CN116776652A - 制备参数的确定方法及装置、非易失性存储介质 - Google Patents
制备参数的确定方法及装置、非易失性存储介质 Download PDFInfo
- Publication number
- CN116776652A CN116776652A CN202311065806.4A CN202311065806A CN116776652A CN 116776652 A CN116776652 A CN 116776652A CN 202311065806 A CN202311065806 A CN 202311065806A CN 116776652 A CN116776652 A CN 116776652A
- Authority
- CN
- China
- Prior art keywords
- target
- alloy material
- parameters
- simulation
- rolling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000002360 preparation method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000000956 alloy Substances 0.000 claims abstract description 224
- 238000004088 simulation Methods 0.000 claims abstract description 221
- 238000005096 rolling process Methods 0.000 claims abstract description 122
- 239000013076 target substance Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 42
- 238000010606 normalization Methods 0.000 claims description 27
- 230000008878 coupling Effects 0.000 claims description 23
- 238000010168 coupling process Methods 0.000 claims description 23
- 238000005859 coupling reaction Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 229910000838 Al alloy Inorganic materials 0.000 abstract description 67
- 230000008569 process Effects 0.000 abstract description 16
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000010998 test method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 239000013078 crystal Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001887 electron backscatter diffraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 229910001250 2024 aluminium alloy Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种制备参数的确定方法及装置、非易失性存储介质。其中,该方法包括:获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为轧制后具有表面织构特性的合金材料;基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。本申请解决了由于通过试验的方法确定制备最优表面织构的铝合金零件的工艺参数造成的试验周期长的技术问题。
Description
技术领域
本申请涉及铝合金材料制备领域,具体而言,涉及一种制备参数的确定方法及装置、非易失性存储介质。
背景技术
铝合金板材广泛应用于航空航天、汽车和生活用品等产品的制造。在铝合金产品的制备过程中,需要通过塑性变形的方式使铝合金板材变形为欲设计的形状;例如,通过轧制的方法使铝合金板材变形为欲制备的零件;然而,由于铝合金板材在轧制过程中会产生较强的织构,织构强度的差异会导致铝合金板材产生不均匀变形,进而导致材料表面粗糙度增加,一方面影响产品的美观,另一方面会影响材料的寿命;因此在对铝合金板材变形时,需要考虑铝合金板材变形后的表面织构;相关技术中通过工艺试验方法预测铝合金板材变形后的表面织构和最优表面织构对应的工艺参数,存在研制成本高和试验周期长的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种制备参数的确定方法及装置、非易失性存储介质,以至少解决由于通过试验的方法确定制备最优表面织构的铝合金零件的工艺参数造成的试验周期长的技术问题。
根据本申请实施例的一个方面,提供了一种制备参数的确定方法,包括:获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为轧制后具有表面织构特性的合金材料;基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
