CN114990501B - 高通量样品制备设备及数据驱动的铝合金成分设计方法 - Google Patents
高通量样品制备设备及数据驱动的铝合金成分设计方法 Download PDFInfo
- Publication number
- CN114990501B CN114990501B CN202210612466.1A CN202210612466A CN114990501B CN 114990501 B CN114990501 B CN 114990501B CN 202210612466 A CN202210612466 A CN 202210612466A CN 114990501 B CN114990501 B CN 114990501B
- Authority
- CN
- China
- Prior art keywords
- aluminum alloy
- substrate
- parameters
- heating
- preparation
- 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
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/34—Sputtering
- C23C14/3464—Sputtering using more than one target
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C21/00—Alloys based on aluminium
- C22C21/06—Alloys based on aluminium with magnesium as the next major constituent
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C21/00—Alloys based on aluminium
- C22C21/10—Alloys based on aluminium with zinc as the next major constituent
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C21/00—Alloys based on aluminium
- C22C21/12—Alloys based on aluminium with copper as the next major constituent
- C22C21/16—Alloys based on aluminium with copper as the next major constituent with magnesium
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C21/00—Alloys based on aluminium
- C22C21/12—Alloys based on aluminium with copper as the next major constituent
- C22C21/18—Alloys based on aluminium with copper as the next major constituent with zinc
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/04—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon
- C22F1/047—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon of alloys with magnesium as the next major constituent
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/04—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon
- C22F1/053—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon of alloys with zinc as the next major constituent
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/04—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon
