CN116580791A - 一种同时优化合金钎料润湿性和钎焊接头强度的方法 - Google Patents
一种同时优化合金钎料润湿性和钎焊接头强度的方法 Download PDFInfo
- Publication number
- CN116580791A CN116580791A CN202310481615.XA CN202310481615A CN116580791A CN 116580791 A CN116580791 A CN 116580791A CN 202310481615 A CN202310481615 A CN 202310481615A CN 116580791 A CN116580791 A CN 116580791A
- Authority
- CN
- China
- Prior art keywords
- brazing
- alloy
- wettability
- strength
- filler metal
- 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
Links
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 80
- 239000000956 alloy Substances 0.000 title claims abstract description 80
- 229910000679 solder Inorganic materials 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000003466 welding Methods 0.000 claims abstract description 35
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000005219 brazing Methods 0.000 claims description 136
- 229910052751 metal Inorganic materials 0.000 claims description 83
- 239000002184 metal Substances 0.000 claims description 83
- 239000000945 filler Substances 0.000 claims description 71
- 230000007480 spreading Effects 0.000 claims description 70
- 238000003892 spreading Methods 0.000 claims description 70
- 239000010953 base metal Substances 0.000 claims description 33
- 230000008018 melting Effects 0.000 claims description 32
- 238000002844 melting Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004321 preservation Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 22
- 238000002474 experimental method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000002360 preparation method Methods 0.000 claims description 18
- 229910000510 noble metal Inorganic materials 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 239000007791 liquid phase Substances 0.000 claims description 10
- 238000009835 boiling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000889 atomisation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000001803 electron scattering Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000009977 dual effect Effects 0.000 abstract description 2
- 229910000967 As alloy Inorganic materials 0.000 abstract 1
- 238000005476 soldering Methods 0.000 description 8
- 239000010949 copper Substances 0.000 description 7
- 229910000963 austenitic stainless steel Inorganic materials 0.000 description 6
- KDLHZDBZIXYQEI-UHFFFAOYSA-N Palladium Chemical compound [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 150000002739 metals Chemical class 0.000 description 4
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 4