可选地,目标合金材料在多组仿真模式下的多组性能信息通过以下方法得到:获取仿真参数,其中,仿真参数用于生成多组仿真模式,仿真参数包括:多组轧制参数,其中,多组轧制参数中的每组轧制参数包括:压下量、轧制速度、轧制温度、轧制次数和轧制压力;利用多组轧制参数对目标合金材料进行仿真,得到目标合金材料在多组仿真模式下的多组性能信息,其中,多组性能信息中的每组性能信息包括:变形路径和温度区间,其中,变形路径为目标合金材料在对应的仿真模式下进行仿真时,目标合金材料表面的变形路径,温度区间是目标合金材料在对应的仿真模式下进行仿真时,目标合金材料表面的温度变化区间。
可选地,基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型,包括:根据结构信息和多组性能信息确定多条目标数据曲线,其中,多条目标数据曲线中的每条目标数据曲线用于指示在对应的仿真模式下轧制后,目标合金材料的变形路径和表面温度与目标合金材料的表面织构之间的数学关系;基于多条目标数据曲线生成目标合金材料的多个第一仿真模型,其中,多个第一仿真模型中的每个第一仿真模型用于指示在对应仿真模式下轧制后的目标合金材料。
可选地,根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,包括:对多个第一仿真模型中的每个第一仿真模型进行热力耦合变形仿真,得到多组第一目标参数,其中,多个第一目标参数中的每个第一目标参数用于指示每个第一仿真模型在进行热力耦合变形仿真之后的第一表面织构;基于多个第一仿真模型和多个第一目标参数生成多个第二仿真模型;对多个第二仿真模型中的每个第二仿真模型进行拉伸变形仿真,得到多组第二目标参数;基于多组第二目标参数确定制备参数。
可选地,基于多个第一仿真模型和多个第一目标参数生成多个第二仿真模型,包括:在每个第一仿真模型中确定第三目标参数,其中,第三目标参数用于指示第一仿真模型在进行热力耦合变形仿真之前的第二表面织构;将每个第一仿真模型的第三目标参数替换为每个第一仿真模型对应第一目标参数,生成多个第二仿真模型。
可选地,多组第二目标参数包括:每个第二仿真模型拉伸变形仿真之后的粗糙参数和强度参数,其中,粗糙参数包括:平均粗糙参数和最大粗糙参数,强度参数包括:抗拉强度参数和屈服强度参数;基于多组第二目标参数确定制备参数,包括:分别对多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果;分别将多个处理结果中的每个处理结果输入神经网络模型,利用预设权重对每个处理结果进行拟合,得到多个拟合结果;将多个拟合结果中最大的拟合结果确定为目标结果,其中,目标结果用于指示目标物质的第三表面织构;将目标结果对应的仿真参数确定为制备参数。
可选地,分别对多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果,包括: 分别对每组第二参数中的粗糙参数和强度参数进行归一化处理,得到第一归一化结果和第二归一化结果;利用预设阈值对第一归一化结果和第二归一化结果进行筛选,得到每个处理结果,其中,每个处理结果包括:大于预设阈值的第一归一化结果和大于预设阈值的第二归一化结果。
可选地,结构信息包括:目标合金材料的微观结构信息和目标合金材料的基础性能参数,目标合金材料的微观结构信息至少包括:目标合金材料的材料析出相、目标合金材料的织构类型、目标合金材料的晶粒度和目标合金材料的位错密度,目标合金材料的基础性能参数至少包括:目标合金材料的强度、硬度、韧性和延展性。
根据本申请实施例的另一方面,还提供了一种制备参数的确定装置,包括:获取模块,用于获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为具有表面织构特性的合金材料;生成模块,用于基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;确定模块,用于根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质中存储有计算机程序,其中,在非易失性存储介质所在设备通过运行计算机程序执行上述的制备参数的确定方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行上述的制备参数的确定方法。
在本申请实施例中,采用获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为表面织构的合金材料;基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能的方式,通过对铝合金材料的轧制和拉伸进行全流程仿真,得到仿真结果,基于仿真结果建立轧制工艺参数与材料表面质量和力学性能的相关关系,基于对材料表面质量和力学性能的协同优化确定最优表面织构,达到了确定最优表面织构和最优表面织构对应的制备工艺参数的目的,从而实现了降低铝合金研制的试验成本和缩短研发周期的技术效果,进而解决了由于通过试验的方法确定制备最优表面织构的铝合金零件的工艺参数造成的试验周期长技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现制备参数的确定方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本申请实施例的一种制备参数的确定方法的步骤流程图;
图3是根据本申请实施例的一种合金材料的轧制过程的示意图;
图4是根据本申请实施例的一种轧制时间与等效塑性应变值的变化关系示意图;
图5是根据本申请实施例的一种轧制时间与合金材料的温度的变化关系示意图;
图6是根据本申请实施例的一种制备参数的确定装置的结构图;
图7是根据本申请实施例的一种制备参数的确定装置的工作流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解本申请实施例,以下将本申请实施例中涉及的技术术语解释如下:
表面织构:材料的晶体结构,铝合金材料经过轧制等工艺后,在铝合金材料的晶体结构中,多晶体的取向分布状态呈现明显偏离随机分布状态,这种状态即为铝合金材料轧制后的表面织构。
轧制:通过压力将金属或其它材料变形为所需形状的加工方法。
材料析出相:在材料中析出的物质相,包括晶体相、金属相等,材料析出相是由于材料的结构和组成在特定条件下变化导致的。位错密度:晶体中单位体积内的位错数量,位错数量是晶体中的晶格缺陷,是晶体中原子排列的不规则性。
压下量:轧制后轧件高度的减少量叫做压下量;在本申请实施例中,合金材料轧制后高度的减少量即为合金材料的压下量。
晶粒度:表示晶粒大小的尺度;常用的表示方法有单位体积的晶粒数目,单位面积内的晶粒数目或晶粒的平均线长度(或直径)。
等效塑性应变值:合金材料在塑性变形过程中的应变量与在弹性变形过程中的应变量的比值。
塑性变形:形状不可恢复的变形。
弹性变形:形状可恢复的变形。
在相关技术中,通过人工试验的方法,设置多种工艺参数对铝合金板材进行变形,得到多个变形后的零件;在通过人工检测每个零件的织构结构确定最优的织构结构及其对应的工艺参数,因此,存在试验成本高和试验周期长的问题。为了解决该问题,本申请实施例中提供了相关的解决方案,以下详细说明。
根据本申请实施例,提供了一种确定制备参数的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现制备参数的确定方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的制备参数的确定方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的(制备参数的确定方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请实施例提供了一种制备参数的确定方法,图2是根据本申请实施例提供的制备参数的确定方法的步骤流程图;如图2所示,该方法包括如下步骤:
步骤S202,获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为具有表面织构特性的合金材料。
本申请实施例提供的方法通过仿真的方式模拟铝合金板材的变形,基于仿真结果确定铝合金板材在不同工艺参数作用后的织构结构和其它性能信息。在步骤S202中,确定待塑性变形的目标合金材料,其中,目标合金材料为在轧制后具有表面织构的特性的合金材料,例如,铝合金材料;并获取铝合金材料(即目标合金材料)的结构信息和性能信息。上述铝合金材料(即目标合金材料)的多组性能信息是通过在不同仿真参数下对铝合金材料(即目标合金材料)进行有限元仿真得到的。
根据本申请一个可选的实施例中,结构信息包括:目标合金材料的微观结构信息和目标合金材料的基础性能参数,目标合金材料的微观结构信息至少包括:目标合金材料的材料析出相、目标合金材料的织构类型、目标合金材料的晶粒度和目标合金材料的位错密度,目标合金材料的基础性能参数至少包括:目标合金材料的强度、硬度、韧性和延展性。
在本实施例中,铝合金材料(即目标合金材料)的结构信息包括:铝合金材料(即目标合金材料)的材料析出相、铝合金材料(即目标合金材料)的材料的织构类型、铝合金材料(即目标合金材料)的晶粒度和铝合金材料(即目标合金材料)的材料的位错密度,目标合金材料的基础性能参数至少包括:目标合金材料的强度、硬度、韧性和延展性。铝合金材料(即目标合金材料)的结构信息通过电子背散射衍射(Electron Backscatter Diffraction,EBSD)方法和透射电子显微镜(Transmission Electron Microscope,TEM)获得。
可选地,目标合金材料在多组仿真模式下的多组性能信息通过以下方法得到:获取仿真参数,其中,仿真参数用于生成多组仿真模式,仿真参数包括:多组轧制参数,其中,多组轧制参数中的每组轧制参数包括:压下量、轧制速度、轧制温度、轧制次数和轧制压力;利用多组轧制参数对目标合金材料进行仿真,得到目标合金材料在多组仿真模式下的多组性能信息,其中,多组性能信息中的每组性能信息包括:变形路径和温度区间,其中,变形路径为目标合金材料在对应的仿真模式下进行仿真时,目标合金材料表面的变形路径,温度区间是目标合金材料在对应的仿真模式下进行仿真时,目标合金材料表面的温度变化区间。
在本实施例中,利用有限元仿真模拟铝合金的轧制过程,将不同仿真参数作为轧制时的不同工艺参数,模拟铝合金材料(即目标合金材料)的轧制过程,将多个有限元仿真结果作为多个轧制后的铝合金材料;其中,仿真参数包括:压下量、轧制速度、轧制温度、轧制次数和轧制压力。将从每个仿真结果中获取的变形路径和温度变化范围等性能信息作为轧制后的铝合金材料(即目标合金材料)的性能信息。图3是合金材料的轧制过程的示意图,如图3所示,相关技术利用上下两个轧辊对合金材料进行轧制,其中,上下两个轧辊的直径不同时,对合金材料的轧制高度和轧制压力不同,即将合金材料下压多高;在本申请实施例中通过设置不同仿真参数模拟通过不同轧辊对合金材料进行轧制的过程。举例来说,可以通过有限元仿真软件模拟初始坯料厚度为40(毫米)mm的2024铝合金材料的轧制过程;通过设置仿真参数模拟在轧辊直径为600(毫米)mm、轧制速度为5米/分钟(m/min)、轧制温度为25(摄氏度)℃、轧制次数为S以及轧制压力为h的仿真环境下铝合金材料(即目标合金材料)的轧制过程,将得到的仿真结果作为轧制结果,其中,轧辊直径为600mm时,压下量可以分别设置为10mm、20mm和30mm轧制次数S的取值范围为5-20,每次轧制的轧制压力,其中,H为总压下量,H=40 mm-2 mm;k为预设系数。l为调整系数,通过调整上述仿真参数可以模拟多种轧制工艺(即仿真环境),得到经过不同轧制工艺轧制后的铝合金材料(即目标合金材料)的性能信息;上述调整系数。