- C22F1/057—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon of alloys with copper as the next major constituent
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/06—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the coating material
- C23C14/14—Metallic material, boron or silicon
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
- C23C14/541—Heating or cooling of the substrates
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/58—After-treatment
- C23C14/5806—Thermal treatment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Thermal Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种高通量样品制备设备和基于该设备的数据驱动的铝合金成分设计方法。设备包括导热板;贴附于导热板的加热棒,加热棒沿第一方向延伸并沿第二方向并排分布;冷却水道贴附于导热板的周边并环绕所有加热棒;沿第一方向分布的冷却水道和沿第二方向分布的冷却水道独立控制。利用该设备制备高通量铝合金样品,通过调节加热棒功率、循环水箱工作温度和循环水流速使基片具有梯度温度分布;表征分析各微区铝合金的合金成分和性能参数并训练人工神经网络模型;采用遗传算法智能寻优并调用训练好的人工神经网络模型计算对应的个体适应度,输出优化后的合金成分与制备参数,从而实现高性能铝合金合金成分的高效设计,缩短新合金设计流程。
Description
技术领域
本发明属于合金成分设计技术领域,更具体地,涉及一种高通量样品制备设备及数据驱动的铝合金成分设计方法。
背景技术
铝合金具有密度低、比强度高、耐蚀性强和易加工等优点,在航空航天、车辆装备等行业得到广泛应用。尤其是Al-Zn-Mg-Cu铝合金,因具有超高强度而被广泛应用于航空航天领域实现装备的轻量化。Al-Zn-Mg-Cu铝合金作为航空航天装备主要结构材料之一,其性能直接关系到装备的性能水平。在制备期间,合金成分和热处理均会对铝合金性能产生复杂的影响,而相应的定量关系又不明确,提高强度容易出现韧性和耐蚀性下降的问题,而改善耐蚀性又同时带来了强度的降低,难以获得优良的综合性能。
近年来兴起了一种利用智能化手段对数据进行分析从而对合金成分进行优化的合金设计方法,智能化手段的优化能力与数据量直接相关,数据量越大越全面,则分析优化水平越高。因此,获取大量合金成分、制备参数与相应材料性能的数据是利用智能化手段进行合金成分设计的关键。目前一般是采用高通量样品制备技术制备大量样品,但是,目前的高通量样品制备技术,要么工艺参数间隔及范围有限,导致可获取的有效数据量和信息有限,要么针对每个样品的制备工艺单独控制,导致设备及工艺复杂。
基于此,如何获取大量可靠数据并实现数据驱动的铝合金高效智能的合金成分设计成为亟待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种高通量样品制备设备及数据驱动的铝合金成分设计方法,其目的在于高效获取大量有效合金数据并智能分析利用数据得到新型铝合金成分。
为实现上述目的,按照本发明的一个方面,提供了一种高通量样品制备设备,包括:
导热板,用于导热;
基片,承载于所述导热板上;
多根长条形加热棒,贴附于所述导热板的背面,每根加热棒沿第一方向延伸,所有加热棒沿第二方向并排分布,第一方向与第二方向垂直;
多路输出功率可控电源,与每根加热棒连接以独立控制每根加热棒的加热功率;
多个冷却水道,贴附于所述导热板的周边并环绕所有长条形加热棒;
第一循环水箱,与沿第一方向分布于加热棒两侧的冷却水道相连通;
第二循环水箱,与沿第二方向分布于加热棒两侧的冷却水道相连通,且第一循环水箱和第二循环水箱相互独立。
在其中一个实施例中,加热棒的数量至少5根,所有加热棒等间距并排分布。
在其中一个实施例中,冷却水道的数量为4,其中2个水管沿第一方向分布于加热棒两侧、另外中2个水管沿第二方向分布于加热棒两侧。
按照本发明的另一方面,提供了一种数据驱动的铝合金成分设计方法,包括:
利用上述的高通量样品制备设备制备高通量铝合金样品,其中,将基片均分为大量的微区,在制备期间,通过调整所述高通量样品制备设备中的各沉积源与基片的相对角度及位置以使基片不同微区中所形成的铝合金合金成分不同,并通过调节加热棒功率、循环水箱工作温度和循环水流速使基片具有梯度温度分布;
