CN114764525A - 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 - Google Patents
针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 Download PDFInfo
- Publication number
- CN114764525A CN114764525A CN202110042207.5A CN202110042207A CN114764525A CN 114764525 A CN114764525 A CN 114764525A CN 202110042207 A CN202110042207 A CN 202110042207A CN 114764525 A CN114764525 A CN 114764525A
- Authority
- CN
- China
- Prior art keywords
- grain size
- forging
- axle
- model
- grain
- 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
- 238000005242 forging Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 135
- 230000008569 process Effects 0.000 title claims abstract description 79
- 235000013339 cereals Nutrition 0.000 claims abstract description 249
- 238000004088 simulation Methods 0.000 claims abstract description 77
- 238000001953 recrystallisation Methods 0.000 claims abstract description 38
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 36
- 239000010959 steel Substances 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000002474 experimental method Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 238000010438 heat treatment Methods 0.000 claims abstract description 8
- 235000020985 whole grains Nutrition 0.000 claims abstract description 7
- 238000004321 preservation Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 47
- 239000013078 crystal Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000005096 rolling process Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research 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
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- 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
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Forging (AREA)
Abstract
一种车轴锻件的晶粒尺寸快速预测方法,基于单道次、双道次热模拟实验和加热保温实验,分别构建所用材料的动态再结晶模型、亚动态再结晶及静态再结晶模型和晶粒长大模型,从而搭建针对车轴钢的宏微观集成仿真平台,设计不同工艺参数的成形工艺方案并分别在宏微观集成仿真平台中对车轴不同工艺方案下的锻造过程进行全流程晶粒尺寸演变的数值仿真,建立车轴锻件晶粒尺寸评价标准,获取用于训练多层神经网络的数据集,最后将训练后的多层神经网络进行车轴锻件整体晶粒尺寸及均匀度的快速预测。本发明预测效果明显优于现有单工序神经网络建立的晶粒尺寸预测模型,可以对锻件整体的晶粒尺寸情况进行快速准确预测,大幅提高预测效率,有效抑制现有神经网络技术在样本集较小、非线性程度较高时的过拟合现象。
