CN114864017A - 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统 - Google Patents

一种铝合金铸件全域晶粒尺寸的预测计算方法和系统 Download PDF

Info

Publication number
CN114864017A
CN114864017A CN202210373494.2A CN202210373494A CN114864017A CN 114864017 A CN114864017 A CN 114864017A CN 202210373494 A CN202210373494 A CN 202210373494A CN 114864017 A CN114864017 A CN 114864017A
Authority
CN
China
Prior art keywords
casting
temperature
model
solidification
grain size
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
CN202210373494.2A
Other languages
English (en)
Other versions
CN114864017B (zh
Inventor
赵海东
郝永志
沈旭
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210373494.2A priority Critical patent/CN114864017B/zh
Publication of CN114864017A publication Critical patent/CN114864017A/zh
Application granted granted Critical
Publication of CN114864017B publication Critical patent/CN114864017B/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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Continuous Casting (AREA)

Abstract

本发明涉及数值模拟与机器学习领域，为一种铝合金铸件全域晶粒尺寸的预测计算方法和系统，该方法包括进行铝合金铸件充型与凝固过程的温度场数值模拟，构建凝固特征数据集；采用CA模拟铝合金铸件随机多个位置的微观组织演变，构建BPNN的模拟数据库；搭建BPNN模型，训练并验证后获得工艺与晶粒尺寸的内在逻辑与模型，执行铝合金铸件全域晶粒尺寸的预测任务。本发明可以快速、准确、低成本的预测铝合金铸件全域晶粒尺寸，对铝合金铸件组织与力学性能控制、优化铸造工艺参数具有重要意义。