- 229910000906 Bronze Inorganic materials 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 239000010974 bronze Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 229910001325 element alloy Inorganic materials 0.000 description 3
- 229910001369 Brass Inorganic materials 0.000 description 2
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 2
- 239000010951 brass Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 235000021183 entrée Nutrition 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052763 palladium Inorganic materials 0.000 description 2
- 229910052697 platinum Inorganic materials 0.000 description 2
- 229910000923 precious metal alloy Inorganic materials 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 229910000521 B alloy Inorganic materials 0.000 description 1
- 229910000927 Ge alloy Inorganic materials 0.000 description 1
- 241000053208 Porcellio laevis Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种同时优化合金钎料润湿性和钎焊接头强度的方法,属于合金钎料技术领域。本发明所述方法首先获取合金成分、工艺参数及性能等数据作为数据集样本;通过特征转化数学公式将合金成分转化为成分新特征;基于特征筛选策略筛选出成分关键特征组合;然后,构建焊接强度的机器学习模型和钎料润湿性的机器学习模型;最后,基于两种多目标优化策略开展双性能综合提升;选择出多目标优化解开展实验验证及迭代优化设计,直到优化的双性能均满足期望值。通过本发明同时优化合金钎料润湿性和钎焊接头强度的方法设计,钎焊接头强度和润湿性的实际值和预测值平均绝对百分比误差均在9%以内。
Description
技术领域
本发明属于合金钎料技术领域,具体涉及一种同时优化合金钎料润湿性和钎焊接头强度的方法。
背景技术
贵金属合金钎料熔化温度适中、润湿母材广泛、钎接头具有优良的力学、电学性能和化学稳定性,因此被广泛用于航空、航天和电子工业。在机械、化工、石油、核能、轻工业领域中,贵金属钎接材料也占有重要地位。按其熔化温度分,贵金属钎接材料分为硬钎料(熔化温度高于450℃)和软钎料(熔化温度低于450℃);按合金组元来分,主要有银基钎料、金基钎料、钯基钎料和部分铂基钎料。其中银钎料用途最广泛,主要用于中、低温钎焊。在低温和高温下具有一定特殊性能的钎料多是金基、钯基和部分铂基钎料。
钎料润湿性和钎焊接头强度是评价贵金属钎料是否符合特定场景使用的两个关键服役性能指标,目前,尚且不存在成熟的软件对贵金属合金钎料的润湿性和钎焊接头强度性能开展预测,最终导致设计具有理想润湿性和钎焊接头强度的贵金属合金钎料时缺乏指导。开发具有理想润湿性和钎焊接头强度的贵金属合金钎料常采用“试错法”,但是,由组分、结构、制备加工条件等因素决定的材料空间巨大,通过“试错法”在巨大的材料空间中寻找满足特定性能要求的新型贵金属合金钎料,面临开发周期长、成本高(合金钎料大部分包含贵金属)等问题。因此,迫切需要提出一种贵金属合金钎料新型研发方式来解决传统材料研发方式的缺陷。
对于工程应用材料,往往有多个性能的要求,只有实现多个性能的同时优化,才能满足材料的工程化应用要求。然而,影响材料性能的因素较多,且各因素交互作用复杂,一些性能往往是此消彼长的矛盾关系,如合金的导电率与强度,金属的强度和韧性等。多目标优化一直是工程领域的一个重要研究课题,也是材料研发及应用中需要解决的关键问题。在设计具有理想润湿性和钎焊接头强度的贵金属合金钎料时,面临着润湿性和钎焊接头强度双性能综合提升问题。因此,在研发新型贵金属合金钎料时,需要提出一种新型研发策略来同时兼顾润湿性和钎焊接头强度双性能的综合提升。
基于上述分析,贵金属合金钎料领域,迫切需要提出一种能克服传统“试错法”缺陷的新型研发方法来开发同时满足润湿性和钎焊接头强度性能需求的新型合金钎料。
发明内容
针对上述现有技术的缺点,本发明提供一种同时优化合金钎料润湿性和钎焊接头强度的方法。
为实现上述目的,本发明采取的技术方案为:一种同时优化合金钎料润湿性和钎焊接头强度的方法,包括如下步骤:
S1:查找合金钎料成分和母材成分的化学式、钎料熔点、钎料制备工艺、钎焊保温时间、钎焊温度、焊接强度、铺展实验保温时间、铺展实验保温温度、钎料用量以及铺展面积的数据作为数据集样本。
S2:基于钎料合金以及母材成分的化学配比,通过特征转化数学公式将成分特征转化为由物理化学参量构建成的成分新特征,通过数学运算,一种成分对应转化为多种新特征,最终构成钎料合金与母材成分候选特征集合。
S3:钎料成分新特征和两种钎焊母材成分新特征为机器学习钎焊接头强度预测模型的输入,焊接强度为机器学习钎焊接头强度预测模型的输出;钎料成分新特征和铺展母材成分新特征为机器学习钎料润湿性预测模型的输入,铺展面积为机器学习钎料润湿性预测模型的输出。
S4:基于线性相关性过滤、遗传算法、特征权重排序的特征筛选策略,采用支持向量回归、树回归、高斯回归和集成树回归对钎料成分新特征和两种钎焊母材成分新特征以及钎料成分新特征和铺展母材成分新特征开展机器学习模型输入特征筛选,分别筛选出钎焊接头强度和钎料润湿性机器学习预测模型的关键特征组合;然后分别构建焊接强度的机器学习模型和钎料润湿性的机器学习模型。