利用有限元仿真模拟铝合金的轧制过程时,仿真结果以曲线图的形式输出,仿真结果包括轧制时间与等效塑性应变值的变化关系示意图,以及轧制时间与合金材料表面温度的变化关系示意图。在同样的轧制条件下合金材料不同位置处的轧制结果不同,图4是轧制时间与等效塑性应变值的变化关系示意图,如图4所示,在同一组轧制参数下,轧制时间为0-60s时,各个位置处的等效塑性应变值均为0;轧制时间为60s-201s时,位置1处的等效塑性应变值为0.6、位置2处的等效塑性应变值为0.5、位置3处的等效塑性应变值为0.4、位置4处的等效塑性应变值为0.2;轧制时间为201s-350s时,位置1处的等效塑性应变值为1.2、位置2处的等效塑性应变值为1、位置3处的等效塑性应变值为0.8、位置4处的等效塑性应变值为0.7;轧制时间为350s-490s时,位置1处的等效塑性应变值为1.6、位置2处的等效塑性应变值为1.5、位置3处的等效塑性应变值为1.3、位置4处的等效塑性应变值为0.9;轧制时间为490s-600s时,位置1处的等效塑性应变值为2.2、位置2处的等效塑性应变值为1.9、位置3处的等效塑性应变值为1.7、位置4处的等效塑性应变值为1.2。
图5是轧制时间与合金材料的温度的变化关系示意图,在同一组轧制参数下,同一轧制时间时,合金材料不同位置的温度不同;例如图5所示,在同一组轧制参数下,轧制时间为0-60s时,各个位置处的温度均为23℃;轧制时间为60s-90s时,位置1处的温度由0℃上升到45℃、位置2处的温度由0℃上升到48℃、位置3处的温度由0℃上升到49℃、位置4处的温度由0℃上升到50℃;轧制时间为90s-210s时,位置1处的温度由45℃下降到28℃、位置2处的温度由48℃下降到29℃、位置3处的温度由49℃下降到29℃、位置4处的温度由50℃下降到30℃;轧制时间为210s-230s时,位置1处的温度由28℃上升到52℃、位置2处的温度由29℃上升到55℃、位置3处的温度由29℃上升到57℃、位置4处的温度由30℃上升到60℃;轧制时间为230s-350s时,位置1处的温度由52℃下降到31℃、位置2处的温度由55℃下降到32℃、位置3处的温度由57℃下降到33℃、位置4处的温度由60℃下降到35℃;轧制时间为350s-380s时,位置1处的温度由31℃上升到62℃、位置2处的温度由32℃上升到64℃、位置3处的温度由33℃上升到69℃、位置4处的温度由35℃上升到71℃;轧制时间为380s-490s时,位置1处的温度由62℃下降到39℃、位置2处的温度由62℃下降到40℃、位置3处的温度由69℃下降到41℃、位置4处的温度由71℃下降到42℃;轧制时间为490s-520s时,位置1处的温度由39℃上升到72℃、位置2处的温度由40℃上升到80℃、位置3处的温度由41℃上升到81℃、位置4处的温度由42℃上升到85℃;轧制时间为520s-600s时,位置1处的温度由72℃下降到52℃、位置2处的温度由80℃下降到58℃、位置3处的温度由81℃下降到59℃、位置4处的温度由85℃下降到60℃;上述位置1为合金材料的表面,位置2为合金材料的1/6厚度处,位置3为合金材料的1/3厚度处,位置4为合金材料的1/2厚度处。
步骤S204,基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型。
在步骤S204中,根据铝合金材料(即目标合金材料)的结构信息和多组性能信息建立铝合金材料(即目标合金材料)的(第一)仿真模型,其中,结构信息分别与每组性能信息组合作为建立(第一)仿真模型的数据,基于多组数据生成多个(第一)仿真模型;对于一种铝合金材料(即目标合金材料),其结构信息为固定不变的;但由于多组性能信息是经过多组不同的仿真参数仿真后得到的,因此,多个(第一)仿真模型不同;另外,(第一)仿真模型是基于铝合金材料(即目标合金材料)的晶体特性建立的仿真模型,与上述实施例中的有限元仿真为不同的仿真方法。
根据本申请一个可选的实施例,基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型,包括:根据结构信息和多组性能信息确定多条目标数据曲线,其中,多条目标数据曲线中的每条目标数据曲线用于指示在对应的仿真模式下轧制后,目标合金材料的变形路径和表面温度与目标合金材料的表面织构之间的数学关系;基于多条目标数据曲线生成目标合金材料的多个第一仿真模型,其中,多个第一仿真模型中的每个第一仿真模型用于指示在对应仿真模式下轧制后的目标合金材料。
在本实施例中,根据在步骤S202中获得的铝合金材料(即目标合金材料)的结构信息和在不同轧制工艺(即仿真模式)下的轧制(仿真)后的性能信息建立目标数据曲线,其中,每条数据曲线用于表示铝合金材料(即目标合金材料)轧制后的性能与轧制参数(即变形路径)和铝合金材料(即目标合金材料)本身的表面温度等结构信息之间的函数关系;其中,性能信息不同,生成的目标数据曲线不同;由于在上述实施例中在不同的仿真环境下模拟不同的轧制过程,生成了多个轧制后铝合金材料(即目标合金材料),得到了多个轧制后的铝合金材料(即目标合金材料)的性能信息,因此,在本实施例中生成多条不同的目标数据曲线;基于多条目标数据曲线建立铝合金材料(即目标合金材料)的多个(第一)仿真模型;其中,每个(第一)仿真模型用于代表在对应轧制参数下轧制后的铝合金材料(即目标合金材料),即每个(第一)仿真模型拥有铝合金材料(即目标合金材料)在对应轧制参数轧制后的表面织构。
步骤S206,根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
在步骤S206中,基于铝合金材料(即目标合金材料)的(第一)仿真模型确定制备具有最优表面织构的铝合金零件(即目标物质),其中,铝合金零件(即目标物质)的表面粗糙度小于制备其的原料(即目标合金材料)、铝合金零件(即目标物质)的强度大于制备其的原料(即目标合金材料)。
