高效地确定最优工艺参数组合,提高主减速器壳体的成型质量,减少铸造缺陷,降低制造成本成本,并提高生产效 率。
以上结合附图以及具体实施方案对本发明专利的实施方式做出详细说明,但本发明 专利不局限于所描述的实施方式。对本领域的普通技术人员而言,在本发明专利的原理和技术思想的范围内,对这些实施方式进行多种变化、修改、替换和变形仍落入本发明 专利的保护范围内。
Claims (8)
1.一种基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:包括以下步骤:
步骤一:减速器壳体初步浇注工艺方案设计;
根据铝合金减速器壳体的结构进行工艺方案设计,使用铸造仿真软件进行数值模拟,并根据模拟结果对工艺方案进行改进,得到合理的初步工艺方案;
步骤二:优化工艺参数的确定与试验设计;
根据初步工艺方案的结果,分析选取多个工艺参数为优化变量,选择合理的优化目标,提取试验样本点并通过数值仿真得到对应的样本数据;
步骤三:基于极限学习机的模型训练与仿真测试;
基于步骤二获取的试验样本获取极限学习机训练集与测试集,创建训练极限学习机并进行仿真测试,获取精度较高的极限学习机回归模型;
步骤四:基于鱼群算法的参数寻优;
采用鱼群算法,针对极限学习机回归模型进行参数寻优,获取设计空间内最优工艺参数组合;
步骤五:生产验证;
针对步骤四中得到的最优工艺参数进行试制验证,获取最终方案,得到合格铸件并投入生产。
2.根据权利要求1所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述步骤一中,所述工艺方案设计包括以下几点:
(1)浇注系统设计,包括升液管,直浇道,横浇道,浇口;
(2)模具设计,包括上模具,下模具,侧模具,分流锥,砂芯与排气系统;
(3)材料参数设计,其中铸件材料为铝合金,模具材料为H13模具钢;
(4)时间参数设计,包括升液时间,充型时间,增压时间,保压时间与卸压时间;
(5)压力参数设计,与时间参数对应,包括升液压力,充型压力,增/保压压力,卸压压力;
(6)温度参数设计,包括浇注温度,各模具预热温度。
3.根据权利要求1所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述步骤一中,所述数值模拟包括模型检查、网格划分、参数赋予、边界条件设置;所述模拟结果为充型压力场,温度分布场,凝固时间图,孔隙缺陷分布图与二次枝晶臂间距分布图。
4.根据权利要求2所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述步骤二中,所述优化变量是指在铸造过程中可调控的工艺参数,所述优化目标是指铸件质量指标参数,所述试验样本点是根据正交试验法与均匀化试验法所确定的合理分布的工艺参数组。
5.根据权利要求4所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述可调控的工艺参数为时间参数,压力参数与温度参数;所述的铸件质量指标参数包括孔隙缺陷,热裂纹,裹气量,二次枝晶臂间距与凝固时间。
6.根据权利要求1所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述步骤三中,所述极限学习机使用单层前馈神经网络结构,其组成包括输入层、隐含层和输出层;极限学习机模型预测精度根据其预测值与样本值的误差来评价。
7.根据权利要求1所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述步骤四中,所述鱼群算法通过模拟鱼类行为在设计空间内进行寻优,具体行为包括鱼群初始化,觅食行为,聚群行为,追尾行为与随机行为。
8.根据权利要求1所述的基于极限学习机的铝合金减速器壳体铸造参数设计方法,其特征在于:所述极限学习机的隐含层输出T为:
T=h(x)β
其中,β为输出权值,x为极限学习机输入,h(x)为激励函数;
h(x)激励函数的作用是将输入层的数据由其原本的空间映射到极限学习机的特征空间,表示为:
h(x)=G(ω,b,x)
其中,ω为输入权值,b为隐含层神经元的阈值;
h(x)激励函数具有随机性,是任意非线性的片段连续函数,包括三角函数,高斯函数,径向基函数,Sigmoid函数,双曲正弦函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011663.XA CN113705101A (zh) | 2021-08-31 | 2021-08-31 | 基于极限学习机的铝合金减速器壳体铸造参数设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011663.XA CN113705101A (zh) | 2021-08-31 | 2021-08-31 | 基于极限学习机的铝合金减速器壳体铸造参数设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705101A true CN113705101A (zh) | 2021-11-26 |
Family
ID=78657889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011663.XA Pending CN113705101A (zh) | 2021-08-31 | 2021-08-31 | 基于极限学习机的铝合金减速器壳体铸造参数设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705101A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
CN106649964A (zh) * | 2016-10-17 | 2017-05-10 | 贵州大学 | 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法 |
CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
CN111014617A (zh) * | 2019-12-13 | 2020-04-17 | 西安航天发动机有限公司 | 基于反重力铸造的带有螺旋形结构薄壁蜗壳壳体成形方法 |
US20210001399A1 (en) * | 2019-07-05 | 2021-01-07 | Raytheon Technologies Corporation | Commercial Scale Casting Process including Optimization via Multi-Fidelity Optimization |