S5:确定钎料合金成分优化设计的对象、母材的种类、实际使用条件中的液相温度范围,并确定钎料成分、钎料用量和钎焊工艺参数的机器学习筛选区间。
S6:采用两种多目标优化策略对贵金属合金钎料的润湿性及钎焊接头强度性能同时开展双性能综合提升;所述两种多目标优化策略为策略一:构建多目标转单目标优化的多目标效用函数,所述多目标效用函数为MOEI=EISA 2+EIJS 2,MOEI=EISA+EIJS、MOEI=EISA×EIJS或其中EISA为铺展面积的效用函数,EIJS为钎焊接头强度的效用函数,策略二:采用遗传算法、多目标遗传算法、非支配排序遗传算法、非支配排序遗传进化算法开展多目标性能优化。
S7:基于贝叶斯优化的方法,在限定的优化筛选区间内,计算多目标效用函数MOEI的值;基于遗传算法、多目标遗传算法、非支配排序遗传算法、非支配排序遗传进化算法,在限定的优化筛选区间内,计算Pareto前沿面的解。
S8:选择出MOEI值中最大的三个值与Pareto前沿面中最合适的三个解,并对上述6种钎料合金成分、钎焊工艺和钎焊性能进行实验验证,在上述选择MOEI值和Pareto前沿面最优解的过程中,结合Factsage,Pandat,JMatPro和Thermo-Calc热力学计算软件将钎料合金成分筛选范围限定在满足实际使用需求的液相温度成分区间内,然后将成分相关的关键特征集、熔点、制备工艺、钎焊工艺参数、润湿性能和焊接强度性能等数据添加到训练集,进行下一次迭代和设计,直到优化的钎焊接头强度和铺展面积均满足期望值。
作为本发明的优选实施方案,所述S2中,特征转化数学公式具体为:用式(1)计算每一个合金的50个物理化学参量加权平均值fave,i特征量,用式(2)计算每一个合金的50个物理化学参量加权方差值fvar,i特征量,最终100个fave,i和fvar,i特征构成一种成分对应的新特征,依次计算每种钎料合金和母材成分对应的特征,最终构成成分候选特征集合;
其中,ωi代表第i个元素的质量百分数(i=1,2,…,n),n代表合金的组元数量,它的大小由所收集的钎料合金和母材成分中的合金包含的最多元素种类决定,fi代表元素的各个物理化学参量(fi=1,2,…,50)。
作为本发明的优选实施方案,所述S2中,物理化学参量包括元素序号、周期、族号、相对原子质量、a晶格常数、b晶格常数、c晶格常数、第一电离能、第二电离能、第三电离能、电子亲和能、化学势能、结合能、电负性、电负性、电负性、电负性绝对值、熔点1、熔点2、沸点1、沸点2、功函数、核电子距离、环境原子数、价电子轨道s、价电子距离、金属半径、共价半径、离子半径、原子半径1、原子半径2、原子体积、表面焓、原子化焓、融化焓、蒸发焓、空位焓变、体积模量、杨氏模量、压缩模量、刚度模量、有效核电荷数、有效核电荷数、原子电子散射系数为0.5、质量衰减系数、质量衰减系数、质量衰减系数、质量衰减系数、V2/3以及nWS1/3Miedema在内的共50个元素基本物理化学参量。
作为本发明的优选实施方案,所述S3中,对钎料成分新特征和两种钎焊母材成分新特征进行输入时,通过设置权重来分配构建出的成分特征,构建焊接强度机器学习预测模型时:钎料成分、母材1成分和母材2成分的权重系数分别设置为40%、31%和29%;构建钎料润湿性机器学习预测模型时:钎料成分和铺展母材成分的权重系数分别设置为55%和45%。
作为本发明的优选实施方案,所述焊接强度的机器学习模型为输入:焊接强度关键成分特征集、钎料熔点、钎料制备工艺、钎焊保温时间和钎焊温度,输出:焊接强度;所述钎料润湿性的机器学习模型为输入:铺展面积关键成分特征集、钎料熔点、钎料制备工艺、铺展实验保温时间、铺展实验保温温度和钎料用量,输出:铺展面积。
与现有技术相比,本发明的有益效果为:本发明通过特征转化数学公式将合金成分转化为新成分特征;基于特征筛选策略筛选出成分关键特征组合;然后,构建出“输入(焊接强度关键成分特征组合+熔点+制备工艺+保温时间+钎焊温度)—输出(焊接强度)”以及“输入(铺展面积关键成分特征集+钎料熔点+制备工艺+铺展时间+铺展温度+钎料用量)—输出(铺展面积)”机器学习模型;然后,基于两种多目标优化策略开展双性能综合提升;选择出多目标优化解开展实验验证及迭代优化设计,直到优化的双性能均满足期望值。本发明有望克服传统“试错法”进行成分设计的缺陷,通过本发明同时优化合金钎料润湿性和钎焊接头强度的方法设计,钎焊接头强度和润湿性的实际值和预测值平均绝对百分比误差均在9%以内。因此,本发明所述方法对贵金属合金钎料的润湿性和钎焊接头强度的预测具有较高的准确性,同时本发明所述方法可推广到其他非贵金属合金钎料的润湿性和钎焊接头强度预测,该方法具有普适性。
附图说明
图1为本发明实施例1钎焊接头强度的实际值和机器学习模型预测值的平均绝对百分比误差图。
图2为本发明实施例1润湿性的实际值和机器学习模型预测值的平均绝对百分比误差图。
具体实施方式
为更好地说明本发明的目的、技术方案和优点,下面将结合具体实施例对本发明作进一步说明。
实施例1
一种同时优化合金钎料润湿性和钎焊接头强度的方法,包括以下步骤:
S1:从文献、公开数据库以及高通量实验中获取合金钎料成分和母材成分的化学式、钎料熔点、钎料制备工艺、钎焊保温时间、钎焊温度、焊接强度、铺展实验保温时间、铺展实验保温温度、钎料用量以及铺展面积等数据集样本,共收集到焊接强度相关方面的数据367组(钎料制备工艺相同,均为熔铸制备),部分焊接强度方面的数据如表1所示,收集到铺展面积相关方面的数据480组,部分铺展面积方面的数据如表2所示。
表1收集的部分焊接强度相关数据
表2收集的部分铺展面积相关数据