Description
技术领域
本发明涉及的是一种锻造领域的技术,具体是一种针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法。
背景技术
随着我国高速铁路的快速发展,高铁车轴的性能要求也变得越来越高,提高车轴的锻件性能成为车轴锻件生产的重要目标。晶粒尺寸及晶粒均匀度是决定车轴锻件性能的重要因素,因此对于车轴锻件的晶粒尺寸进行快速预测与控制具有重要的工程意义。
车轴的晶粒尺寸在实际生产过程中难以实现测量和追踪,只能依赖于经验通过调整材料性能和工艺参数对车轴锻造过程的晶粒尺寸进行控制,偶然性较大且难以验证。利用数值模拟手段可以实现对于车轴锻件成形过程晶粒尺寸的实时追踪与评估,但是车轴的不同部位晶粒尺寸差异较大,目前没有针对车轴锻件整体晶粒尺寸分布的评价指标,且车轴属于大锻件需要多道次多工步成形,有限元模型建模过程复杂且计算时间较长,晶粒尺寸预测效率较低。
发明内容
本发明针对现有技术存在的上述不足,提出一种车轴锻件的晶粒尺寸快速预测方法,通过系统地建立材料的微观演变模型并搭建宏微观集成仿真平台,实现车轴锻造过程的晶粒尺寸演变全流程实时追踪;在此基础上建立车轴锻件晶粒尺寸评价标准,可以对锻件整体的晶粒尺寸分布情况进行有效评估;最后基于神经网络建立工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型,预测效果明显优于现有单工序神经网络建立的晶粒尺寸预测模型,可以对锻件整体的晶粒尺寸情况进行快速准确预测,大幅提高预测效率,有效抑制现有神经网络技术在样本集较小、非线性程度较高时的过拟合现象。
本发明是通过以下技术方案实现的:
本发明涉及一种车轴锻件的晶粒尺寸快速预测方法,基于单道次、双道次热模拟实验和加热保温实验,分别构建所用材料的动态再结晶模型、亚动态再结晶及静态再结晶模型和晶粒长大模型,从而搭建针对车轴钢的宏微观集成仿真平台,设计不同工艺参数的成形工艺方案并分别在宏微观集成仿真平台中对车轴不同工艺方案下的锻造过程进行全流程晶粒尺寸演变的数值仿真,建立车轴锻件晶粒尺寸评价标准,获取用于训练多层神经网络的数据集,最后将训练后的多层神经网络进行车轴锻件整体晶粒尺寸及均匀度的快速预测。
所述的单道次热模拟实验包括:900-1200℃的变形温度区间和0.01-10/s的应变速率区间条件下的压缩实验。
所述的动态再结晶模型包括:动态再结晶动力学模型及晶粒尺寸模型其中:ε>εc,Xdrx为动态再结晶分数,ε为变形的应变,εc为动态再结晶临界应变,ε0.5为发生50%动态再结晶时的应变,Ddrx为动态再结晶晶粒尺寸(μm),为应变速率,Q为形变激活能(J/mol),R为气体普适常数,T为绝对温度(K),a、A、n、b为与车轴钢材料相关的参数。
所述的双道次热模拟实验包括:温度在900-1200℃之间、应变速率在0.01-1/s之间、预应变在0.1-0.5之间、初始晶粒尺寸在160-250μm之间、道次间隔设置在1-300s条件下的双道次压缩实验。
所述的亚动态再结晶及静态再结晶模型包括:亚动态/静态再结晶动力学模型及晶粒尺寸模型其中:t为时间,t0.5为发生50%亚动态/静态再结晶需要的时间,X为亚动态/静态再结晶体积分数,A、k、m、l、p、n为材料参数,Q为形变激活能(J/mol),T为绝对温度(K),X为亚动态/静态再结晶的软化分数,ε和分别为应变和应变速率,D为亚动态/静态再结晶的晶粒尺寸(μm)。
所述的加热保温实验,即温度在900-1200℃、保温时间在0-8h条件下的加热保温。
所述的晶粒长大模型是一种针对车轴钢的两段式模型,在900-950℃车轴钢晶粒长大速度较慢,在950-1200℃车轴钢晶粒长大速度较快,故在两个区间分别建立车轴钢的晶粒长大模型其中:dt为在t时刻的晶粒尺寸(μm),d0为初始状态的晶粒尺寸(μm),t为保温时长(s),T为保温过程的温度(K),Q为激活能(J/mol),R为气体常数,A和n为和车轴钢相关的晶粒长大参数。
所述的宏微观集成仿真平台,通过将模型编译成有限元软件FORGE可识别的子程序组成,具体为:力学模型及微观晶粒演变模型的写入以及所用车轴钢材料库的编写两个过程,通过有限元软件FORGE提供的用户自定义接口集成到软件中,实现对车轴多工步多道次成形过程的全流程宏微观集成仿真。
所述的宏微观集成仿真平台,优选经压缩实验进行有限元模型校准,该压缩实验包括:单道次与双道次热压缩实验,根据实验结果校准有限元模型的模拟结果,保证数值模拟的准确性。