根据本申请一个可选的实施例,根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,包括:对多个第一仿真模型中的每个第一仿真模型进行热力耦合变形仿真,得到多组第一目标参数,其中,多个第一目标参数中的每个第一目标参数用于指示每个第一仿真模型在进行热力耦合变形仿真之后的第一表面织构;基于多个第一仿真模型和多个第一目标参数生成多个第二仿真模型;对多个第二仿真模型中的每个第二仿真模型进行拉伸变形仿真,得到多组第二目标参数;基于多组第二目标参数确定制备参数。
在本实施例中,在建立用于表示不同轧制参数下轧制后的多个(第一)仿真模型后,对每个(第一)仿真模型进行热力耦合变形仿真;获取热力耦合变形后的(第一)仿真模型的表面织构(即第一目标参数),根据得到的表面织构(即第一目标参数)建立经过了轧制和热力耦合变形这两个过程后的铝合金材料(即目标合金材料)的(第二)仿真模型。其中,不同的(第一)仿真模型在经过同样的热力耦合变形仿真后得到的表面织构(即第一目标参数)不同,因此,对多个(第一)仿真模型进行热力耦合变形仿真能够得到多个表面织构(即第一目标参数);因此,在本实施例中也可以得到多个(第二)仿真模型。分别对多个第二仿真模型进行拉伸变形仿真,模拟经过了轧制和热力耦合变形这两个过程后的铝合金材料(即目标合金材料)经历变形拉伸的过程,将拉伸变形仿真后的第二仿真模型中表示表面织构的参数(即第二目标参数)确定为经过了轧制、热力耦合变形和变形拉伸这三个过程后的铝合金材料(即目标合金材料)的表面织构。
根据本申请另一个可选的实施例,基于多个第一仿真模型和多个第一目标参数生成多个第二仿真模型,包括:在每个第一仿真模型中确定第三目标参数,其中,第三目标参数用于指示第一仿真模型在进行热力耦合变形仿真之前的第二表面织构;将每个第一仿真模型的第三目标参数替换为每个第一仿真模型对应第一目标参数,生成多个第二仿真模型。
在本实施实施例中,利用第二仿真模型代表经过了轧制和热力耦合变形这两个过程后的铝合金材料(即目标合金材料)。由于经过了轧制和热力耦合变形这两个过程后的铝合金材料(即目标合金材料)的表面织构改变为第一目标参数代表的表面织构,因此,对与仿真模型来说即是将第一仿真模型中代表表面织构的参数(即第三目标参数)替换为第一目标参数,得到替换参数后的第一仿真模型(即第二仿真模型)。同样的,由于存在多个不同的第一仿真模型,本实施例中也存在多个不同的替换参数后的第一仿真模型(即第二仿真模型)。
根据本申请一些实施例,多组第二目标参数包括:每个第二仿真模型拉伸变形仿真之后的粗糙参数和强度参数,其中,粗糙参数包括:平均粗糙参数和最大粗糙参数,强度参数包括:抗拉强度参数和屈服强度参数;基于多组第二目标参数确定制备参数,包括:分别对多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果;分别将多个处理结果中的每个处理结果输入神经网络模型,利用预设权重对每个处理结果进行拟合,得到多个拟合结果;将多个拟合结果中最大的拟合结果确定为目标结果,其中,目标结果用于指示目标物质的第三表面织构;将目标结果对应的仿真参数确定为制备参数。
对第二仿真模型中表示表面织构的参数进行优化,其中,表示表面织构的参数受到粗糙参数和强度参数的影响,而粗糙参数由平均粗糙参数Ra和最大粗糙参数Rz决定,强度参数由抗拉强度参数和屈服强度参数确定;即表面织构的影响因素包括:平均粗糙参数Ra、最大粗糙参数Rz、抗拉强度参数和屈服强度参数;因此,在本实施例中,对每个表面织构的影响因素进行预处理,得到预处理结果(即处理结果);将预处理结果(即处理结果)作为输入数据输入神经网络模型,其中,神经网络模型预先设置了不同输入数据对应的权重,神经网络模型利用预设权重对不同输入数据进行拟合得到拟合结果;由于上述实施例中存在多个第二仿真模型,每个仿真模型中表示表面织构的参数不同,则将不同表面织构的的影响因素进行预处理和拟合后得到的拟合结果也不同。在一些实施例中,从多个不同的拟合结果中确定最大的拟合结果,其中,最大的拟合结果指示最优的表面织构参数。确定最优的表面织构参数(即最大的拟合结果)对应的第二仿真模型,确定第二仿真模型对应的第一仿真模型,确定第一仿真模型对应的仿真参数,该仿真参数为最优的表面织构参数(即最大的拟合结果)对应的仿真参数,也为制备具有最优的表面织构的铝合金零件(即目标物质)的制备参数。
根据本申请另一些实施例,分别对多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果,包括:分别对每组第二参数中的粗糙参数和强度参数进行归一化处理,得到第一归一化结果和第二归一化结果;利用预设阈值对第一归一化结果和第二归一化结果进行筛选,得到每个处理结果,其中,每个处理结果包括:大于预设阈值的第一归一化结果和大于预设阈值的第二归一化结果。
在另一些实施例中,对对每个表面织构的影响因素进行预处理,得到预处理结果(即处理结果),包括:对平均粗糙参数Ra和最大粗糙参数Rz(即粗糙参数)进行归一化,得到(第一)归一化结果;对抗拉强度参数和屈服强度参数(即强度参数)进行归一化,得到(第二)归一化结果;设置参数的最低接收限(即预设阈值)对上述(第一)归一化结果和(第二)归一化结果进行筛选;将大于参数的最低接收限(即预设阈值)的(第一)归一化结果和(第二)归一化结果作为输入数据(即处理结果)。
通过上述步骤,可以实现针对不同型号的铝合金,建立不同的仿真模型,针对同样型号的铝合金,根据其不同的轧制工艺,建立不同的仿真模型;通过改变仿真模型的参数模拟铝合金的变形过程,通过对表面质量和材料性能协同优化,得到最优织构结构及其制备参数。相较于试验摸索工艺路径的方法,显著提升材料的研制效率,同时降低了研制成本。同时依据预设权重协同优化表面质量和材料性能,可以针对用户需求灵活调整工艺参数,满足用户定制化需求。