表征分析各微区所形成铝合金的合金成分和性能参数,建立数据库,所述数据库中包括每个微区中的样品的合金成分、对应的制备参数以及对应的性能参数;
获取所述数据库中的样本,以合金成分和制备参数作为输入、以对应的性能参数为输出训练人工神经网络模型;
采用遗传算法智能寻优,以铝合金的合金成分与制备参数作为种群个体,以目标性能为寻优目标,调用训练好的人工神经网络模型获取不同合金成分与制备参数下的性能参数并计算对应的个体适应度,经过遗传进化后输出个体适应度满足要求的合金成分与制备参数。
在其中一个实施例中,在制备铝合金样品之前,将高通量样品制备设备的三维模型导入有限元模拟软件进行传热有限元模拟,并根据控温试验中所采集的实际温度分布校准模拟参数,使传热有限元模拟结果趋近实际温度分布;利用校准后的有限元模拟模型进行大量的模拟并对结果进行分析,获取大量不同温度梯度与各加热棒功率、各循环水箱工作温度及循环水流速的对应关系,作为基片梯度控温系统的参数调控依据。
在其中一个实施例中,铝合金样品的制备至少包括有沉积、固溶处理和时效处理,其中,固溶处理和时效处理调成梯度温度分布,固溶处理的加热梯度温度分布范围为350℃-550℃,时效处理的加热梯度温度分布范围为50℃-250℃。
在其中一个实施例中,所制备的为Al-Zn-Mg-Cu铝合金样品,其中,铝元素的质量占比范围为80%-95%,锌元素的质量占比范围为3%-10%,镁元素的质量占比范围为0.5%-5%,铜元素的质量占比范围为0.5%-5%,锡元素的质量占比范围为0.1%-2%。
在其中一个实施例中,铝合金样品的性能参数至少包括硬度、弹性模量、电导率和MgZn2析出相体积分数。
在其中一个实施例中,利用遗传算法智能寻优时,用于计算个体适应度的适应度函数为Q=f(△x,△d,△q),其中,△x为MgZn2析出相体积分数偏差,△d为电导率偏差,△q为其余性能偏差。
在其中一个实施例中,在适应度函数中,MgZn2析出相体积分数偏差的权重为33%~37%,电导率偏差的权重为33%~37%,其余性能参数偏差的权重共占26%~34%。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本申请所设计的高通量样品制备设备,加装有基片梯度控温系统,其中,导热板,与加热棒、冷却水道直接接触,通过加热棒和冷却水道的联合作用,不同的加热棒独立加热,可以通过控制每根加热棒的加热功率大体上调节导热板的温度分布趋势,垂直于加热棒的水管和平行于加热棒的水管独立控制,两个方向分布有冷却水道且冷却水道独立控制,从导热板周边辅助调温,更有利于使导热板快速形成梯度温度分布或快速冷却基片。利用加装有该梯度控温系统的高通量样品制备设备,在通过调节沉积源与基片的相对角度以调节基片不同微区的合金的成分的同时,还能通过调节加热棒功率、循环水箱工作温度和循环水流速使基片具有梯度温度分布,从而使得基片不同微区的制备参数不同,由此一次制备工艺能够获得较多的具有不同合金成分和不同制备参数的有效数据,且工艺过程简单。在获得大量有效的样本数据后,对人工神经网络模型进行训练,并采用遗传算法智能寻优算法,调用训练好的人工神经网络模型,经过遗传进化便能自动输出个体适应度满足要求的成分与制备参数。
附图说明
图1是一实施例中的高通量样品制备设备的结构示意图;
图2是一实施例中的数据驱动的铝合金成分设计方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,加装有基片梯度控温系统的高通量样品制备设备包括导热板、基片、加热棒和冷却水道,其中,冷却水道和加热棒与导热板直接接触以进行热传导。加热棒呈长条形,每根长条形加热棒沿第一方向延伸,多根加热棒沿第二方向并排分布,加热棒的加热受控于多路输出功率可控电源,且每根加热棒的温度单独控制。在一实施例中,加热棒形貌相同且于第二方向等间距并排分布,加热棒的数量为5根。冷却水道分布于导热板的周边并环绕所有加热棒,即加热棒位于冷却水道所围绕的区域内。其中,沿第一方向分布于加热棒两侧的第一组冷却水道(分布方向与加热棒分布方向垂直的冷却水道)与第一循环水箱连通,沿第二方向分布于加热棒两侧的第二组冷却水道(分布方向与加热棒分布方向平行的冷却水道)与第二循环水箱连通,即第一组冷却水道和第二组冷却水道独立控制,可以从边缘辅助调节温度。
在一实施例中,冷却水道的数量为4个,其中2个沿第一方向分布于加热棒两侧、另外中2个水管沿第二方向分布于加热棒两侧,4个围成矩形,加热棒则分布于矩形区域内。
上述加装有基片梯度控温系统的高通量样品制备设备,加热棒和冷却水道的特定分布能够快速在导热板表面形成特定方向上的大范围的稳定温度梯度或是快速冷却导热板,从而快速在基片表面形成指定的温度梯度或冷却基片。