Description

一种铝合金铸件全域晶粒尺寸的预测计算方法和系统
技术领域
本发明涉及数值模拟与机器学习领域，具体涉及一种铝合金铸件全域晶粒尺寸的预测计算方法和系统。
背景技术
铸造铝合金由于浇铸性能好、比强度高、生产成本低等优点被广泛应用于汽车、轨道交通及航空航天等领域。产品复杂的结构和冷却系统的设计使铸件各部位凝固条件存在区别，导致力学性能具有明显的差异。传统实验方法通过对铸件各部位进行组织表征和性能测试，检测产品质量，从而确定使用性能，该方法需要大量材料、设备和能源，且研发周期较长。
晶粒尺寸对金属材料力学性能有决定性影响，依据Hall-Petch公式和位错理论，细化的晶粒产生大量的晶界，成为位错运动的障碍，导致金属的塑性变形抗力增加。同时，晶粒数量增多分散金属的塑性变形，阻止裂纹的扩展，使金属的力学性能提高。设计铸造工艺时，若能获知或预测铸件各部位晶粒尺寸，依此评价铸件性能，可以实现铸造工艺的优化与控制。现有铸件全域性能预测是基于凝固时间或冷却速率等相关的半经验公式，但是，这种半经验公式无法反映组织演变过程中形核、生长动力学、溶质扩散等物理机制。元胞自动机法(Cellular Automaton,CA)结合随机性和确定性方法，物理背景明确，广泛应用于模拟铸件凝固过程的组织演变，指导实际生产和科学研究活动中的产品开发。鉴于当前计算机硬件、数值模型、计算方法的发展水平，目前最大二维计算域仅能达到几个毫米，对铸件全域凝固组织模拟尚无法实现。
发明内容
为解决现有技术所存在的技术问题，本发明提供一种铝合金铸件全域晶粒尺寸的预测计算方法和系统，通过构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算，可以快速、准确、低成本的预测铸件全域晶粒尺寸，解决了CA模拟范围局限、无法对实际铸件应用的问题。
本发明的第一个目的在于提供一种铝合金铸件全域晶粒尺寸的预测计算方法。
本发明的第二个目的在于提供一种铝合金铸件全域晶粒尺寸的预测计算系统。
本发明的第一个目的可以通过采取如下技术方案达到：
一种铝合金铸件全域晶粒尺寸的预测计算方法，所述方法包括：
S1、对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据；
S2、对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集；
S3、分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA算法；
S4、将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库；
S5、构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
S6、通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
优选地，所述步骤S2包括：
预设铸件合金的液相线温度Tinit、共晶凝固温度Teu、铸件单元数量M，在液相线温度Tinit与共晶凝固温度Teu之间等间隔选取多个温度节点，多个温度节点标记为温度节点集；
分别对所有铸件单元采用温度节点Tp1遍历不同时刻的模拟温度，若温度节点Tp1位于相邻模拟温度之间，则依据温度对时间进行线性插值，得到铸件单元对应于温度节点集的凝固时刻数据，遍历剩余的温度节点，计算得到铸件单元的不同温度节点的凝固时刻集。
优选地，所述步骤S5具体包括以下步骤：
构建BPNN模型，设置迭代计算停止条件，若连续多次误差缩减小于预设临界值或达到预设最大迭代次数，则终止计算；
将模拟数据库划分为训练集和验证集，采用K折交叉验证方式训练BPNN模型，得到凝固时刻与晶粒尺寸的内在映射关系模型。
本发明的第二个目的可以通过采取如下技术方案达到：
一种铝合金铸件全域晶粒尺寸的预测计算系统，包括：
温度场模拟模块，用于对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据；
特征值构建模块，用于对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集；
CA算法模块，用于分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA(元胞自动机)算法；
模拟数据库模块，用于将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库；
映射关系模型模块，用于构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
预测计算模块，用于通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明结合温度场计算、CA数值模拟和BPNN模型，得出铸件凝固条件与晶粒尺寸的内在映射关系模型，然后对铸件各部位凝固时刻集进行映射关系模型的应用，可以快速、准确、低成本的预测铸件全域晶粒尺寸，解决了CA模拟范围局限、无法对实际铸件应用的问题。
2、本发明组织预测是基于晶粒尺寸的CA模拟，可以反映合金成分、形核、生长动力学、溶质扩散等对晶粒尺寸影响的物理本质，相比于传统的半经验公式具有更强的物理背景。
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，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本发明实施例中的铝合金铸件全域晶粒尺寸的预测计算方法流程图；
图2为本发明实施例中的铸件模拟温度场示意图；
图3为本发明实施例中的特征工程处理方法示意图；
图4为本发明实施例中的铸件部分位置模拟组织示意图；
图5为本发明实施例中的包含内在映射关系模型的神经网络示意图；
图6为本发明实施例中的基于神经网络计算的铸件全域晶粒尺寸示意图。