S2:基于钎料合金以及母材成分的化学配比,通过特征转化数学公式将成分特征转化为由物理化学参量构建成的新成分特征,通过数学运算,一种成分对应转化为多种新特征,最终构成钎料合金与母材成分候选特征集合。物理化学参量包括元素序号、周期、族号、相对原子质量、a晶格常数(Lattice Constants)、b晶格常数(Lattice Constants)、c晶格常数(Lattice Constants)、第一电离能、第二电离能、第三电离能、电子亲和能、化学势能Miedema、结合能、电负性(Pauling)、电负性(Alfred-Rochow)、电负性(Martynov&Batsanov)、电负性绝对值、熔点1、熔点2、沸点1、沸点2、功函数、核电子距离、环境原子数、价电子轨道s、价电子距离、金属半径、共价半径、离子半径、原子半径1(配位数12)、原子半径2(配位数12)、原子体积、表面焓(Miedema)、原子化焓、融化焓、蒸发焓、空位焓变、体积模量、杨氏模量、压缩模量、刚度模量、有效核电荷数(Clementi)、有效核电荷数Slater、原子电子散射系数为0.5、质量衰减系数CrKalpha、质量衰减系数CuKalpha、质量衰减系数FeKalpha、质量衰减系数MoKalpha、V2/3以及nWS1/3Miedema在内的50个元素基本物理化学参量。部分物理化学参量的对应元素的具体值如表3所示。特征转化数学公式为:用式(1)计算每一个合金的50个物理化学参量加权平均值fave,i特征量,用式(2)计算每一个合金的50个物理化学参量加权方差值fvar,i特征量。最终100个fave,i和fvar,i特征构成一种成分对应的新特征(如表4所示),依次计算每种钎料合金和母材成分对应的特征,最终构成成分候选特征集合。
其中,ωi代表第i个元素的质量百分数(i=1,2,…,n),n代表合金的组元数量,实施例1中收集到的数据中,合金最高种类为十元合金,因此,此处的n=10,fi代表元素的各个物理化学参量(fi=1,2,…,50)。
表3部分基本物理化学参量
表4通过特征转化数学公式构建出的新特征
/>
针对实施例1,上述公式(1)和公式(2)具体用法如下:公式(1)和公式(2)每次带入一个物理化学参量,分别各得到一个对应的物理化学参量的加权平均值fave,i特征量以及加权方差值fvar,i特征量,当依次带入50个物理化学参量后,就构建出100个特征量集合用于后续的特征筛选。以表1中第一个数据Ti-15Cu-15Ni和表3中对应的第8个物理化学参量第一电离能为例来说明,其他针对第一个数据Ti-15Cu-15Ni的其他物理化学参量的加权平均值fave,i特征量以及加权方差值fvar,i特征量依此类推:
对于公式(1),n代表合金的组元数量,此处表1中第一个数据Ti-15Cu-15Ni为3元合金,所以此处n=3,i代表合金的元素序号,i=1,2,3,分别依次对应着元素Ti,Cu和Ni,ωi代表第i个元素的质量百分数,分别对应着Ti,Cu和Ni 3个元素的质量百分数为70%,15%,15%;fi代表元素的各个物理化学参量(fi=1,2,…,50)。此处,i=8,fi对应着第一电离能。
因此,由公式(1)得第8个物理化学参量元素序号的加权平均值fave,i=(0.7*658)+(0.15*745.4)+(0.15*736.7)=682.915;由公式(2)得第8个物理化学参量元素序号的加权方差值fvar,i=0.7*(658-682.915)+0.15*(745.4-682.915)+0.15*(736.7-682.915)。
以此类推,可依次得到第一个数据的其他物理化学参量的的加权平均值fave,i特征以及加权方差值fvar,i,最终将第一个成分数据Ti-15Cu-15Ni转化为对应着的100个新特征。以此类推,可得到其他各个数据对应的新特征,最终将所有的钎料合金成分及母材成分数据全部转化为新的候选特征集合。
S3:钎料成分新特征和两种钎焊母材成分新特征为机器学习钎焊接头强度预测模型的输入,焊接强度为机器学习钎焊接头强度预测模型的输出;此外,钎料成分新特征和铺展母材成分新特征为机器学习钎料润湿性预测模型的输入,铺展面积为机器学习钎料润湿性预测模型的输出。钎料成分新特征和钎焊母材成分新特征进行输入时,通过设置权重来分配构建出的成分特征,构建焊接强度机器学习预测模型时:钎料成分、母材1成分和母材2成分的权重系数分别设置为:40%、31%、29%;构建铺展面积机器学习预测模型时:钎料成分和铺展母材成分的权重系数分别设置为:55%和45%;
S4:基于相关性筛选→遗传算法→特征权重排序的特征筛选策略,采用SVR、TREE、GPR和ENTREE等方法对钎料成分新特征和两种钎焊母材成分新特征以及钎料成分新特征和铺展母材成分新特征开展机器学习模型输入特征筛选,分别筛选出钎焊接头强度和铺展面积机器学习预测模型的关键特征组合(采用SVR、TREE、GPR和ENTREE四种方法开展特征筛选,使用模型误差评估各种算法的适用性,误差最小的SVR模型作为最终的机器学习算法);基于筛选出的结果分别构建出“输入(焊接强度关键成分特征集+钎料熔点+钎料制备工艺+钎焊保温时间+钎焊温度)—输出(焊接强度)”以及“输入(铺展面积关键成分特征集+钎料熔点+钎料制备工艺+铺展实验保温时间+铺展实验保温温度+钎料用量)—输出(铺展面积)”机器学习模型,焊接强度机器学习模型和铺展面积机器学习模型的表现示意图分别如图1和图2所示,测试集在焊接强度机器学习模型和铺展面积机器学习模型上的平均绝对百分比误差分别为8.42%和8.7%,说明模型对焊接强度和铺展面积的预测效果较好。
S5:母材1和母材2均固定为特定应用场景中使用的201奥氏体不锈钢(Fe-17Cr-4Ni-6Mn-1Si),钎料成分优化设计对象选择Ag-Cu-Zn-In多元合金钎料体系,规定各元素的含量(Wt%)筛选区间为:Ag:10~30、Cu:30~60、Zn:30~60、In:.0.5~10。钎料液相温度范围为680-820℃。此外,钎焊温度筛选区间为700-880℃,钎焊时间筛选区间为1-30min,铺展温度筛选区间为700-880℃,铺展实验保温时间筛选区间为0.1-30min,铺展实验中的钎料用量固定为200mg。
S6:基于两种多目标优化策略对贵金属合金钎料的润湿性及钎焊接头强度性能同时开展双性能综合提升:策略1:构建多目标转单目标优化的多目标效用函数MOEI=EISA 2+EIJS 2;策略2:采用NSGA多目标优化算法开展多目标性能优化。