本申请还涉及一种数据驱动的铝合金成分设计方法,如图2所示,其包括以下步骤:
步骤S100:利用高通量样品制备设备制备高通量铝合金样品,其中,将基片划分为大量大小相同的微区,在制备期间,通过调整高通量样品制备设备中的各沉积源与基片的相对角度及位置以使基片不同微区中所形成的铝合金合金成分不同,并通过调节加热棒功率、循环水箱工作温度和循环水流速使基片具有梯度温度分布。
该高通量样品制备设备为加装特制基片梯度控温系统的共高通量样品制备设备,基片梯度控温系统能够对共沉积过程中沉积基片的微小区域进行温度控制。该设备除具有常规的梯度合金成分的调控能力外,还具有微区制备参数的控制能力,在通过调整各沉积源与基片的相对角度及位置获得多种合金成分的同时,通过基片梯度控温系统控制基片不同位置的加热历史,使不同合金成分的样品具有不同的制备参数。
在一实施例中,在制备铝合金样品之前,先进行有限元模拟。具体的,根据实际设备建立三维模型,导入有限元模拟软件中进行网格划分和模拟参数设定,其中对导热板和基片的网格进行精细划分,以满足表面各点的温度获取需求,并进行实际控温试验,利用热成像仪和红外测温仪等测温设备获取实际温度分布,模拟参数需要根据实际控温过程进行校准,例如,利用实际温度分布对热传导率和热对流系数进行校准使模拟结果准确可靠。进行大量的传热有限元模拟,并通过部分实际控温过程的温度实测数据对有限元模拟参数进行校准,得到可信的模拟结果。对大量的模拟结果进行分析,得到灵活多样的温度梯度分布与各加热棒功率、各循环水箱工作温度及循环水流速的对应关系,作为基片梯度控温系统的参数调控依据。
在一实施例中,利用高通量样品制备设备制备出合金成分和制备参数均呈梯度变化的Al-Zn-Mg-Cu铝合金样品,并记录制备参数。高通量样品制备设备的溅射室中有五个靶,分别是铝靶、锌靶、镁靶、铜靶和锡靶,通过调整各靶与基片的相对角度、位置及其他参数,使得同一基片上沉积合金成分呈梯度分布,其中铝元素的质量占比范围为80%-95%,锌元素的质量占比范围为3%-10%,镁元素的质量占比范围为0.5%-5%,铜元素的质量占比范围为0.5%-5%,锡元素的质量占比范围为0.1%-2%,在沉积过程中基片不同微区的温度分布范围为30-300℃,沉积结束后停止加热使基片迅速冷却。初始梯度合金成分样品制备结束后进行热处理,热处理至少包括单次固溶和时效处理,固溶过程中基片不同微区的温度分布范围为350-550℃,固溶结束后停止加热使基片迅速冷却。时效过程中基片不同微区的温度分布范围为50-250℃,时效结束后停止加热使基片迅速冷却,热处理结束后高通量Al-Zn-Mg-Cu铝合金样品制备完成。
步骤S200:表征分析各微区所形成铝合金的合金成分和性能参数,建立数据库,数据库中包括每个微区中的样品的合金成分、对应的制备参数以及对应的性能参数。
具体的,在高通量样品制备设备上制备大量具有不同合金成分的铝合金样品,并通过设备的基片梯度控温系统控制铝合金样品的制备参数后,采用微区分析表征技术对微区的合金成分和性能进行表征,在上述过程中采集分析合金成分、制备参数以及与其对应的材料性能数据。该数据包括合金成分、制备参数和材料性能。由于材料制备过程包括沉积和热处理,制备参数至少包括沉积微区的温度,固溶温度与时间,时效温度与时间以及热处理顺序。性能参数则至少包括硬度、弹性模量、电导率和MgZn2析出相体积分数。
在一实施例中,样品微区表征前先将高通量样品进行区域划分和编号,微区大小略大于微区分析表征技术测试的最小区域,每一个微区大小固定且尺寸小于2×2mm,根据基片梯度控温系统的控温历史参数结合有限元模拟结果得到每个微区的制备参数。利用微区分析表征技术对高通量样品的所有微区进行合金成分及性能的表征。表征技术主要包括有微区X射线荧光光谱分析、纳米压痕测试、电导率测试和同步辐射小角衍射,表征内容包括有合金成分、硬度、弹性模量、电导率、析出相体积分数、尺寸及轴比。
在一实施例中,将获取的微区制备参数和微区表征获取的参数编辑整理,将每个微区编号与获取的各项参数对应,并按照一定的规则对数据进行相应的简化和归一化处理。数据处理之后建立数据库,数据库中每条数据应至少包括有微区编号、合金成分、固溶温度与时间、时效温度与时间、硬度、弹性模量、电导率、MgZn2析出相体积分数。
其中,归一化处理的公式为:
式中,xa表示需要归一化的数据,xmin表示数据中的最小值,xmax表示数据中的最大值,ya表示归一化后的数据。
步骤S300:获取数据库中的样本,以合金成分和制备参数作为输入、以对应的性能参数为输出训练人工神经网络模型。
具体的,利用深度神经网络建立铝合金合金成分-制备参数-性能对应关系模型,神经网络的输入层为合金成分、固溶温度与时间和时效温度与时间,神经网络的输出层为硬度、弹性模量、电导率和MgZn2析出相体积分数。利用数据库数据的80%进行模型训练,在训练过程中找到最优隐含层数量,达到准确度与效率的平衡,隐含层数量不少于3层。训练完成后利用另外20%数据进行模型的验证,偏差量在可接受范围内时认为Al-Zn-Mg-Cu铝合金合金成分-制备参数-性能对应关系模型准确性可靠。