所述的宏微观集成仿真包括:对车轴锻造过程宏观意义上的力学性能和外形尺寸仿真以及微观意义上的车轴锻造全流程微观晶粒演变实时追踪。
所述的车轴锻造过程全流程包括:倒棱、滚圆、粗锻轴颈、精锻轴颈四个工步。
所述的工艺参数包括:坯料的初始晶粒尺寸和成形过程的压下量。
所述的成形工艺方案包括:不同坯料初始晶粒尺寸、倒棱压下量、滚圆压下量、粗锻轴颈压下量以及精锻轴颈压下量的工艺参数组合。
所述的全流程晶粒尺寸演变的数值仿真包括:车轴锻件在倒棱、滚圆、粗锻轴颈、精锻轴颈四个工步下不同部位的晶粒尺寸演变情况。
所述的车轴锻件晶粒尺寸评价标准包括车轴锻件样本点的选取和晶粒尺寸评价函数。车轴锻件样本点的选取应包括车轴锻件轴向与径向的不同部位、涵盖各个晶粒尺寸区间。晶粒尺寸评价函数包括:锻件平均晶粒尺寸以及晶粒均匀性函数其中:为车轴锻件平均晶粒尺寸,n为样本点数目,Gi为第i个样本点的晶粒尺寸,W为车轴锻件晶粒均匀度。
所述的训练多层神经网络的数据集包括:坯料初始晶粒尺寸、倒棱压下率、滚圆压下率、粗锻轴颈压下率、精锻轴颈压下率、锻件平均晶粒尺寸以及锻件晶粒均匀度。
所述的工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型考虑到前后两个工步之间晶粒尺寸的相互影响,以每个工步开始时的平均晶粒尺寸、晶粒均匀度以及压下率为输入参数,以工步结束后的平均晶粒尺寸及晶粒均匀度作为输出参数进行多工步之间的迭代计算。
所述的多层神经网络包括:输入层、多隐藏层和输出层,输入层和输出层节点数根据输入和输出参数确定,隐藏层节点数其中:m和n分别为输入、输出层的节点数,p一般为1-10之间的整数,该神经网络以倒棱压下率与坯料初始晶粒尺寸作为输入参数,以倒棱结束后的平均晶粒尺寸及晶粒均匀度作为输出参数;以滚圆压下率与倒棱过程平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练过程中迭代计算,以滚圆结束后的平均晶粒尺寸及晶粒均匀度为输出参数;以滚圆平均晶粒尺寸及晶粒均匀度与粗锻轴颈压下率同时作为输入参数在训练中迭代计算,以粗锻轴颈平均晶粒尺寸及晶粒均匀度为输出参数;以精锻轴颈压下率和粗锻轴颈平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练中迭代计算,以锻件最终平均晶粒尺寸及晶粒均匀度为输出参数,实现锻件最终晶粒尺寸分布的预测。
所述的训练是指:对不同的隐藏层层数和节点数、学习率、激活函数、正则化系数分别进行训练,综合考虑模型对晶粒尺寸分布的预测精度,确定最佳的模型参数。
本发明涉及一种实现上述方法的系统,包括:材料模型模块、宏微观集成仿真模块、车轴锻造数据模块以及晶粒尺寸预测模块,其中:宏微观集成仿真模块将建立的材料模型嵌入软件实现车轴锻造过程的宏微观集成仿真,车轴锻造数据模块从宏微观集成仿真模块中提取样本集数据并输出到晶粒尺寸预测模块中,通过神经网络的训练与优化实现车轴锻件晶粒尺寸的快速精确预测。
技术效果
本发明整体解决了现有技术主要依赖于经验和有限元仿真来控制车轴锻造过程的晶粒尺寸造成时间长、成本高的问题。与现有技术相比,本发明针对车轴钢锻造工艺特点,通过设计不同的车轴钢热成形实验,系统地构建了车轴钢锻造过程中晶粒全演变模型,并以此建立车轴钢的宏微观集成仿真平台,实现车轴锻造过程的晶粒尺寸演变全流程实时追踪;通过建立车轴锻件晶粒尺寸的评价标准,以平均晶粒尺寸和晶粒均匀度为指标实现对车轴锻件整体晶粒尺寸的量化评估;基于车轴锻造全流程仿真模型数据,建立工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型,在训练集数量较小的情况下,所获得预测模型的预测效果明显优于通过现有单工序神经网络建立的预测模型,实现了车轴多道次多工步锻造成形过程晶粒尺寸的实时追踪与快速预测,可以有效地提高车轴锻造工艺和模具的设计效率。
附图说明
图1为本发明方法流程图;
图2为单道次热模拟实验与模拟结果对比图;
图3为双道次热模拟实验与模拟结果对比图;
图4为车轴锻造全流程晶粒尺寸演变数值仿真模型示意图;
图5是锻件样本点选取示意图;
图6为两种不同工艺方案下的晶粒尺寸分布对比图;
图7为工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型示意图;
图8为现有单工序神经网络建立的晶粒尺寸预测模型示意图;
图9为现有单工序神经网络建立的晶粒尺寸预测模型与工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型预测精度对比示意图。
