CN116933594B - 一种GH4169Plus合金盘类锻件晶粒度预测方法 - Google Patents
一种GH4169Plus合金盘类锻件晶粒度预测方法 Download PDFInfo
- Publication number
- CN116933594B CN116933594B CN202310908913.2A CN202310908913A CN116933594B CN 116933594 B CN116933594 B CN 116933594B CN 202310908913 A CN202310908913 A CN 202310908913A CN 116933594 B CN116933594 B CN 116933594B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- grain size
- gh4169plus
- database
- 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
- 238000005242 forging Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000956 alloy Substances 0.000 title claims abstract description 48
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 48
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000001953 recrystallisation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Forging (AREA)
Abstract
一种GH4169Plus合金盘类锻件晶粒度预测方法，它包含：使用有限元软件模拟盘类锻件在不同交叉工艺参数下锻件的成形过程及该成形过程中锻件再结晶；查看并统计不同坯料温度和模具温度下盘类锻件的典型部位的晶粒度；将所得数据导入到数据库中进行归一化处理；计算温度目标参数与数据库中温度对标参数之间的距离；对不同距离下的晶粒度进行赋权重；统计权重得出预测结果。本发明方便快捷，预测准确度高，为目前复杂的多工艺参数情况下合金盘类锻件的晶粒度预测提供了一种新的方法。
Description
技术领域
本发明涉及高温合金锻造领域，具体涉及的一种GH4169Plus合金盘类锻件晶粒度预测方法。
背景技术
GH4169合金使用温度为650℃，无法满足新一代战机发动机锻件使用需求。GH4169Plus是在GH4169的基础上，将Fe的含量降到了10％，并且加入了1％的W和9％的Co元素，调整了Al+Ti和Al/Ti的大小，两种元素的比值增大，使得合金的持久性和热稳定性提高，提高了Nb元素含量，使其长期稳定使用温度达到了704℃。作为一种新材料，GH4169Plus合金是我国新一代战机发动机的关键材料。高温合金盘类锻件广泛应用于航空发动机中，其中涡轮盘、压气机盘和整体叶盘都为高温下工作的盘类锻件，是航空发动机的核心零件，对发动机性能的好坏具有举足轻重的影响。
对于GH4169Plus合金盘类锻件，影响其性能的因素主要包括缺陷、晶粒、第二相组成。在高温合金锻造过程中，第二相并不会大量析出，主要是靠后续热处理来确定第二相的分布，而合适的工艺范围内当锻件均成形良好时，锻件的性能影响因素主要是变形过程中的再结晶程度，即锻件的平均晶粒尺寸。当再结晶程度大，平均晶粒尺寸小，后续热处理完的锻件晶粒尺寸也会相对较小。但锻造过程中，由于坯料、模具等在运动过程中会有热量的损耗，所以实际成形过程变形参数是有波动的，最终成形的平均晶粒尺寸也会波动，所以预测生产过程中的各点的晶粒度，对于GH4169Plus合金盘类锻件的生产具有重要意义。虽然目前国内外已经建立了GH4169Plus合金的动态再结晶模型，但是这些模型都是基于等温恒应变速率压缩试验建立，与实际锻造过程有很大的差别，仍然处于实验室的研究阶段，无法指导GH4169Plus合金锻件的实际生产。由于GH4169Plus与GH4169元素差别大，近年提出的GH4169合金锻件晶粒度预测方法也无法使用，且很多方法为了保证精度，需要针对不同热力值参数进行大量模拟和试验，导致成本高，效率低。目前国内缺少一种高效准确的GH4169Plus合金盘类锻件晶粒度预测方法来指导GH4169Plus合金盘类锻件的实际生产。
发明内容
本发明为克服现有技术不足，提供一种GH4169Plus合金盘类锻件晶粒度预测方法。该方法方便和快速，预测准确度高。
一种GH4169Plus合金盘类锻件晶粒度预测方法包含：
S1、使用deform有限元软件模拟GH4169Plus盘类锻件在不同交叉工艺参数下锻件的成形过程及该成形过程中锻件再结晶；模拟的内容为：一定温度范围内的坯料温度和一定温度范围内的模具温度的交叉数据；