步骤S400:采用遗传算法智能寻优,以铝合金的合金成分与制备参数作为种群个体,以目标性能为寻优目标,调用训练好的人工神经网络模型获取不同合金成分与制备参数下的性能参数并计算对应的个体适应度,经过遗传进化后输出个体适应度满足要求的合金成分与制备参数。
以Al-Zn-Mg-Cu铝合金样品为例,智能寻优的遗传算法调用Al-Zn-Mg-Cu铝合金合金成分-制备参数-性能对应关系模型,以需求的多种性能参数为寻优目标,种群个体为Zn、Mg、Cu、Sn四种合金元素的质量百分比和制备参数的集合,根据神经网络模型的性能预测值计算个体适应度。适应度函数的建立基于性能参数的权重,定义适应度函数为Q=f(△x,△d,△q),其中△x为MgZn2析出相体积分数偏差,△d为电导率偏差,△q为其余性能偏差,其中以MgZn2析出相体积分数和电导率为主要性能目标,以电导率代表耐蚀性能、MgZn2析出相体积分数代表力学性能,二者作为主要性能目标,各占35%,其余性能参数根据相关需求共占比30%。在遗传进化过程中当适应度达到设定值时自动输出优化后的Al-Zn-Mg-Cu铝合金合金成分和制备参数。
本发明基于新型高性能Al-Zn-Mg-Cu铝合金开发缓慢的技术难题,利用特制的加装基片梯度控温系统的高通量样品制备设备获取大量合金元素含量和制备参数均不同的样品,通过微区分析表征技术得到样品的合金成分和性能参数,建立铝合金合金成分-制备参数-性能数据库。建立智能分析方法,结合深度神经网络和遗传算法对大量数据进行分析和多目标寻优,以数据驱动的方式获得满足需求性能的铝合金合金成分和制备参数。该发明能够实现新型高性能Al-Zn-Mg-Cu铝合金合金成分的高效设计,缩短新合金设计流程,降低研制成本,提高投产速度。
以下通过具体实施例进行说明。
实施例1
目标超高强铝合金的性能参数为MgZn2析出相体积分数=7%、电导率=40%IACS、显微硬度=1.96GPa,可参考合金牌号有:7055、7085。利用高通量样品制备设备制备一定合金范围和一定制备参数范围的高通量Al-Zn-Mg-Cu铝合金样品,之后进行分析表征,得到不同合金成分和制备参数铝合金样品的性能参数,利用人工神经网络进行数据分析,利用遗传算法进行多目标寻优,得到具有目标性能的铝合金成分和制备参数。本实施例按照如下方法对该目标超高强铝合金进行成分智能设计:
(1)对基片梯度控温系统进行安装调试和校准,梯度温度控制水平调试理想后制备如表1所示的合金成分和制备参数范围内的高通量Al-Zn-Mg-Cu铝合金样品。控制参数为共沉积参数和基片温度梯度。沉积结束后立即使基片梯度控温系统的控温程序启动进行固溶热处理,固溶结束后立即结束控温使循环水箱在低温运行使样品迅速冷却,基片冷却完成后立即使基片梯度控温系统的控温程序启动开始时效处理,时效结束后立即结束控温使循环水箱在低温运行使基片迅速冷却使样品迅速冷却,所有热处理结束后,样品制备完成,热处理参数范围见表。根据控温参数和有限元模拟得到微区温度历史,保留记录制备参数,固溶时温度波动在5℃内的稳定温度作为微区固溶温度,时效时温度波动在5℃内的稳定温度区间的平均温度作为微区时效温度。
表1合金成分和制备参数范围
参数内容 | 参数上限 | 参数下限 |
Zn的质量百分比 | 10% | 5% |
Mg的质量百分比 | 5% | 0.5% |
Cu的质量百分比 | 5% | 0.5% |
Sn的质量百分比 | 1% | 0.1% |
固溶温度 | 550℃ | 400℃ |
固溶时间 | 3h | 1h |
时效温度 | 250℃ | 100℃ |
时效时间 | 24h | 2h |
(2)利用微区分析表征技术,获取不同微区样品的合金成分和性能参数。利用微区X射线荧光光谱分析获取微区合金成分,数据结果保留微区编号和Zn、Mg、Cu、Sn四种元素的质量百分比;利用纳米压痕测试获取微区显微硬度,数据结果保留微区编号和硬度值;电导率测试获取微区电导率,数据结果保留微区编号和电导率;同步辐射小角衍射获取微区析出相特征信息,数据结果保留微区编号和MgZn2析出相体积分数。
(3)对制备参数、合金成分以及性能参数进行对应处理和整理,建立铝合金合金成分-制备参数-性能数据库,之后利用人工神经网络对数据库进行智能分析。利用Excel建立数据库,每条数据包括微区编号、Zn、Mg、Cu、Sn的质量百分比、固溶温度、固溶时间、时效温度、时效时间、电导率、MgZn2析出相体积分数和硬度,部分数据见表2,共计有2500条数据。对除微区编号外的数据进行归一化处理。