具体实施方式
如图1所示,为本实施例涉及一种车轴锻件的晶粒尺寸快速预测方法,包括以下步骤:
步骤1:对某牌号车轴钢设计不同类型的实验,系统地建立起车轴钢的力学模型及微观晶粒演变模型,该设计包括:900℃、1000℃、1100℃和1200℃四个温度以及0.01/s、0.05/s、0.1/s、1/s、10/s五个应变速率条件下的单道次热模拟实验,根据实验结果构建车轴钢的动态再结晶模型为:设计包括:950℃、1050℃、1150℃三个温度,0.01/s、0.1/s、1/s三个应变速率,0.1、0.15、0.2三种预应变,190μm、210μm、235μm三种初始晶粒尺寸,在1s、10s、30s、60s、120s、300s的道次间隔下的双道次热模拟实验,确定车轴钢的静态再结晶及亚动态再结晶模型为:
设计包括:900、950、1000、1050、1100、1150℃六个温度以及0、1h、2h、4h、8h五个保温时间的车轴钢加热保温实验,根据晶粒长大速度快慢构建针对车轴钢的两段式晶粒长大模型为:当加热温度满足900℃<T<950℃时当加热温度满足950℃<T<1200℃时,
步骤2:将步骤1中确定的车轴钢微观晶粒演变模型编译成有限元软件FORGE可识别的子程序,搭建车轴钢的有限元宏微观集成仿真平台,并根据车轴钢的压缩实验进行有限元模型校准,最后实现车轴锻造过程全流程的宏微观集成仿真。
子程序开发通过Fortran语言编译首先将步骤1建立的车轴钢力学模型及微观晶粒演变模型写入到FORGE自定义文件中并生成DLL动态库,进行用户自定义求解器的注册,同时根据步骤1建立的模型参数编译车轴钢的材料库以及多道次成形过程文件的编译,在FORGE软件中实现车轴锻造过程全流程的宏微观集成仿真。
如图2和图3所示,为不同压缩实验条件下的晶粒尺寸模拟值与实验值对比情况,压缩实验包括:1000℃、0.01/s的单道次热模拟实验以及1050℃、0.1/s、预应变0.35的双道次热模拟实验,1000℃、0.01/s单道次实验条件下的晶粒尺寸模拟值与实验值分别为34.2μm和37.3μm,在1050℃、0.1/s条件下的双道次实验模拟值与实验值分别为31.2μm和34.3μm,不同压缩实验的晶粒尺寸模拟值与实验值误差控制在10%以下,所建立的宏微观仿真平台能够比较精确地预测车轴钢成形过程的晶粒尺寸演变过程。
步骤3:针对车轴锻造过程设计不同工艺参数的成形工艺方案,并利用步骤2搭建的宏微观集成仿真平台对车轴不同工艺方案下的锻造过程进行全流程晶粒尺寸演变的数值仿真,其中车轴锻造全流程晶粒尺寸演变的数值仿真过程如图4所示,包括:车轴锻件在倒棱、滚圆、粗锻轴颈、精锻轴颈四个工步下的晶粒尺寸演变情况的数值仿真。
坯料的初始晶粒尺寸和成形过程的压下量对车轴锻造过程晶粒尺寸演变影响较大,因此针对坯料初始晶粒尺寸和压下量设计有限元正交实验计划,研究车轴锻件的晶粒尺寸演变情况。其中正交实验计划包括:110μm、140μm、160μm、190μm、210μm、240μm六组不同的坯料初始晶粒尺寸,倒棱+滚圆过程设计110+14mm、100+24mm、90+34mm、80+44mm四种不同参数组合,锻轴颈过程设计40+6mm、30+16mm、20+26mm、10+36mm四种参数组合,共计96组有限元仿真计划。
步骤4:基于步骤3获得的车轴锻件晶粒尺寸模拟结果进行样本点晶粒尺寸的数据提取,在此基础上建立车轴锻件的晶粒尺寸评价函数,对车轴锻件整体的晶粒分布状况做出有效评估,并获取神经网络训练所需要的数据。
车轴锻件样本点的选取方式如图5所示,所选取的样本点包括:车轴锻件轴向与径向的不同部位、涵盖各个晶粒尺寸区间共计95个样本数据点。根据选取的样本数据点晶粒尺寸数据,计算不同工艺方案下的晶粒尺寸评价函数值,其中晶粒尺寸评价函数包括:锻件平均晶粒尺寸以及晶粒均匀性函数其中:为车轴锻件平均晶粒尺寸,n为样本点数目,Gi为第i个样本点的晶粒尺寸,W为车轴锻件晶粒均匀度。
选取压下量组合为倒棱100mm、滚圆24mm、粗锻轴颈40mm、精锻轴颈6mm,坯料初始晶粒尺寸为110μm的方案1和210μm的方案2。图6为两种工艺方案的车轴锻件晶粒尺寸评价函数值对比情况,方案1的平均晶粒尺寸为36.4μm,方案2的平均晶粒尺寸为43.9μm,平均晶粒尺寸可以反映出方案1相对方案2来说锻件晶粒尺寸相对较小的情况;方案1的晶粒均匀性函数值为8.6,方案2的晶粒均匀性函数值为3.9,晶粒均匀性函数值可以较准确地反映出方案1晶粒尺寸分布相对方案2来说锻件晶粒尺寸分布不均匀的情况。依据车轴锻造仿真样本数据点建立的评价函数能够比较好地对车轴锻件整体的晶粒尺寸以及晶粒组织的均匀性情况进行有效评估。