S7:基于贝叶斯优化的方法,在限定的优化筛选区间内,计算多目标效用函数MOEI的值;基于NSGA多目标优化算法,在限定的优化筛选区间内,计算Pareto前沿面的解。
S8:选择出MOEI值最大的三个值与Pareto前沿面最合适的三个解,并对上述6种钎料合金成分、钎焊工艺和钎焊性能进行实验验证,在上述选择MOEI值和Pareto前沿面最优解的过程中,结合Pandat热力学计算软件将钎料合金成分筛选范围限定在满足实际使用需求的液相温度成分区间内。然后将成分相关的关键特征集、熔点、制备工艺、钎焊工艺参数、润湿性能和焊接强度性能等数据添加到训练集,进行下一次迭代和设计,直到优化的钎焊接头强度和铺展面积均满足期望值。
最终优化出的钎料成分及对应的工艺参数和性能值为:钎料成分—Ag-44.2Cu-34.9Zn-1.61In,熔点:752℃,钎焊201奥氏体不锈钢和201奥氏体不锈钢两种相同母材的钎焊接头强度为513MPa,对应钎焊工艺参数为:钎焊温度860℃,钎焊时间3min。此外,在201奥氏体不锈钢上的铺展面积为255mm2,对应铺展工艺参数为:钎料用量200mg,铺展温度870℃,保温时间5min。
实施例2:Ag-Cu-Zn-Mn-Ni-Si-P-B合金钎料润湿性能和钎焊接头强度的成分优化设计,具体步骤如下:
步骤S1-S4与实施例1相同,此处不再赘述。
S5:母材固定为特定应用场景中使用的QAl9-4铝青铜(85.29Cu-9Al-4Fe-1Zn-0.5Mn-0.1Sn-0.1Si-0.01P)以及1Cr18Ni9奥氏体不锈钢(69.775Fe-18Cr-9Ni-2Mn-1Si-0.15C-0.045P-0.03S),钎料成分优化设计对象选择Ag-Cu-Zn-Mn-Ni-Si-P-B多元合金钎料体系,规定各元素的含量(Wt%)筛选区间为:Ag:10~30、Cu:30~60、Zn:0.2~10、Mn:10~30、Ni:10~30、Si:0.01~0.5、P:0.01~0.5、B:0.01~0.5。钎料液相温度范围为700-900℃。此外,钎焊温度筛选区间为720-950℃,钎焊时间筛选区间为1-30min,铺展实验保温温度筛选区间为720-950℃,铺展实验保温时间筛选区间为0.1-30min,铺展实验中的钎料用量固定为200mg。
S6:基于两种多目标优化策略对贵金属合金钎料的润湿性及钎焊接头强度性能同时开展双性能综合提升:策略1—构建多目标转单目标优化的多目标效用函数MOEI=EISA×EIJS;策略2—采用GA多目标优化算法开展多目标性能优化。
S7:基于贝叶斯优化的方法,在限定的优化筛选区间内,计算多目标效用函数MOEI的值;基于GA多目标优化算法,在限定的优化筛选区间内,计算Pareto前沿面的解。
S8:选择出MOEI值最大的三个值与Pareto前沿面最合适的三个解,并对上述6种钎料合金成分、钎焊工艺和钎焊性能进行实验验证,在上述选择MOEI值和Pareto前沿面最优解的过程中,结合JMatPro热力学计算软件将钎料合金成分筛选范围限定在满足实际使用需求的液相温度成分区间内。然后将成分相关的关键特征集、熔点、制备工艺、钎焊工艺参数、润湿性能和焊接强度性能等数据添加到训练集,进行下一次迭代和设计,直到优化的钎焊接头强度和铺展面积均满足期望值。
最终优化出的钎料成分及对应的工艺参数和性能值为:钎料成分—Ag-37.23Cu-1.98Zn-20.59Mn-12.03Ni-0.38Si-0.32P-0.29B,熔点:869℃,钎焊QAl9-4铝青铜和1Cr18Ni9奥氏体不锈钢两种母材的钎焊接头强度为336MPa,对应钎焊工艺参数为:钎焊温度955℃,钎焊时间18min。此外,在QAl9-4铝青铜母材上的铺展面积为250mm2,对应铺展工艺参数为:钎料用量200mg,铺展温度960℃,保温时间10min。
实施例3:Ag-Cu-Zn-Sn-Ge合金钎料润湿性能和钎焊接头强度的成分优化设计,具体步骤如下:
步骤S1-S4与实施例1相同,此处不再赘述;
S5:母材固定为特定应用场景中使用的铜(Cu)以及H62黄铜(Cu-38Zn),钎料成分优化设计对象选择Ag-Cu-Zn-Sn-Ge多元合金钎料体系,规定各元素的含量(Wt%)筛选区间为:Ag:40~70、Cu:10~30、Zn:10~30、Sn:1~10、Ge:0.2~5。钎料液相温度范围为550-700℃。此外,钎焊温度筛选区间为570-770℃,钎焊时间筛选区间为1-30min,铺展实验保温温度筛选区间为570-770℃,铺展实验保温时间筛选区间为0.1-30min,铺展实验中的钎料用量固定为200mg;
S6:基于两种多目标优化策略对贵金属合金钎料的润湿性及钎焊接头强度性能同时开展双性能综合提升:策略1—构建多目标转单目标优化的多目标效用函数MOEI=√EISA 2+EIJS 2;策略2—采用MOGA多目标优化算法开展多目标性能优化;
S7:基于贝叶斯优化的方法,在限定的优化筛选区间内,计算多目标效用函数MOEI的值;基于MOGA多目标优化算法,在限定的优化筛选区间内,计算Pareto前沿面的解;
S8:选择出MOEI值最大的三个值与Pareto前沿面最合适的三个解,并对上述6种钎料合金成分、钎焊工艺和钎焊性能进行实验验证,在上述选择MOEI值和Pareto前沿面最优解的过程中,结合Thermo-Calc热力学计算软件将钎料合金成分筛选范围限定在满足实际使用需求的液相温度成分区间内。然后将成分相关的关键特征集、熔点、制备工艺、钎焊工艺参数、润湿性能和焊接强度性能等数据添加到训练集,进行下一次迭代和设计,直到优化的钎焊接头强度和铺展面积均满足期望值。
最终优化出的钎料成分及对应的工艺参数和性能值为:钎料成分—Ag-23.1Cu-18.4Zn-4.3Sn-1.86Ge,熔点:630℃,钎焊铜以及H62黄铜两种母材的钎焊接头强度为168MPa,对应钎焊工艺参数为:钎焊温度685℃,钎焊时间16min。此外,在铜母材上的铺展面积为348mm2,对应铺展工艺参数为:钎料用量200mg,铺展温度675℃,保温时间20min。