图6是根据本申请实施例还提供了一种制备参数的确定装置的结构图,如图6所示,该装置包括:获取模块60,用于获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为具有表面织构特性的合金材料;生成模块62,用于基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;确定模块64,用于根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
图7是种制备参数的确定装置的工作流程图,如图7所示,以型号为7075的铝合金作为原料制备厚度为19.8mm的铝合金零件,首先,通过获取模块60启动EBSD或TEM,以获得铝合金材料的微观组织结构信息,其中,铝合金材料的微观组织结构信息,包括:铝合金材料的晶粒尺寸、织构类型、析出相、尺寸、位错密度等。获取模块60还从有限元仿真软件中获取铝合金材料的性能信息。例如,通过有限元仿真软件建立轧制仿真模型,将轧辊直径设置为600mm、轧制速度设置6 m/min、轧制温度设置350℃、初始坯料厚度设置为40mm,轧制次数设置为S(S=10~15),轧制压力设置为,其中,i代表第几次轧制,H为总压下量,H=400 mm-19.8mm。k为预设系数(取值范围为1~10),l为调整系数,;通过改变上述参数设置不同的轧制仿真环境,共设置轧制仿真60组进行仿真,得到60组不同的性能信息。生成模块62提取性能信息中的材料表面单元的变形路径和温度变化区间与材料的表面织构,确定表示变形路径和温度变化区间对材料的表面织构的影响的目标数据曲线,生成模块62基于目标数据曲线建立粘塑性自洽模型(Visco-Plastic Self-Consistent,VPSC);确定模块64对VPSC开展晶体塑性下的热力耦合模拟,得到热力耦合后的表面织构(即第一目标参数);将粘塑性自洽模型中代表表面织构的参数替换为热力耦合后的表面织构(即第一目标参数),得到替换后的VPSC(即第二仿真模型);对替换后的VPSC(即第二仿真模型)开展拉伸变形仿真,得到拉伸变形后表示强度(抗拉强度和屈服强度)的参数和粗糙度(表面平均粗糙度Ra和表面最大粗糙度 Rz)的参数;利用预设阈值对表示抗拉强度、屈服强度、表面平均粗糙度Ra和表面最大粗糙度Rz的参数进行筛选,筛选大于预设阈值的参数,将筛选得到抗拉强度(抗拉强度和屈服强度)参数和粗糙度(表面平均粗糙度Ra和表面最大粗糙度 Rz)参数作为输入数据,输入神经网络模型中进行拟合,其中,神经网络模型中将抗拉强度参数的权重设置为0.75,将粗糙度参数的权重设置为0.25=(1-0.75),将神经网络模型输出的结果作为最优的表面织构,将最优的表面织构对应的仿真参数作为制备参数,例如,输出结果为:材料抗拉强度为400 (兆帕)MPa,屈服强度为450 MPa,平均粗糙度Ra为0.15 微米(um),最大粗糙度Rz=5um;则将由上述输出结果确定的表面织构确定为最优的表面织构,将最优的表面织构对应的仿真过程的仿真参数S=12,k=7.2确定为制备参数。
本申请实施例还提供了一种非易失性存储介质,非易失性存储介质中存储有计算机程序,其中,在非易失性存储介质所在设备通过运行计算机程序执行以上的制备参数的确定方法。
上述非易失性存储介质用于存储执行以下功能的程序:获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为轧制后具有表面织构特性的合金材料;基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
本申请实施例还提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行以上的制备参数的确定方法。
上述电子设备中的处理器用于运行执行以下功能的程序:获取目标合金材料的结构信息和目标合金材料在多组仿真模式下的多组性能信息,其中,目标合金材料为轧制后具有表面织构特性的合金材料;基于结构信息和多组性能信息,生成目标合金材料的多个第一仿真模型;根据多个第一仿真模型确定利用目标合金材料制备目标物质的制备参数,其中,目标物质的性能优于目标合金材料的性能。
需要说明的是,上述制备参数的确定装置中的各个模块可以是程序模块(例如是实现某种特定功能的程序指令集合),也可以是硬件模块,对于后者,其可以表现为以下形式,但不限于此:上述各个模块的表现形式均为一个处理器,或者,上述各个模块的功能通过一个处理器实现。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种制备参数的确定方法,其特征在于,包括:
获取目标合金材料的结构信息和所述目标合金材料在多组仿真模式下的多组性能信息,其中,所述目标合金材料为具有表面织构特性的合金材料;
基于所述结构信息和所述多组性能信息,生成所述目标合金材料的多个第一仿真模型;
根据所述多个第一仿真模型确定利用所述目标合金材料制备目标物质的制备参数,其中,所述目标物质的性能优于所述目标合金材料的性能。
2.根据权利要求1所述的方法,其特征在于,所述目标合金材料在多组仿真模式下的多组性能信息通过以下方法得到:
获取仿真参数,其中,所述仿真参数用于生成所述多组仿真模式,所述仿真参数包括:多组轧制参数,其中,所述多组轧制参数中的每组轧制参数包括:压下量、轧制速度、轧制温度、轧制次数和轧制压力;
利用所述多组轧制参数对所述目标合金材料进行仿真,得到所述目标合金材料在所述多组仿真模式下的多组性能信息,其中,所述多组性能信息中的每组性能信息包括:变形路径和温度区间,其中,所述变形路径为所述目标合金材料在对应的仿真模式下进行仿真时,所述目标合金材料表面的变形路径,所述温度区间是所述目标合金材料在对应的仿真模式下进行仿真时,所述目标合金材料表面的温度变化区间。
3.根据权利要求2所述的方法,其特征在于,基于所述结构信息和所述多组性能信息,生成所述目标合金材料的多个第一仿真模型,包括:
根据所述结构信息和所述多组性能信息确定多条目标数据曲线,其中,所述多条目标数据曲线中的每条目标数据曲线用于指示在对应的仿真模式下轧制后,所述目标合金材料的变形路径和表面温度与所述目标合金材料的表面织构之间的数学关系;
基于所述多条目标数据曲线生成所述目标合金材料的多个第一仿真模型,其中,所述多个第一仿真模型中的每个第一仿真模型用于指示在对应仿真模式下轧制后的目标合金材料。
4.根据权利要求1所述的方法,其特征在于,根据所述多个第一仿真模型确定利用所述目标合金材料制备目标物质的制备参数,包括:
对所述多个第一仿真模型中的每个第一仿真模型进行热力耦合变形仿真,得到多组第一目标参数,其中,所述多个第一目标参数中的每个第一目标参数用于指示所述每个第一仿真模型在进行所述热力耦合变形仿真之后的第一表面织构;
基于所述多个第一仿真模型和所述多个第一目标参数生成多个第二仿真模型;
对所述多个第二仿真模型中的每个第二仿真模型进行拉伸变形仿真,得到多组第二目标参数;
基于所述多组第二目标参数确定所述制备参数。
5.根据权利要求4所述的方法,其特征在于,基于所述多个第一仿真模型和所述多个第一目标参数生成多个第二仿真模型,包括:
在所述每个第一仿真模型中确定第三目标参数,其中,所述第三目标参数用于指示所述第一仿真模型在进行所述热力耦合变形仿真之前的第二表面织构;
将所述每个第一仿真模型的第三目标参数替换为所述每个第一仿真模型对应第一目标参数,生成所述多个第二仿真模型。
6.根据权利要求4所述的方法,其特征在于,所述多组第二目标参数包括:所述每个第二仿真模型拉伸变形仿真之后的粗糙参数和强度参数,其中,所述粗糙参数包括:平均粗糙参数和最大粗糙参数,所述强度参数包括:抗拉强度参数和屈服强度参数;
基于所述多组第二目标参数确定所述制备参数,包括:
分别对所述多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果;
分别将所述多个处理结果中的每个处理结果输入神经网络模型,利用预设权重对所述每个处理结果进行拟合,得到多个拟合结果;
将所述多个拟合结果中最大的拟合结果确定为目标结果,其中,所述目标结果用于指示所述目标物质的第三表面织构;
将所述目标结果对应的仿真参数确定为所述制备参数。
7.根据权利要求6所述的方法,其特征在于,分别对所述多组第二目标参数中的每组第二目标参数进行处理,得到多个处理结果,包括:
分别对所述每组第二参数中的粗糙参数和强度参数进行归一化处理,得到第一归一化结果和第二归一化结果;
利用预设阈值对所述第一归一化结果和所述第二归一化结果进行筛选,得到所述每个处理结果,其中,所述每个处理结果包括:大于所述预设阈值的第一归一化结果和大于所述预设阈值的第二归一化结果。
8.根据权利要求1所述的方法,其特征在于,所述结构信息包括:所述目标合金材料的微观结构信息和所述目标合金材料的基础性能参数,所述目标合金材料的微观结构信息至少包括:所述目标合金材料的材料析出相、所述目标合金材料的织构类型、所述目标合金材料的晶粒度和所述目标合金材料的位错密度,所述目标合金材料的基础性能参数至少包括:所述目标合金材料的强度、硬度、韧性和延展性。
9.一种制备参数的确定装置,其特征在于,包括:
获取模块,用于获取目标合金材料的结构信息和所述目标合金材料在多组仿真模式下的多组性能信息,其中,所述目标合金材料为具有表面织构特性的合金材料;
生成模块,用于基于所述结构信息和所述多组性能信息,生成所述目标合金材料的多个第一仿真模型;
确定模块,用于根据所述多个第一仿真模型确定利用所述目标合金材料制备目标物质的制备参数,其中,所述目标物质的性能优于所述目标合金材料的性能。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质中存储有计算机程序,其中,在所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至8中任意一项所述的制备参数的确定方法。
11.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行权利要求1至8中任意一项所述的制备参数的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065806.4A CN116776652B (zh) | 2023-08-23 | 2023-08-23 | 制备参数的确定方法及装置、非易失性存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065806.4A CN116776652B (zh) | 2023-08-23 | 2023-08-23 | 制备参数的确定方法及装置、非易失性存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776652A true CN116776652A (zh) | 2023-09-19 |
CN116776652B CN116776652B (zh) | 2023-12-12 |
Family
ID=87989886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311065806.4A Active CN116776652B (zh) | 2023-08-23 | 2023-08-23 | 制备参数的确定方法及装置、非易失性存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776652B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077461A (zh) * | 2014-07-22 | 2014-10-01 | 攀钢集团攀枝花钢钒有限公司 | 用于钢轨全轧程的仿真分析方法 |
CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和系统 |