S2、查看并统计步骤S1中不同坯料温度和模具温度下，盘类锻件的典型部位的晶粒度；
S3、将所得数据导入到数据库中进行归一化处理；
将坯料温度、模具温度以及盘类锻件典型部位的晶粒度导入数据库中，并对坯料温度和模具温度进行归一化处理，将晶粒度和归一化处理后的数据作为对标参数集；
S4、在数据库中随机选取一个“检测数据”，剩余数据作为“被检测数据”；
S5、计算“检测数据”的“温度目标参数”与“被检测数据”的“温度对标参数”之间的距离，并按照距离从小到大排序；
其中ρ0为“检测数据”与数据库中每个“被检测数据”的距离，Tp1表示经归一化处理后的“检测数据”的目标坯料温度，T'p1表示经归一化处理后的“被检测数据”的对标坯料温度，Tm1表示经归一化处理后的“检测数据”的模具目标温度，T'm1表示经归一化处理后的“被检测数据”的模具对标温度；然后将“被检测数据”按照其与“检测数据”之间的距离，按从小到大排列；
S6、初步选定K值，对不同距离下的晶粒度进行赋权重；
K从1开始取，取步骤S5中得到的排列后的数据的前K组数据的距离求倒数作为权重；其中w0为权重，ρ0表示检测目标参数与数据库中被检测对标参数之间的距离；
S7、统计权重得出预测结果，并统计正确率；
利用步骤S6的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度，将预测得到的晶粒度结果与检测数据中自身带有的晶粒度进行比较，统计预测的正确率；
S8、按照递增顺序，依次更换K的取值，重复步骤S7和步骤S8，直到K的值等于“被检测数据”的大小，比较不同K值下，对于“检测数据”的晶粒度预测的正确率，选取正确率最高的K值作为以下步骤中的K值；
S9、计算温度目标参数与数据库中温度对标参数之间的距离，并将数据库数据按照距离大小，从小到大排列；
其中ρ表示温度目标参数与数据库中每个温度对标参数的距离，Tp表示经归一化处理后的目标坯料温度，T'p表示经归一化处理后的对标坯料温度，Tm表示经归一化处理后的目标模具温度，T'm表示经归一化处理后的对标模具温度；然后将数据库数据按照距离大小，从小到大排列；
S10、对步骤S9中得到的每组距离进行比较，将距离按顺序位从小到大排列；选取前K组数据；
S11、对不同距离下的晶粒度进行赋权重；
对步骤S10中得到的K组距离求倒数，作为权重；其中w为权重，ρ表示检测目标参数与数据库中被检测对标参数之间的距离；
S12、统计权重得出预测结果；
利用步骤S11的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度。
本发明相比现有技术的有益效果是：
本发明通过数值模拟创建工艺数据库，采用加权K临近算法对目标工艺参数与数据库中的对标数据进行比对，计算得出最可能的晶粒度。发明基于数值模拟结果建立数据库，无需进行实际锻造生产，大大降低开发成本。数据库建立完成之后，可简单快速地对想要实施的工艺参数进行晶粒度预测，具有方便性和快速性。经测试，该方法的晶粒度预测准确度高，可达到98.6％。本发明为目前复杂的多工艺参数情况下，GH4169Plus合金盘类锻件的晶粒度预测提供了一种新的方法。
下面结合附图和实施例对本发明的技术方案作进一步地说明：
附图说明
图1为一种GH4169Plus合金盘类锻件模具；
图2为一种GH4169Plus合金盘类锻件图；
图3为一定温度下GH4169Plus合金盘类锻件各关键部位平均晶粒大小云图；
图4为GH4169Plus盘类锻件晶粒度预测系统的演示图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1-图4所示，本实施方式的一种GH4169Plus合金盘类锻件晶粒度预测方法包含：
S1、使用deform有限元软件模拟GH4169Plus合金盘类锻件在不同交叉工艺参数下锻件的成形过程及该成形过程中锻件再结晶；模拟的内容为：一定温度范围内的坯料温度和一定温度范围内的模具温度的交叉数据；
S2、查看并统计步骤S1中不同坯料温度和模具温度下，盘类锻件的典型部位的晶粒度；
S3、将所得数据导入到数据库中进行归一化处理；
将坯料温度、模具温度以及盘类锻件典型部位的晶粒度导入数据库中，并对坯料温度和模具温度进行归一化处理，将晶粒度和归一化处理后的数据作为对标参数集；
S4、在数据库中随机选取一个“检测数据”，剩余数据作为“被检测数据”；
S5、计算“检测数据”的“温度目标参数”与“被检测数据”的“温度对标参数”之间的距离，并按照距离从小到大排序；
其中ρ0为“检测数据”与数据库中每个“被检测数据”的距离，Tp1表示经归一化处理后的“检测数据”的目标坯料温度，T'p1表示经归一化处理后的“被检测数据”的对标坯料温度，Tm1表示经归一化处理后的“检测数据”的模具目标温度，T'm1表示经归一化处理后的“被检测数据”的模具对标温度；然后将“被检测数据”按照其与“检测数据”之间的距离，按从小到大排列；
S6、初步选定K值，对不同距离下的晶粒度进行赋权重；