提取并统计神经网络训练所需要的数据,包括:坯料初始晶粒尺寸、倒棱压下率、滚圆压下率、粗锻轴颈压下率、精锻轴颈压下率、不同工艺方案下锻件的平均晶粒尺寸以及晶粒均匀度。
步骤5:基于多层神经网络构建工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型,并利用步骤4获得的数据对神经网络进行训练,优化神经网络模型参数,实现对于车轴锻件晶粒尺寸的快速预测。
如图7所示,考虑到前后两个工步之间晶粒尺寸分布的相互影响,以每个工步开始时的平均晶粒尺寸及晶粒均匀度以及压下率为输入参数,以工步结束后的平均晶粒尺寸及晶粒均匀度作为输出参数进行多工步之间的迭代计算,具体为:以倒棱压下率与坯料初始晶粒尺寸作为输入参数,以倒棱结束后的平均晶粒尺寸及晶粒均匀度作为输出参数;在此基础上,以滚圆压下率与倒棱平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练过程中迭代计算,以滚圆结束后的平均晶粒尺寸及晶粒均匀度为输出参数;进一步地,以滚圆平均晶粒尺寸及晶粒均匀度与粗锻轴颈压下率同时作为输入参数在训练中迭代计算,以粗锻轴颈平均晶粒尺寸及晶粒均匀度为输出参数;最后,以精锻轴颈压下率和粗锻轴颈平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练中迭代计算,以锻件最终平均晶粒尺寸及晶粒均匀度为输出参数,实现锻件晶粒尺寸的快速预测。
所述的多层神经网络包括:输入层、多隐藏层和输出层,输入层的节点个数一般为输入参数个数,输出层节点个数一般为输出参数个数,因此工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型输入层节点个数为3,包括:工步压下率、工步初始平均晶粒尺寸和晶粒均匀度,输出层节点个数为2,包括:工步结束后的平均晶粒尺寸和晶粒均匀度,隐藏层节点数其中:m和n分别为输入、输出层的节点数,p一般为1-10之间的整数。
所述的多层神经网络的隐藏层层数分别选择1、2、3、4层,根据隐藏层节点数计算公式得到隐藏层节点数取值范围为4-12,在此范围内选择5、8、11个隐藏层节点数,学习率选择0.01、0.05、0.1,激活函数选取Relu、Tanh和Sigmoid,Dropout系数选择0.1、0.2、0.3、0.4,L2正则化系数选择0.01、0.015、0.018、0.02、0.022、0.025、0.03。
将步骤4获得的96组数据集按照5∶1的比例划分为训练集和测试集,对神经网络的模型参数进行优化。首先对上述设计的不同的隐藏层层数和节点数进行训练,确定预测精度最高的隐藏层层数与节点为3层隐藏层,隐藏层节点数为8;在此基础上进行不同学习率与激活函数的训练,在激活函数选用Relu、学习率设为0.1时,模型的预测精度较高;最后为抑制过拟合现象的影响,采用设计的Dropout和L2正则化系数分别进行训练,综合考虑模型对晶粒尺寸分布的预测精度,确定预测精度最高的L2正则化系数设为0.022。其中,模型的预测精度根据测试集的模型预测值与期望值的相对准确度来评价,即其中:R为模型预测精度,n为测试集个数,xi为模型预测值,x为期望值。
如图8所示,为现有单工序神经网络建立的晶粒尺寸预测模型,训练过程不考虑工步之间的互相影响,将坯料初始晶粒尺寸和各个工步压下率作为输入参数,将锻件最终平均晶粒尺寸及晶粒均匀度作为输出参数,对模型参数进行优化。
如图9所示,为经过优化后的工步之间晶粒尺寸迭代计算的预测模型与现有单工序神经网络建立的晶粒尺寸预测模型的预测精度对比图,从图中可以看出,两种晶粒尺寸预测模型对于平均晶粒尺寸的预测精度都保持在较高的水平,维持在95%以上,在对晶粒均匀度的预测上,现有的单工序神经网络建立的晶粒尺寸预测模型预测精度为78.6%,而工步之间晶粒尺寸迭代计算的预测模型预测精度为86.8%,相对于单工序神经网络手段预测精度有显著地提高,可以对锻件整体的晶粒分布情况做到准确预测。
本实施例针对特定牌号车轴钢搭建了宏微观集成仿真平台,建立了车轴锻件晶粒尺寸评价标准,并构建了工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型。对比不同单、双道次压缩实验和模拟条件下晶粒尺寸,误差控制在10%以下,验证了集成仿真平台的有效性,为后续预测模型训练数据的提供的准确性奠定了基础。车轴钢锻造后平均晶粒尺寸和晶粒均匀度的预测精度分别为95.8%和86.8%,可见构建预测模型的精度较高,可以满足实际生产需求。