CN116306022A (zh) * | 2023-04-17 | 2023-06-23 | 珠海格力电器股份有限公司 | 刀具的优化设计方法、装置、设备及存储介质 |
CN116451415A (zh) * | 2023-01-30 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 一种性能预测方法、装置、设备及存储介质 |
WO2023133732A1 (zh) * | 2022-01-12 | 2023-07-20 | 万华化学(宁波)有限公司 | 一种待测试材料力学性能标定方法、系统及存储介质 |
-
2023
- 2023-08-23 CN CN202311065806.4A patent/CN116776652B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077461A (zh) * | 2014-07-22 | 2014-10-01 | 攀钢集团攀枝花钢钒有限公司 | 用于钢轨全轧程的仿真分析方法 |
CN113333474A (zh) * | 2021-04-27 | 2021-09-03 | 山东钢铁股份有限公司 | 一种基于数字孪生的带钢热轧板形控制方法和系统 |
WO2023133732A1 (zh) * | 2022-01-12 | 2023-07-20 | 万华化学(宁波)有限公司 | 一种待测试材料力学性能标定方法、系统及存储介质 |
CN116451415A (zh) * | 2023-01-30 | 2023-07-18 | 江苏省沙钢钢铁研究院有限公司 | 一种性能预测方法、装置、设备及存储介质 |
CN116306022A (zh) * | 2023-04-17 | 2023-06-23 | 珠海格力电器股份有限公司 | 刀具的优化设计方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116776652B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Application of the Box–Behnken design to the optimization of process parameters in foam cup molding | |
CN109446728B (zh) | 近α钛合金低倍粗晶组织分布的预测方法 | |
CN107908836B (zh) | 一种轧制参数优化方法及装置 | |
CN109351785B (zh) | 一种轧制力优化方法及装置 | |
CN107442575B (zh) | 一种带钢湿平整表面粗糙度的预测方法 | |
CN111950098A (zh) | 基于有限元仿真的金属板料冲孔工艺参数优化方法 | |
CN116776652B (zh) | 制备参数的确定方法及装置、非易失性存储介质 | |
CN116136892B (zh) | 一种二十辊轧机轧制力的计算方法及系统 | |
US20060287755A1 (en) | Configuration of tools and processes for metal forming | |
Lin et al. | Numerical simulation and experimental verification of microstructure evolution in a three-dimensional hot upsetting process | |
CN104998947B (zh) | 一种基于多点模具的厚板空间曲面成形方法 | |
Tatipala et al. | Data-driven modelling in the era of Industry 4.0: A case study of friction modelling in sheet metal forming simulations | |
RU2678823C1 (ru) | Способ для изготовления профилированных кольцевых изделий | |
CN112122520B (zh) | 一种多工序锻造材料温度反馈系统 | |
CN109918704A (zh) | 一种基于有限元模拟的模锻模具寿命预测方法 | |
CN102473275B (zh) | 操作支援装置、操作支援方法及程序 | |
Havinga et al. | Estimating product-to-product variations in metal forming using force measurements | |
CN116661401A (zh) | 一种不锈钢带生产工艺控制优化方法及系统 | |
CN113358678B (zh) | α钛变形过程介观应力和织构的半定量预测及可视化方法 | |
CN115691707A (zh) | 基于ga-bp神经网络算法的gtn细观损伤模型参数的优化方法 | |
CN111570532A (zh) | 基于大数据的热轧卷取温度与终轧温度对平整摩擦系数影响预测方法 | |
CN107983772A (zh) | 一种板材冷轧过程中可靠性有限元模型的建立方法 | |
CN114417664A (zh) | 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法 | |
CN110523781B (zh) | 推定装置、推定系统、推定方法及程序 | |
CN108655312A (zh) | 用于渐进地锻造移动设备壳体的方法和装置 |
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 |