最后所应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种同时优化合金钎料润湿性和钎焊接头强度的方法,其特征在于,包括如下步骤:
S1:查找合金钎料成分和母材成分的化学式、钎料熔点、钎料制备工艺、钎焊保温时间、钎焊温度、焊接强度、铺展实验保温时间、铺展实验保温温度、钎料用量以及铺展面积的数据作为数据集样本;
S2:基于钎料合金以及母材成分的化学配比,通过特征转化数学公式将成分特征转化为由物理化学参量构建成的成分新特征,通过数学运算,一种成分对应转化为多种新特征,最终构成钎料合金与母材成分候选特征集合;
S3:钎料成分新特征和两种钎焊母材成分新特征为机器学习钎焊接头强度预测模型的输入,焊接强度为机器学习钎焊接头强度预测模型的输出;钎料成分新特征和铺展母材成分新特征为机器学习钎料润湿性预测模型的输入,铺展面积为机器学习钎料润湿性预测模型的输出;
S4:基于线性相关性过滤、遗传算法、特征权重排序的特征筛选策略,采用支持向量回归、树回归、高斯回归和集成树回归对钎料成分新特征和两种钎焊母材成分新特征以及钎料成分新特征和铺展母材成分新特征开展机器学习模型输入特征筛选,分别筛选出钎焊接头强度和钎料润湿性机器学习预测模型的关键特征组合;然后分别构建焊接强度的机器学习模型和钎料润湿性的机器学习模型;
S5:确定钎料合金成分优化设计的对象、母材的种类、实际使用条件中的液相温度范围,并确定钎料成分、钎料用量和钎焊工艺参数的机器学习筛选区间;
S6:采用两种多目标优化策略对贵金属合金钎料的润湿性及钎焊接头强度性能同时开展双性能综合提升;所述两种多目标优化策略为策略一:构建多目标转单目标优化的多目标效用函数,所述多目标效用函数为MOEI=EISA 2+EIJS 2,MOEI=EISA+EIJS、MOEI=EISA×EIJS或其中EISA为铺展面积的效用函数,EIJS为钎焊接头强度的效用函数,策略二:采用遗传算法、多目标遗传算法、非支配排序遗传算法、非支配排序遗传进化算法开展多目标性能优化;
S7:基于贝叶斯优化的方法,在限定的优化筛选区间内,计算多目标效用函数MOEI的值;基于遗传算法、多目标遗传算法、非支配排序遗传算法、非支配排序遗传进化算法,在限定的优化筛选区间内,计算Pareto前沿面的解;
S8:选择出MOEI值中最大的三个值与Pareto前沿面中最合适的三个解,并对上述6种钎料合金成分、钎焊工艺和钎焊性能进行实验验证,在上述选择MOEI值和Pareto前沿面最优解的过程中,结合Factsage,Pandat,JMatPro和Thermo-Calc热力学计算软件将钎料合金成分筛选范围限定在满足实际使用需求的液相温度成分区间内,然后将成分相关的关键特征集、熔点、制备工艺、钎焊工艺参数、润湿性能和焊接强度性能等数据添加到训练集,进行下一次迭代和设计,直到优化的钎焊接头强度和铺展面积均满足期望值。
2.如权利要求1所述同时优化合金钎料润湿性和钎焊接头强度的方法,其特征在于,所述S2中,特征转化数学公式具体为:用式(1)计算每一个合金的50个物理化学参量加权平均值fave,i特征量,用式(2)计算每一个合金的50个物理化学参量加权方差值fvar,i特征量,最终100个fave,i和fvar,i特征构成一种成分对应的新特征,依次计算每种钎料合金和母材成分对应的特征,最终构成成分候选特征集合;
其中,ωi代表第i个元素的质量百分数(i=1,2,…,n),n代表合金的组元数量,它的大小由所收集的钎料合金和母材成分中的合金包含的最多元素种类决定,fi代表元素的各个物理化学参量(fi=1,2,…,50)。
3.如权利要求1所述同时优化合金钎料润湿性和钎焊接头强度的方法,其特征在于,所述S2中,物理化学参量包括元素序号、周期、族号、相对原子质量、a晶格常数、b晶格常数、c晶格常数、第一电离能、第二电离能、第三电离能、电子亲和能、化学势能、结合能、电负性、电负性、电负性、电负性绝对值、熔点1、熔点2、沸点1、沸点2、功函数、核电子距离、环境原子数、价电子轨道s、价电子距离、金属半径、共价半径、离子半径、原子半径1、原子半径2、原子体积、表面焓、原子化焓、融化焓、蒸发焓、空位焓变、体积模量、杨氏模量、压缩模量、刚度模量、有效核电荷数、有效核电荷数、原子电子散射系数为0.5、质量衰减系数、质量衰减系数、质量衰减系数、质量衰减系数、V2/3以及nWS1/3Miedema在内的共50个元素基本物理化学参量。
4.如权利要求1所述同时优化合金钎料润湿性和钎焊接头强度的方法,其特征在于,所述S3中,对钎料成分新特征和两种钎焊母材成分新特征进行输入时,通过设置权重来分配构建出的成分特征,构建焊接强度机器学习预测模型时:钎料成分、母材1成分和母材2成分的权重系数分别设置为40%、31%和29%;构建钎料润湿性机器学习预测模型时:钎料成分和铺展母材成分的权重系数分别设置为55%和45%。
5.如权利要求1所述同时优化合金钎料润湿性和钎焊接头强度的方法,其特征在于,所述S4中,焊接强度的机器学习模型为输入:焊接强度关键成分特征集、钎料熔点、钎料制备工艺、钎焊保温时间和钎焊温度,输出:焊接强度;钎料润湿性的机器学习模型为输入:铺展面积关键成分特征集、钎料熔点、钎料制备工艺、铺展实验保温时间、铺展实验保温温度和钎料用量,输出:铺展面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310481615.XA CN116580791B (zh) | 2023-04-28 | 2023-04-28 | 一种同时优化合金钎料润湿性和钎焊接头强度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310481615.XA CN116580791B (zh) | 2023-04-28 | 2023-04-28 | 一种同时优化合金钎料润湿性和钎焊接头强度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580791A true CN116580791A (zh) | 2023-08-11 |