具体实施方式
下面将结合附图和实施例，对本发明技术方案做进一步详细描述，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，本发明的实施方式并不限于此。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。
机器学习(Machine Learning,ML)的本质是学习数据之间的“因果关系”，不断完善自身的决策系统，并依据该系统对新数据执行决策。ML可以总结数据内部的隐藏规律，因此在需实时决策且计算量繁重的非线性复杂系统中具有独特的优势。目前ML的范畴主要集中于神经网络(Neural Network,NN)的设计，其中反向传播神经网络(Back PropagationNeural Network,BPNN)可以拟合非线性复杂系统，适用于解决多维特征的问题。结合CA与BPNN技术可以挖掘铸件凝固条件(或工艺参数)与铸件组织的内在映射关系或数学模型。
实施例1
如图1所示，铝合金铸件全域晶粒尺寸的预测计算方法流程图，本发明所述的一种铝合金铸件全域晶粒尺寸的预测计算方法，包括以下步骤：
S1、对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据。
本实施例中的铝合金铸件所用材料为AlSi7Mg0.3合金，铸造方法为高真空压铸，铸件尺寸约为200mm×450mm×100mm，模具尺寸约为530mm×560mm×240mm，采用一模两件结构。
优选地，所述进行温度场模拟包括分别模拟充型过程中流动和传热引起的温度变化、铸型单元和液态金属的传热、铸型单元间的传热及凝固过程的潜热处理；所述铸件单元的温度数据以二进制格式存储。
如图2所示，铸件模拟温度场示意图，为AlSi7Mg0.3合金导轮压铸件充型及凝固过程中0s、30s、60s时刻的温度场分布。
S2、对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集。
具体地，所述数据预处理包括二进制温度文件的读取、数据完整性检查、铸件单元坐标数据存储。
所述特征值构建包括以下步骤：
S21、预设铸件合金的液相线温度Tinit、共晶凝固温度Teu、铸件单元数量M，在液相线温度Tinit与共晶凝固温度Teu之间等间隔选取多个温度节点，多个温度节点标记为温度节点集；
本实施例中，设铸件合金的液相线温度为Tinit＝615，共晶凝固温度为Teu＝575，铸件单元数量M为170411；
具体地，液相线温度Tinit与共晶凝固温度Teu之间等间隔选取20个温度节点，温度节点集标记为TP＝{Tp1,Tp2,Tp3,…,Tp20}；
S22、分别对所有铸件单元采用温度节点Tp1遍历不同时刻的模拟温度，若温度节点Tp1位于相邻模拟温度之间，则依据温度对时间进行线性插值，得到铸件单元对应于温度节点集的凝固时刻数据，遍历剩余的温度节点，计算得到铸件单元的不同温度节点的凝固时刻集。
如图3所示，特征工程处理方法示意图，本实施例中对于铸件单元1，采用温度节点Tp1遍历不同时刻的模拟温度，若Tp1满足
Figure BDA0003589756260000051
则依据温度对时间进行线性插值，获得
Figure BDA0003589756260000056
遍历剩余19个温度节点，计算相应凝固时刻数据，从而获得
Figure BDA0003589756260000052
依次对铸件其余单元进行相同的操作，即可获得铸件单元的凝固时刻集：
Figure BDA0003589756260000053
其中
Figure BDA0003589756260000054
表示铸件单元i对应于TP的凝固时刻，i在数学上可以泛指1～M；M＝170411，表示铸件单元总数；
将铸件单元温度等于Tinit时的时间视为0时刻，则tP的计算结果如表1所示，表中温度节点表示在区间(Tinit,Teu]内等间隔选取的20个温度，单元序号表示铸件单元的编号，从1到170411，行列对应的内容表示铸件单元到达指定温度的凝固时刻，如0.293表示编号为No.2的铸件单元温度等于611℃时的凝固时刻。
表1
Figure BDA0003589756260000055
S3、分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA(元胞自动机)算法。
优选地，晶粒形核模型，采用高斯连续模型，形核密度增量δn为过冷度的函数，δn的计算公式为：
Figure BDA0003589756260000061
其中，Nmax是最大形核密度，ΔTσ是标准偏差过冷度，ΔTN是平均形核过冷度，ΔT是总过冷度；
生长模型基于总过冷度，同时结合晶粒的择优取向、动力学系数和正交网格的各向异性，计算晶粒的生长速度。晶粒生长的驱动力为总过冷度，其中总过冷度包括热过冷、成分过冷和曲率过冷。
溶质扩散模型，包括固相生长导致的溶质析出和计算域内溶质间的相互作用，溶质扩散模型的公式为：
Figure BDA0003589756260000062
其中，Φ是合金的溶质成分集合，C是单元浓度，x、y分别是合金成分Si和Mg，Dij是成分y影响下x的扩散系数，Ψ是相的种类集合，包括α-Al、Si粒子、Mg2Si，z是特定相，
Figure BDA0003589756260000063
和
Figure BDA0003589756260000064
是固液界面处溶质x在液相和固相的浓度，fs,z是相z的固相分数，t是时间。
CA算法由元胞、元胞空间、邻居和规则四部分组成，在液相线和共晶凝固温度区间内，对于每一个单独的时间步，分别计算元胞空间内每个元胞的形核概率、过冷度、生长速度和固相分数增量，更新元胞空间的状态场、温度场和浓度场，并依据摩尔邻居捕获固相周围的液相元胞转变为界面元胞继续生长。
S4、将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库。