去掉微区编号,取数据库前80%数据作为训练集进行深度神经网络训练,神经网络的输入层为Zn、Mg、Cu、Sn四种元素的质量百分比、固溶温度、固溶时间、时效温度、时效时间,输出层为电导率、MgZn2析出相体积分数和硬度。经过调整隐含层和隐含层神经元个数,在隐含层数为5、隐含层神经元个数为13时均方误差值为0.0672(<0.1),认为深度神经网络具有良好的预测能力,利用剩余20%数据作为测试集进行测试,测试样本的网络预测输出与实际值对比的均方误差值为0.0314,认为铝合金合金成分-制备参数-性能对应关系模型建立完成。
表2数据库部分数据
Num | Zn% | Mg% | Cu% | Sn% | <![CDATA[T<sub>s</sub>]]> | <![CDATA[t<sub>s</sub>]]> | <![CDATA[T<sub>a</sub>]]> | <![CDATA[t<sub>a</sub>]]> | %IACS | <![CDATA[MgZn<sub>2</sub>%]]> | Hd |
1 | 7.5 | 2.6 | 4.2 | 0.8 | 543 | 2 | 230 | 21 | 45 | 3.5 | 1.21 |
2 | 7.1 | 1.1 | 1.2 | 0.3 | 425 | 3 | 188 | 8 | 27 | 7.1 | 2.25 |
3 | 6.5 | 3.4 | 3.7 | 0.6 | 428 | 3 | 167 | 21 | 34 | 4.9 | 1.58 |
4 | 10.0 | 1.5 | 3.2 | 0.7 | 506 | 2 | 173 | 10 | 32 | 5.9 | 1.89 |
5 | 5.3 | 4.0 | 2.6 | 0.3 | 498 | 3 | 227 | 5 | 28 | 8.2 | 2.18 |
6 | 8.4 | 0.7 | 2.4 | 0.3 | 524 | 1 | 235 | 4 | 29 | 5.9 | 1.63 |
7 | 8.7 | 3.7 | 4.1 | 1 | 425 | 3 | 235 | 6 | 37 | 4.7 | 1.40 |
8 | 8.5 | 2.9 | 2.1 | 0.9 | 438 | 3 | 197 | 16 | 35 | 6.3 | 1.83 |
9 | 8.0 | 4.4 | 0.8 | 0.1 | 492 | 1 | 160 | 3 | 40 | 3.9 | 1.21 |
… | … | … | … | … | … | … | … | … | … | … | … |
2500 | 8.2 | 4.7 | 0.9 | 0.4 | 536 | 2 | 155 | 9 | 36 | 4.7 | 1.71 |
(4)建立调用步骤(3)所建立的人工神经网络模型的遗传算法,以需求的目标性能为寻优目标,通过遗传算法进行多目标智能寻优,输出最优铝合金成分和制备参数。种群中个体编码使用实数编码,每个个体由Zn、Mg、Cu、Sn四种元素的质量百分比、固溶温度、固溶时间、时效温度和时效时间组合组成,也就是染色体的长度为7。种群规模为90,Zn、Mg、Cu、Sn四种元素的质量百分比、固溶温度、固溶时间、时效温度和时效时间的取值范围分别为[5,10]、[0.5,5]、[0.5,5]、[0.1,1]、[400,550]、[1,3]、[200,250]和[2,24]。定义目标优化函数Q=0.35△p+0.35△m+0.3△h,其中△x为MgZn2析出相体积分数偏差、△d为电导率偏差、△h为硬度偏差,将其作为个体的适应度,首先通过人工神经网络模型得到个体的电导率、MgZn2析出相体积分数和硬度,根据性能预测值计算个体的适应度。根据遗传算法的选择运算、交叉运算和变异运算优化求解,获取一组效果最优个体。利用遗传算法优化合金成分和制备参数,进化次数为200次,交叉概率为0.3,变异概率为0.5。经过200次进化,最优个体的适应度值趋于稳定,得到最优的铝合金成分和制备参数组合,如表3所示。
表3最优的铝合金成分和制备参数组合
Zn% | Mg% | Cu% | Sn% | <![CDATA[T<sub>s</sub>(℃)]]> | <![CDATA[t<sub>s</sub>(h)]]> | <![CDATA[T<sub>a</sub>(℃)]]> | <![CDATA[t<sub>a</sub>(h)]]> |
8.5 | 3.0 | 3.4 | 0.3 | 478 | 2 | 153 | 19 |
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种高通量样品制备设备,其特征在于,包括基片和基片梯度控温系统,所述基片梯度控温系统用于快速在基片表面形成特定方向上的稳定温度梯度以对共沉积过程中基片表面的微小区域进行温度控制,所述基片梯度控温系统包括导热板、加热棒、冷却水道、多路输出功率可控电源、第一循环水箱和第二循环水箱,其中:
导热板,用于导热;
基片,承载于所述导热板上;
多根长条形加热棒,贴附于所述导热板的背面,每根加热棒沿第一方向延伸,所有加热棒沿第二方向并排分布,第一方向与第二方向垂直,其中,加热棒的数量至少5根,所有加热棒等间距并排分布;
多路输出功率可控电源,与每根加热棒连接以独立控制每根加热棒的加热功率;
多个冷却水道,贴附于所述导热板的周边并环绕所有长条形加热棒,其中,冷却水道的数量为4,其中2个水管沿第一方向分布于加热棒两侧、另外中2个水管沿第二方向分布于加热棒两侧;
第一循环水箱,与沿第一方向分布于加热棒两侧的冷却水道相连通;
第二循环水箱,与沿第二方向分布于加热棒两侧的冷却水道相连通,且第一循环水箱和第二循环水箱相互独立。
2.一种数据驱动的铝合金成分设计方法,其特征在于,包括:
利用权利要求1所述的高通量样品制备设备制备高通量铝合金样品,其中,将基片均分为大量的微区,在制备期间,通过调整所述高通量样品制备设备中的各沉积源与基片的相对角度及位置以使基片不同微区中所形成的铝合金合金成分不同,并通过调节加热棒功率、循环水箱工作温度和循环水流速使基片具有梯度温度分布;
表征分析各微区所形成铝合金的合金成分和性能参数,建立数据库,所述数据库中包括每个微区中的样品的合金成分、对应的制备参数以及对应的性能参数;
获取所述数据库中的样本,以合金成分和制备参数作为输入、以对应的性能参数为输出训练人工神经网络模型;
采用遗传算法智能寻优,以铝合金的合金成分与制备参数作为种群个体,以目标性能为寻优目标,调用训练好的人工神经网络模型获取不同合金成分与制备参数下的性能参数并计算对应的个体适应度,经过遗传进化后输出个体适应度满足要求的合金成分与制备参数。
3.如权利要求2所述的铝合金成分设计方法,其特征在于,在制备铝合金样品之前,将高通量样品制备设备的三维模型导入有限元模拟软件进行传热有限元模拟,并根据控温试验中所采集的实际温度分布校准模拟参数,使传热有限元模拟结果趋近实际温度分布;利用校准后的有限元模拟模型进行大量的模拟并对结果进行分析,获取大量不同温度梯度与各加热棒功率、各循环水箱工作温度及循环水流速的对应关系,作为基片梯度控温系统的参数调控依据。
4.如权利要求2所述的铝合金成分设计方法,其特征在于,铝合金样品的制备至少包括有沉积、固溶处理和时效处理,其中,固溶处理和时效处理调成梯度温度分布,固溶处理的加热梯度温度分布范围为350℃-550℃,时效处理的加热梯度温度分布范围为50℃-250℃。
5.如权利要求2所述的铝合金成分设计方法,其特征在于,所制备的为Al-Zn-Mg-Cu铝合金样品,其中,铝元素的质量占比范围为80%-95%,锌元素的质量占比范围为3%-10%,镁元素的质量占比范围为0.5%-5%,铜元素的质量占比范围为0.5%-5%,锡元素的质量占比范围为0.1%-2%。
6.如权利要求5所述的铝合金成分设计方法,其特征在于,铝合金样品的性能参数至少包括硬度、弹性模量、电导率和MgZn2析出相体积分数。
7.如权利要求5所述的铝合金成分设计方法,其特征在于,利用遗传算法智能寻优时,用于计算个体适应度的适应度函数为Q=f(△x,△d,△q),其中,△x为MgZn2析出相体积分数偏差,△d为电导率偏差,△q为其余性能偏差。
8.如权利要求7所述的铝合金成分设计方法,其特征在于,在适应度函数中,MgZn2析出相体积分数偏差的权重为33%~37%,电导率偏差的权重为33%~37%,其余性能参数偏差的权重共占26%~34%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612466.1A CN114990501B (zh) | 2022-05-31 | 2022-05-31 | 高通量样品制备设备及数据驱动的铝合金成分设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612466.1A CN114990501B (zh) | 2022-05-31 | 2022-05-31 | 高通量样品制备设备及数据驱动的铝合金成分设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114990501A CN114990501A (zh) | 2022-09-02 |
CN114990501B true CN114990501B (zh) | 2023-04-18 |
Family