本发明针对车轴钢锻造工艺特点,通过设计不同的车轴钢热成形实验,系统地构建了车轴钢锻造过程中晶粒全演变模型,并以此搭建车轴钢的宏微观集成仿真平台,结合构建的车轴锻件晶粒尺寸评价标准,实现车轴锻造过程的晶粒尺寸演变全流程实时追踪和整体评价。
本发明基于车轴锻造全流程仿真模型数据,考虑到不同工步之间晶粒尺寸的互相影响,构建了工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型,在训练集数量较小的情况下,所获得预测模型的预测效果明显优于通过现有单工序神经网络建立的预测模型,实现了车轴锻件整体晶粒尺寸的快速准确预测。
综上,本发明针对车轴钢锻造工艺特点,基于构建的车轴钢锻造过程中晶粒全演变模型建立的车轴锻造宏微观集成仿真平台,可以实现车轴锻造过程的晶粒尺寸演变全流程实时追踪,具有较高的精度,解决了车轴的晶粒尺寸在实际生产过程中难以实现测量和追踪的问题;基于车轴锻造全流程仿真模型数据建立的工步之间晶粒尺寸迭代计算的晶粒尺寸预测模型,可以实现车轴锻件整体晶粒尺寸的快速精准预测,相比有限元仿真以周为单位的计算时间,大幅缩短了预测时间。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种车轴锻件的晶粒尺寸快速预测方法,其特征在于,基于单道次、双道次热模拟实验和加热保温实验,分别构建所用材料的动态再结晶模型、亚动态再结晶及静态再结晶模型和晶粒长大模型,从而搭建针对车轴钢的宏微观集成仿真平台,设计不同工艺参数的成形工艺方案并分别在宏微观集成仿真平台中对车轴不同工艺方案下的锻造过程进行全流程晶粒尺寸演变的数值仿真,建立车轴锻件晶粒尺寸评价标准,获取用于训练多层神经网络的数据集,最后将训练后的多层神经网络进行车轴锻件整体晶粒尺寸及均匀度的快速预测;
所述的动态再结晶模型包括:动态再结晶动力学模型及晶粒尺寸模型其中:ε>εc,Xdrx为动态再结晶分数,ε为变形的应变,εc为动态再结晶临界应变,ε0.5为发生50%动态再结晶时的应变,Ddrx为动态再结晶晶粒尺寸(μm),为应变速率,Q为形变激活能(J/mol),R为气体普适常数,T为绝对温度(K),a、A、n、b为与车轴钢材料相关的参数;
所述的亚动态再结晶及静态再结晶模型包括:亚动态/静态再结晶动力学模型及晶粒尺寸模型其中:t为时间,t0.5为发生50%亚动态/静态再结晶需要的时间,X为亚动态/静态再结晶体积分数,A、k、m、l、p、n为材料参数,Q为形变激活能(J/mol),T为绝对温度(K),X为亚动态/静态再结晶的软化分数,ε和分别为应变和应变速率,D为亚动态/静态再结晶的晶粒尺寸(μm);
所述的晶粒长大模型其中:dt为在t时刻的晶粒尺寸(μm),d0为初始状态的晶粒尺寸(μm),t为保温时长(s),T为保温过程的温度(K),Q为激活能(J/mol),R为气体常数,A和n为和车轴钢相关的晶粒长大参数;
所述的宏微观集成仿真包括:对车轴锻造过程宏观意义上的力学性能和外形尺寸仿真以及微观意义上的车轴锻造全流程微观晶粒演变实时追踪。
2.根据权利要求1所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的单道次热模拟实验包括:900-1200℃的变形温度区间和0.01-10/s的应变速率区间条件下的压缩实验;
所述的双道次热模拟实验包括:温度在900-1200℃之间、应变速率在0.01-1/s之间、预应变在0.1-0.5之间、初始晶粒尺寸在160-250μm之间、道次间隔设置在1-300s条件下的双道次压缩实验;
所述的加热保温实验,即温度在900-1200℃、保温时间在0-8h条件下的加热保温。
3.根据权利要求1所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的宏微观集成仿真平台,通过将模型编译成有限元软件FORGE可识别的子程序组成,具体为:力学模型及微观晶粒演变模型的写入以及所用车轴钢材料库的编写两个过程,通过有限元软件FORGE提供的用户自定义接口集成到软件中,实现对车轴多工步多道次成形过程的全流程宏微观集成仿真。
4.根据权利要求1或3所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的宏微观集成仿真平台,经压缩实验进行有限元模型校准,该压缩实验包括:单道次与双道次热压缩实验,根据实验结果校准有限元模型的模拟结果,保证数值模拟的准确性。
5.根据权利要求1所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的锻造过程全流程包括:倒棱、滚圆、粗锻轴颈、精锻轴颈;
所述的工艺参数包括:坯料的初始晶粒尺寸和成形过程的压下量;