具体地，步骤S4包括以下步骤：
S41、从铸件单元的凝固时刻集随机选取多组凝固时刻数据，将多组凝固时刻数据依次输入元胞自动机中模拟微观组织演变。
本实施例中，
Figure BDA0003589756260000065
其中(1,2,3,…,4600)仅表示计数，不表示铸件单元的序号；将数据集合A(T,t)中4600组数据依次输入元胞自动机中模拟微观组织演变，如图4所示，铸件部分位置模拟组织示意图，图中黑色虚线所指表示4600组数据中部分位置的CA模拟晶粒。
S42、统计多组凝固时刻数据对应的凝固条件下的晶粒尺寸，以多组凝固时刻数据为自变量，以多组凝固时刻数据对应的凝固条件下的晶粒尺寸为因变量，构建模拟数据库。
本实施例中，统计A(T,t)中4600个凝固条件下的晶粒尺寸dL＝{d1,d2,d3,…,d4600}，其中d1表示
Figure BDA0003589756260000071
对应的晶粒尺寸；以
Figure BDA0003589756260000072
为自变量，dL为因变量，构建模拟数据库。如表2所示，每行均代表一个单独的模拟数据，其中
{t1、t2、t3、ti、t19、t20}表示4600个铸件单元对应于温度节点的凝固时刻，晶粒尺寸表示基于CA、温度节点和凝固时刻信息计算的铸件单元的晶粒尺寸。
表2
Figure BDA0003589756260000073
S5、构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
具体地，步骤S5包括以下步骤：
S51、构建BPNN模型，设置迭代计算停止条件，若连续多次误差缩减小于预设临界值或达到预设最大迭代次数，则终止计算；
如图5所示，包含内在映射关系模型的神经网络示意图，输入层和输出层节点数分别为20和1，隐含层为12×12、初始学习率为0.001，BPNN模型学习过程中，参数迭代更新的计算公式为：
Figure BDA0003589756260000074
其中，θt是第t次的模型参数，θt-1是第t-1次的模型参数，α0是初始学习率，ω1和ω2是先前参数在学习率和梯度的贡献系数，
Figure BDA0003589756260000075
表示第t-1次的梯度值，
Figure BDA0003589756260000076
表示先前第b次的梯度值，ε是防止分母为0的参数；
优选地，预设临界值为0.0001，达到预设最大迭代次数为5000，则若连续X次误差缩减小于临界值0.0001或达到最大迭代次数5000，则终止计算
S52、将模拟数据库划分为训练集和验证集，采用K折交叉验证方式训练BPNN模型，得到凝固时刻与晶粒尺寸的内在映射关系模型：
Figure BDA0003589756260000077
式中，
Figure BDA0003589756260000081
表示铸件单元i对应于温度节点Tp1的凝固时刻，di表示铸件单元i所在位置的晶粒尺寸。
S6、通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
具体地，基于内在映射关系模型f:
Figure BDA0003589756260000082
输入tp计算170411个铸件单元的晶粒尺寸dM＝{d1,d2,d3,…,d170411}。
如图6所示，基于神经网络计算的铸件全域晶粒尺寸示意图，图中左侧为铸件晶粒尺寸的整体示意图，图中右侧为铸件晶粒尺寸的局部示意图，颜色深浅表示对应位置晶粒尺寸的大小。整合铸件单元的坐标与晶粒尺寸信息，以三维云图显示尺寸信息。
实施例2：
本实施例提供了一种铝合金铸件全域晶粒尺寸的预测计算系统，该系统包括温度场模拟模块、特征值构建模块、CA算法模块、模拟数据库模块、映射关系模型模块和预测计算模块，各个模块的具体功能如下：
温度场模拟模块，用于对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据；
特征值构建模块，用于对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集；
CA算法模块，用于分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA(元胞自动机)算法；
模拟数据库模块，用于将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库；
映射关系模型模块，用于构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
预测计算模块，用于通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
所述对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集，包括：预设铸件合金的液相线温度Tinit、共晶凝固温度Teu、铸件单元数量M，在液相线温度Tinitr与共晶凝固温度Teu之间等间隔选取多个温度节点，多个温度节点标记为温度节点集；
分别对所有铸件单元采用温度节点Tp1遍历不同时刻的模拟温度，若温度节点Tp1位于相邻模拟温度之间，则依据温度对时间进行线性插值，得到铸件单元对应于温度节点集的凝固时刻数据，遍历剩余的温度节点，计算得到铸件单元的不同温度节点的凝固时刻集。
所述构建BPNN模型，输入模拟数据库对BPNN模型进行训练，包括：构建BPNN模型，设置迭代计算停止条件，若连续多次误差缩减小于预设临界值或达到预设最大迭代次数，则终止计算；将模拟数据库划分为训练集和验证集，采用K折交叉验证方式训练BPNN模型。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种铝合金铸件全域晶粒尺寸的预测计算方法，其特征在于，所述方法包括以下步骤：
S1、对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据；