CN116580791B CN116580791B (zh) | 2024-06-18 |
Family
ID=87538911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310481615.XA Active CN116580791B (zh) | 2023-04-28 | 2023-04-28 | 一种同时优化合金钎料润湿性和钎焊接头强度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580791B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180113967A1 (en) * | 2016-10-26 | 2018-04-26 | Northwestern University | System and Method for Predicting Fatigue Strength of Alloys |
CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
KR20200065768A (ko) * | 2018-11-30 | 2020-06-09 | 한국생산기술연구원 | Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치 |
TWI737497B (zh) * | 2020-09-18 | 2021-08-21 | 中國鋼鐵股份有限公司 | 品質設計方法與電子裝置 |
CN114580271A (zh) * | 2022-02-16 | 2022-06-03 | 昆明贵金属研究所 | 一种实现多元贵金属合金钎料固-液相温度预测的方法 |
CN114580272A (zh) * | 2022-02-16 | 2022-06-03 | 昆明贵金属研究所 | 同时对多元电接触合金导电率和硬度进行优化的设计方法 |
CN114932337A (zh) * | 2022-06-10 | 2022-08-23 | 上海大学 | 一种SnAgCuBiIn系无铅焊料合金、其设计方法及制备方法 |
US20220335182A1 (en) * | 2021-04-19 | 2022-10-20 | University Of Science And Technology Beijing | Machine learning-based method for designing high-strength high-toughness steel |
CN115935741A (zh) * | 2022-12-07 | 2023-04-07 | 华南理工大学 | 一种新型cmt最优焊接工艺参数选取方法 |
-
2023
- 2023-04-28 CN CN202310481615.XA patent/CN116580791B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180113967A1 (en) * | 2016-10-26 | 2018-04-26 | Northwestern University | System and Method for Predicting Fatigue Strength of Alloys |
KR20200065768A (ko) * | 2018-11-30 | 2020-06-09 | 한국생산기술연구원 | Ti-6Al-4V 합금의 유동 응력 예측방법 및 그 장치 |
CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
TWI737497B (zh) * | 2020-09-18 | 2021-08-21 | 中國鋼鐵股份有限公司 | 品質設計方法與電子裝置 |
US20220335182A1 (en) * | 2021-04-19 | 2022-10-20 | University Of Science And Technology Beijing | Machine learning-based method for designing high-strength high-toughness steel |
CN114580271A (zh) * | 2022-02-16 | 2022-06-03 | 昆明贵金属研究所 | 一种实现多元贵金属合金钎料固-液相温度预测的方法 |
CN114580272A (zh) * | 2022-02-16 | 2022-06-03 | 昆明贵金属研究所 | 同时对多元电接触合金导电率和硬度进行优化的设计方法 |
CN114932337A (zh) * | 2022-06-10 | 2022-08-23 | 上海大学 | 一种SnAgCuBiIn系无铅焊料合金、其设计方法及制备方法 |
CN115935741A (zh) * | 2022-12-07 | 2023-04-07 | 华南理工大学 | 一种新型cmt最优焊接工艺参数选取方法 |
Non-Patent Citations (2)
Title |
---|
SUN, GR等: "Predicting the capacity of perfobond rib shear connector using an ANN model and GSA method", FRONTIERS OF STRUCTURAL AND CIVIL ENGINEERING, vol. 16, no. 10, 31 December 2022 (2022-12-31), pages 1233 - 1248 * |