所述的成形工艺方案包括:不同坯料初始晶粒尺寸、倒棱压下量、滚圆压下量、粗锻轴颈压下量以及精锻轴颈压下量的工艺参数组合。
6.根据权利要求1所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的全流程晶粒尺寸演变的数值仿真包括:车轴锻件在倒棱、滚圆、粗锻轴颈、精锻轴颈四个工步下不同部位的晶粒尺寸演变情况。
9.根据权利要求1所述的车轴锻件的晶粒尺寸快速预测方法,其特征是,所述的多层神经网络包括:输入层、多隐藏层和输出层,输入层和输出层节点数根据输入和输出参数确定,隐藏层节点数其中:m和n分别为输入、输出层的节点数,p一般为1-10之间的整数,该神经网络以倒棱压下率与坯料初始晶粒尺寸作为输入参数,以倒棱结束后的平均晶粒尺寸及晶粒均匀度作为输出参数;以滚圆压下率与倒棱过程平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练过程中迭代计算,以滚圆结束后的平均晶粒尺寸及晶粒均匀度为输出参数;以滚圆平均晶粒尺寸及晶粒均匀度与粗锻轴颈压下率同时作为输入参数在训练中迭代计算,以粗锻轴颈平均晶粒尺寸及晶粒均匀度为输出参数;以精锻轴颈压下率和粗锻轴颈平均晶粒尺寸及晶粒均匀度同时作为输入参数在训练中迭代计算,以锻件最终平均晶粒尺寸及晶粒均匀度为输出参数,实现锻件最终晶粒尺寸分布的预测;
所述的训练是指:对不同的隐藏层层数和节点数、学习率、激活函数、正则化系数分别进行训练,综合考虑模型对晶粒尺寸分布的预测精度,确定最佳的模型参数;
10.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:材料模型模块、宏微观集成仿真模块、车轴锻造数据模块以及晶粒尺寸预测模块,其中:宏微观集成仿真模块将建立的材料模型嵌入软件实现车轴锻造过程的宏微观集成仿真,车轴锻造数据模块从宏微观集成仿真模块中提取样本集数据并输出到晶粒尺寸预测模块中,通过神经网络的训练与优化实现车轴锻件晶粒尺寸的快速精确预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042207.5A CN114764525A (zh) | 2021-01-13 | 2021-01-13 | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042207.5A CN114764525A (zh) | 2021-01-13 | 2021-01-13 | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764525A true CN114764525A (zh) | 2022-07-19 |
Family
ID=82363726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042207.5A Pending CN114764525A (zh) | 2021-01-13 | 2021-01-13 | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764525A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925584A (zh) * | 2022-07-21 | 2022-08-19 | 华中科技大学 | 变向锻造成形的金属晶粒尺寸和取向的智能协同调控方法 |
CN116933594A (zh) * | 2023-07-24 | 2023-10-24 | 哈尔滨工业大学 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
-
2021
- 2021-01-13 CN CN202110042207.5A patent/CN114764525A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925584A (zh) * | 2022-07-21 | 2022-08-19 | 华中科技大学 | 变向锻造成形的金属晶粒尺寸和取向的智能协同调控方法 |
CN114925584B (zh) * | 2022-07-21 | 2022-09-20 | 华中科技大学 | 变向锻造成形的金属晶粒尺寸和取向的智能协同调控方法 |
CN116933594A (zh) * | 2023-07-24 | 2023-10-24 | 哈尔滨工业大学 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