S2、对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集；
S3、分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA算法；
S4、将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库；
S5、构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
S6、通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
2.根据权利要求1所述的预测计算方法，其特征在于，所述对铝合金铸件充型与凝固过程进行温度场模拟包括：模拟充型过程中流动和传热引起的温度变化、铸型单元和液态金属的传热、铸型单元间的传热及凝固过程的潜热处理；所述铸件单元的温度数据以二进制格式存储。
3.根据权利要求1所述的预测计算方法，其特征在于，所述步骤S2包括：
预设铸件合金的液相线温度Tinit、共晶凝固温度Teu、铸件单元数量M，在液相线温度Tinit与共晶凝固温度Teu之间等间隔选取多个温度节点，多个温度节点标记为温度节点集；
分别对所有铸件单元采用温度节点Tp1遍历不同时刻的模拟温度，若温度节点Tp1位于相邻模拟温度之间，则依据温度对时间进行线性插值，得到铸件单元对应于温度节点集的凝固时刻数据，遍历剩余的温度节点，计算得到铸件单元的不同温度节点的凝固时刻集。
4.根据权利要求1所述的预测计算方法，其特征在于，所述晶粒形核模型，采用高斯连续模型，形核密度增量δn为过冷度的函数，δn的计算公式为：
Figure FDA0003589756250000011
其中，Nmax是最大形核密度，ΔTσ是标准偏差过冷度，ΔTN是平均形核过冷度，ΔT是总过冷度；
所述生长模型基于总过冷度同时结合晶粒的择优取向、动力学系数和正交网格的各向异性，计算晶粒的生长速度；
所述溶质扩散模型的公式为：
Figure FDA0003589756250000021
其中，Φ是合金的溶质成分集合，C是单元浓度，x、y分别是合金成分Si和Mg，Dij是成分y影响下x的扩散系数，Ψ是相的种类集合，z是特定相，
Figure FDA0003589756250000022
和
Figure FDA0003589756250000023
是固液界面处溶质x在液相和固相的浓度，fs,z是相z的固相分数，t是时间。
5.根据权利要求4所述的预测计算方法，其特征在于，所述CA算法由元胞、元胞空间、邻居和规则四部分组成，在液相线和共晶凝固温度区间内，对于每一个单独的时间步，分别计算元胞空间内每个元胞的形核概率、过冷度、生长速度和固相分数增量，更新元胞空间的状态场、温度场和浓度场，并依据摩尔邻居捕获固相周围的液相元胞转变为界面元胞继续生长。
6.根据权利要求1所述的预测计算方法，其特征在于，所述步骤S4具体包括以下步骤：
从铸件单元的凝固时刻集随机选取多组凝固时刻数据，将多组凝固时刻数据依次输入元胞自动机中模拟微观组织演变；
统计多组凝固时刻数据对应的凝固条件下的晶粒尺寸，以多组凝固时刻数据为自变量，以多组凝固时刻数据对应的凝固条件下的晶粒尺寸为因变量，构建模拟数据库。
7.根据权利要求1所述的预测计算方法，其特征在于，所述步骤S5具体包括以下步骤：
构建BPNN模型，设置迭代计算停止条件，若连续多次误差缩减小于预设临界值或达到预设最大迭代次数，则终止计算；
将模拟数据库划分为训练集和验证集，采用K折交叉验证方式训练BPNN模型，得到凝固时刻与晶粒尺寸的内在映射关系模型。
8.根据权利要求7所述的预测计算方法，其特征在于，所述预设临界值为0.0001，所述预设最大迭代次数为5000。
9.一种铝合金铸件全域晶粒尺寸的预测计算系统，其特征在于，所述系统包括：
温度场模拟模块，用于对铝合金铸件充型与凝固过程进行温度场模拟，获得充型与凝固期间铸件单元的温度数据；
特征值构建模块，用于对铸件单元的温度数据进行数据预处理和特征值构建，获得不同铸件单元对应于温度节点集的凝固时刻集；
CA算法模块，用于分别建立晶粒形核模型、生长模型和溶质扩散模型，设计CA(元胞自动机)算法；
模拟数据库模块，用于将不同铸件单元对应于温度节点集的凝固时刻集输入CA算法，模拟铝合金铸件随机多个位置的微观组织演变，计算晶粒尺寸并构建模拟数据库；
映射关系模型模块，用于构建BPNN模型，输入模拟数据库对BPNN模型进行训练，得到铸件凝固时刻集与晶粒尺寸的内在映射关系模型；
预测计算模块，用于通过铸件凝固时刻集与晶粒尺寸的内在映射关系模型对铝合金铸件全域晶粒尺寸进行预测计算。
10.根据权利要求9所述的预测计算系统，其特征在于，所述构建BPNN模型，输入模拟数据库对BPNN模型进行训练，包括：构建BPNN模型，设置迭代计算停止条件，若连续多次误差缩减小于预设临界值或达到预设最大迭代次数，则终止计算；将模拟数据库划分为训练集和验证集，采用K折交叉验证方式训练BPNN模型。
CN202210373494.2A 2022-04-11 2022-04-11 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统 Active CN114864017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210373494.2A CN114864017B (zh) 2022-04-11 2022-04-11 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210373494.2A CN114864017B (zh) 2022-04-11 2022-04-11 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统