宋波: "Mg/Al异种合金搅拌摩擦连接材料流动及接头性能研究", 中国博士学位论文全文数据库 工程科技I辑, no. 2, 15 February 2019 (2019-02-15), pages 022 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN116580791B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gillen et al. | Accurate screened exchange band structures for the transition metal monoxides MnO, FeO, CoO and NiO | |
Sluiter et al. | Ab initio calculation of the phase stability in Au-Pd and Ag-Pt alloys | |
Kumar et al. | Selection of welding process parameters for the optimum butt-joint strength of an aluminum alloy | |
Xinyu et al. | Composition design of 7XXX aluminum alloys optimizing stress corrosion cracking resistance using machine learning | |
Shen et al. | Reflections on one million compounds in the open quantum materials database (OQMD) | |
Aksoy et al. | Spectrum of embrittling potencies and relation to properties of symmetric-tilt grain boundaries | |
CN112542217A (zh) | 高强韧高熵合金的设计方法 | |
CN116580791B (zh) | 一种同时优化合金钎料润湿性和钎焊接头强度的方法 | |
Chen et al. | Analytical bond-order potential for silver, palladium, ruthenium and iodine bulk diffusion in silicon carbide | |
Roy et al. | Predicting the work function of 2D MXenes using machine-learning methods | |
Tuchinda et al. | Triple junction solute segregation in Al-based polycrystals | |
Abdelaziz et al. | Modeling and experimental investigation of indentation creep behavior of hypoeutectic Sn-Bi and Sn-Bi-Sb2O3 alloys using genetic programming approach | |
Tripathi et al. | Ternary interdiffusion in β (BCC) phase of the Ti-Al-Nb system | |
Babu et al. | New model for prediction of ferrite number of stainless steel welds | |
Liu et al. | Diffusivities and atomic mobilities in fcc Co–Cu–Mn alloys | |
Tripathi et al. | Evolutionary intelligence in design and synthesis of bulk metallic glasses by mechanical alloying | |
Watson et al. | Building a thermodynamic database for platinum-based superalloys: Part II | |
Massalski | The Lattice-Spacing Relationships in Alloys | |
Molla et al. | An ICME framework for design of stainless steel for sintering | |
Mitrokhin et al. | Site preference of ternary alloying elements in Ni3Al-X (X= Co, Nb): a first-principles calculations in combination with XPS study | |
CN114580272B (zh) | 同时对多元电接触合金导电率和硬度进行优化的设计方法 | |
Nivedhitha et al. | Hydrogen storage properties of magnesium based alloys Mg67Ni (32-x) Nb1Alx (x= 1, 3, and 5) by using response surface methodology | |
Campbell et al. | Examination of multicomponent diffusion between two Ni-base superalloys | |
Reich et al. | Many-body tetrahedral-cluster model for binary and ternary alloys | |
CN114580272A (zh) | 同时对多元电接触合金导电率和硬度进行优化的设计方法 |
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 |