CN116933594B (zh) * | 2023-07-24 | 2024-03-22 | 哈尔滨工业大学 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909727B (zh) | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 | |
CN114764525A (zh) | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 | |
CN111158237B (zh) | 基于神经网络的工业炉炉温多步预测控制方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN102043877B (zh) | 用于预测淬火期间的传热系数的系统和方法 | |
CN107220485B (zh) | 一种适用于多道次压缩的本构模型的建立方法 | |
CN110287451B (zh) | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
Lu et al. | Energy-efficient multi-pass cutting parameters optimisation for aviation parts in flank milling with deep reinforcement learning | |
CN113191092A (zh) | 一种基于正交增量随机配置网络的工业过程产品质量软测量方法 | |
CN115146529B (zh) | 一种汽车悬架弹簧冷抛丸强化残余应力预测方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
Markopoulos et al. | FEM/AI models for the simulation of precision grinding | |
CN112862200B (zh) | 一种高速公路施工质量全过程智能反馈优化方法 | |
CN108319146B (zh) | 一种径向基神经网络基于离散粒子群训练的方法 | |
Ball et al. | AI modeling for high-fidelity heat transfer and thermal distortion forecast in metal additive manufacturing | |
CN105921522B (zh) | 基于rbf神经网络的层流冷却温度自适应控制方法 | |
CN104537167B (zh) | 基于鲁棒区间极限学习机的区间型指标预报方法 | |
Stoll et al. | Process control in a press hardening production line with numerous process variables and quality criteria | |
CN110806693B (zh) | 一种针对板式换热器时滞的灰狼预测控制方法 | |
Sata | Investment casting defect prediction using neural network and multivariate regression along with principal component analysis | |
Belur et al. | Geometric deviations in forging and cooling operations due to process uncertainties | |
Yinghao et al. | Study on optimization of temperature measuring points for machine tools based on Grey Correlation and Kohonen network | |
CN109117597B (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
Biswas et al. | Modelling of artificial neural network to validate the experimental data of a laboratory scale ROT |
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 |