Publications (2)

Publication Number Publication Date
CN114864017A true CN114864017A (zh) 2022-08-05
CN114864017B CN114864017B (zh) 2024-04-12

Family

ID=82629490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210373494.2A Active CN114864017B (zh) 2022-04-11 2022-04-11 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统

Country Status (1)

Country Link
CN (1) CN114864017B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230142A (zh) * 2023-03-14 2023-06-06 北京科技大学 一种铝合金凝固动力学过程的介观尺度预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897972A (zh) * 2018-07-20 2018-11-27 辽宁石油化工大学 一种电渣重熔铸锭凝固微观组织的预测方法
CN111640474A (zh) * 2020-05-15 2020-09-08 合肥通用机械研究院有限公司 一种预定显微组织的离心铸造合金材料设计方法
CN112784424A (zh) * 2021-01-28 2021-05-11 西安理工大学 一种钛合金焊接熔池晶粒生长三维数值模拟方法
CN113284570A (zh) * 2021-05-25 2021-08-20 西安理工大学 一种铝合金焊接熔池微观组织的模拟方法
CN114004097A (zh) * 2021-11-04 2022-02-01 哈尔滨理工大学 一种合金初始成分对Al合金铸造微观组织影响的预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897972A (zh) * 2018-07-20 2018-11-27 辽宁石油化工大学 一种电渣重熔铸锭凝固微观组织的预测方法
CN111640474A (zh) * 2020-05-15 2020-09-08 合肥通用机械研究院有限公司 一种预定显微组织的离心铸造合金材料设计方法
CN112784424A (zh) * 2021-01-28 2021-05-11 西安理工大学 一种钛合金焊接熔池晶粒生长三维数值模拟方法
CN113284570A (zh) * 2021-05-25 2021-08-20 西安理工大学 一种铝合金焊接熔池微观组织的模拟方法
CN114004097A (zh) * 2021-11-04 2022-02-01 哈尔滨理工大学 一种合金初始成分对Al合金铸造微观组织影响的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周志敏;邓叙燕;王娜;路贵民;: "半连续铸造组织的多尺度模拟及半固态合金设计", 特种铸造及有色合金, no. 01, 20 January 2009 (2009-01-20), pages 10 - 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230142A (zh) * 2023-03-14 2023-06-06 北京科技大学 一种铝合金凝固动力学过程的介观尺度预测方法
CN116230142B (zh) * 2023-03-14 2024-03-08 北京科技大学 一种铝合金凝固动力学过程的介观尺度预测方法

Also Published As

Publication number Publication date
CN114864017B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111292525B (zh) 基于神经网络的交通流预测方法
Shibuta et al. Advent of Cross‐Scale Modeling: High‐Performance Computing of Solidification and Grain Growth
CN106803071A (zh) 一种图像中的物体检测方法及装置
CN114864017B (zh) 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统
CN110991605A (zh) 多变量时间序列深度信念网络的低压铸造模温预测方法
CN110097205A (zh) 一种建筑负荷预测用气象预报数据预处理方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN116476863A (zh) 基于深度强化学习的自动驾驶横纵向一体化决策方法
CN111723516B (zh) 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法
CN113821903A (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN115759409A (zh) 多时间模式注意力机制优化lstm模型的水闸形变预测方法
CN115758874A (zh) 基于物理约束神经网络的电力设备传热建模方法及系统
CN105653822A (zh) 一种模拟gh4169合金静态再结晶行为的元胞自动机方法
CN113762464B (zh) 一种基于学习的列车运行参考曲线动态生成方法
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
Li et al. A preliminary discussion about the application of machine learning in the field of constitutive modeling focusing on alloys
JP3875875B2 (ja) 製造プロセスにおける操業分析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN109598059B (zh) 一种基于代理模型的热防护系统优化设计方法及设计系统
Azarbarmas et al. A new cellular automaton method coupled with a rate-dependent (CARD) model for predicting dynamic recrystallization behavior
CN111210877A (zh) 一种推断物性参数的方法及装置
CN115481554A (zh) 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法
CN116128361A (zh) 智能侦察系统多级效能计算方法、装置、设备及介质
Macioł et al. Methodology for metamodelling of microstructure evolution: precipitation kinetic case study
CN115964857A (zh) 基于深度信念网络的半导体硅单晶生长状态监测方法

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