-
2021
- 2021-08-31 CN CN202111011663.XA patent/CN113705101A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
CN106649964A (zh) * | 2016-10-17 | 2017-05-10 | 贵州大学 | 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法 |
CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
US20210001399A1 (en) * | 2019-07-05 | 2021-01-07 | Raytheon Technologies Corporation | Commercial Scale Casting Process including Optimization via Multi-Fidelity Optimization |
CN111014617A (zh) * | 2019-12-13 | 2020-04-17 | 西安航天发动机有限公司 | 基于反重力铸造的带有螺旋形结构薄壁蜗壳壳体成形方法 |
Non-Patent Citations (2)
Title |
---|
吉宏;于涛;: "离合器壳体砂型低压铸造工艺的研究", 汽车科技, no. 03 * |
陈川川;苏小平;周大双;李智;: "基于遗传算法的铝合金转向节差压铸造工艺参数优化", 热加工工艺, no. 19 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106649964B (zh) | 一种基于ga-elm算法的铝合金压铸件晶粒尺寸预测方法 | |
CN113642160A (zh) | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 | |
CN108304657A (zh) | 基于有限元的机床关重件残余应力多工序连续建模仿真方法 | |
CN110976830B (zh) | 一种铝合金换挡毂铸造缺陷的控制方法 | |
CN113642121A (zh) | 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 | |
Hsu et al. | Minimum porosity formation in pressure die casting by Taguchi method | |
CN116882585A (zh) | 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法 | |
Wang et al. | An optimization method of gating system for impeller by RSM and simulation in investment casting | |
Ktari et al. | Digital twin of functional gating system in 3D printed molds for sand casting using a neural network | |
Agapovichev et al. | Application of additive technologies in the production of aircraft engine parts | |
Yalçin et al. | Effect of injection parameters and vacuum on the strength and porosity amount of die-casted A380 alloy | |
CN113642855B (zh) | 一种基于知识模型库的汽车铝合金转向节差压铸造质量优化的方法 | |
CN110502779B (zh) | 一种基于模糊推理的注塑成型模具的智能设计方法 | |
CN113705101A (zh) | 基于极限学习机的铝合金减速器壳体铸造参数设计方法 | |
Duan et al. | Multiscale fatigue-prediction method to assess life of A356-T6 alloy wheel under biaxial loads | |
CN110334416A (zh) | 双性能盘锻造时的预制坯优化设计方法 | |
CN109604529A (zh) | 基于砂芯3d打印技术的铸造工艺快速验证方法 | |
CN116629062A (zh) | 一种模温平衡评估方法、系统、计算机设备及存储介质 | |
CN112836297A (zh) | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 | |
Sutiyoko et al. | Prediction of shrinkage porosity in femoral stem of titanium investment casting | |
Frolova | Search procedure for optimal design and technological solutions to ensure dimensional and geometric accuracy of castings | |
Ktari et al. | Bridging FEM and Artificial Neural Network in gating system design for smart 3D sand casting | |
Yang et al. | Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front‐End Frame | |
CN114997004A (zh) | 一种基于有限元仿真和rnn神经网络的贮箱内撑夹具装调质量预测方法 | |
CN106523426A (zh) | 核电站主泵叶轮的开发制造方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211126 |