ID=83031290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210612466.1A Active CN114990501B (zh) | 2022-05-31 | 2022-05-31 | 高通量样品制备设备及数据驱动的铝合金成分设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114990501B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8039812B1 (en) * | 2010-04-13 | 2011-10-18 | Surescan Corporation | Test equipment for verification of crystal linearity at high-flux levels |
CN105861787B (zh) * | 2016-05-04 | 2018-08-07 | 上海大学 | 热处理样品高通量制备方法 |
CN109943813B (zh) * | 2019-04-28 | 2023-03-14 | 北京航空航天大学 | 一种Al-Cr金属复合涂层的高通量制备方法 |
CN113088778B (zh) * | 2021-04-02 | 2022-02-08 | 北京理工大学 | 一种高强高刚度镁合金及其制备方法 |
-
2022
- 2022-05-31 CN CN202210612466.1A patent/CN114990501B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114990501A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777461B (zh) | 一种基于doe的高温泵散热器数值优化方法 | |
CN109902861B (zh) | 一种基于双层迁移学习的订单生产进度实时预测方法 | |
CN109063291B (zh) | 机电装备冷却通道结构智能化拓扑优化设计方法 | |
CN109978276B (zh) | 火电厂机群多台供热机组热电负荷分配的在线优化方法 | |
CN110348954B (zh) | 一种面向大规模定制的复杂工艺模块划分方法 | |
Chang et al. | Optimization of heat treatment parameters with the taguchi method for the a7050 aluminum alloy | |
CN114990501B (zh) | 高通量样品制备设备及数据驱动的铝合金成分设计方法 | |
CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
CN107894710B (zh) | 一种裂解反应炉温度的主成分分析建模方法 | |
CN115186557B (zh) | 一种基于多物理场耦合求解热累积效应的增材制造构件微观组织均匀化调控方法 | |
CN108717488A (zh) | 一种强迫风冷散热系统热结构的多目标优化设计方法 | |
CN115015318B (zh) | 一种大型构件热锻全流程宏微观分析方法及平台 | |
CN113191050A (zh) | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 | |
CN114274457B (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
CN111914382B (zh) | 一种基于代理模型的常减压装置的约束进化优化方法 | |
Wan et al. | Hot deformation behaviors of Ti-22Al-26Nb-2Ta alloy based on GA-LSSVM and 3D processing map | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
CN113486588A (zh) | 一种基于机器学习模型的金属材料性能计算方法 | |
CN113162028B (zh) | 一种基于RankBoost的新能源场站AGC综合性能评估方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN117080619A (zh) | 一种新能源汽车电池散热管理方法与系统 | |
CN106447065B (zh) | 碳纤维原丝生产过程中凝固浴环节性能指标的预测方法 | |
CN110688758B (zh) | 基于spea2算法的锻造电阻炉生产优化方法 | |
CN111767646B (zh) | 塔式太阳能热发电站接收器优化设计方法 | |
CN115221944A (zh) | 一种基于cnn神经网络模型控制大型铸件热处理的方法 |
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 |