K从1开始取，取步骤S5中得到的排列后的数据的前K组数据的距离求倒数作为权重；其中w0为权重，ρ0表示检测目标参数与数据库中被检测对标参数之间的距离；
S7、统计权重得出预测结果，并统计正确率；
利用步骤S6的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度，将预测得到的晶粒度结果与检测数据中自身带有的晶粒度进行比较，统计预测的正确率；
S8、按照递增顺序，依次更换K的取值，重复步骤S7和步骤S8，直到K的值等于“被检测数据”的大小，比较不同K值下，对于“检测数据”的晶粒度预测的正确率，选取正确率最高的K值作为以下步骤中的K值；
S9、计算温度目标参数与数据库中温度对标参数之间的距离，并将数据库数据按照距离大小，从小到大排列；
其中ρ表示温度目标参数与数据库中每个温度对标参数的距离，Tp表示经归一化处理后的目标坯料温度，T'p表示经归一化处理后的对标坯料温度，Tm表示经归一化处理后的目标模具温度，T'm表示经归一化处理后的对标模具温度；然后将数据库数据按照距离大小，从小到大排列；
S10、对步骤S9中得到的每组距离进行比较，将距离按顺序位从小到大排列；选取前K组数据；
S11、对不同距离下的晶粒度进行赋权重；
对步骤S10中得到的K组距离求倒数，作为权重；其中w为权重，ρ表示检测目标参数与数据库中被检测对标参数之间的距离；
S12、统计权重得出预测结果；
利用步骤S11的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度。
可选地，步骤S1中模拟的交叉工艺参数为坯料温度为950℃-1010℃和模具温度为950℃-1010℃的交叉数据；模拟的边界条件为GH4169Plus合金坯料与上下模具的换热系数和GH4169Plus合金坯料与上下模具的摩擦系数。
步骤S2中，在deform有限元分析软件下，将成形后的GH4169Plus合金盘类锻件沿典型部位截面剖开，统计不同坯料温度和模具温度下锻件典型部位的晶粒尺寸。
如上，所述典型部位为：轮毂、圆环外圆角、轮芯和轮缘。
上述实施方式解决了传统锻件晶粒度预测方法成本高，效率低的问题，
下面结合实施例对本发明作进一步地阐述，以便更好地理解本发明；本实施例以一种典型的GH4169Plus合金压气机整体叶盘锻件为例，提供一种方便快捷且预测准确率高的基于加权K临近算法的GH4169Plus合金盘类锻件晶粒度预测方法；
结合图1-图4说明，所述方法包含：
S1、使用deform有限元软件模拟GH4169Plus盘类锻件在不同交叉工艺参数下锻件的成形过程及该成形过程中锻件再结晶；
采用附图1所示的模具，对GH4169Plus合金压气机整体叶盘锻件成形过程进行有限元模拟，模拟的内容主要为：坯料温度为950℃-1010℃和模具温度为950℃-1010℃的交叉数据；边界条件主要包括：GH4169Plus合金坯料与上下模具的换热系数(W·m-2·K-1):11；GH4169Plus合金坯料与上下模具的摩擦系数：0.3；
S2、查看并统计步骤S1中不同坯料温度和模具温度下，盘类锻件的典型部位的晶粒度；
在deform有限元分析软件中，将成形后的GH4169Plus合金盘类锻件沿所需截面剖开，以图2的形式显示锻件剖面典型部位的晶粒尺寸云图，统计不同坯料温度和模具温度下锻件各个典型部位的晶粒尺寸。表1即为所统计的典型部位晶粒度等级统计表；
S3、将所得数据导入到数据库中进行归一化处理
将坯料温度、模具温度以及盘类锻件典型部位的晶粒度导入数据库中，并对坯料温度和模具温度进行归一化处理，将晶粒度和归一化处理后的数据作为对标参数集；
将表1所示的统计数据导入晶粒度预测系统的数据库中，系统对导入的坯料温度和模具温度数据进行归一化处理，导入的晶粒度数据和温度处理后的数据如附表2所示，处理后的数据即成为一个对标参数存入数据库中；
S4、在数据库中随机选取一个“检测数据”，剩余数据作为“被检测数据”；
S5、计算“检测数据”的“温度目标参数”与“被检测数据”的“温度对标参数”之间的距离，并按照距离从小到大排序；
其中ρ0为“检测数据”与数据库中每个“被检测数据”的距离，Tp1表示经归一化处理后的“检测数据”的目标坯料温度，T'p1表示经归一化处理后的“被检测数据”的对标坯料温度，Tm1表示经归一化处理后的“检测数据”的模具目标温度，T'm1表示经归一化处理后的“被检测数据”的模具对标温度；然后将“被检测数据”按照其与“检测数据”之间的距离，按从小到大排列；
S6、初步选定K值，对不同距离下的晶粒度进行赋权重；
K从1开始取，取步骤S5中得到的排列后的数据的前K组数据的距离求倒数作为权重；其中w0为权重，ρ0表示检测目标参数与数据库中被检测对标参数之间的距离；
S7、统计权重得出预测结果，并统计正确率
利用步骤S6的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度，将预测得到的晶粒度结果与检测数据中自身带有的晶粒度进行比较，统计预测的正确率；
S8、按照递增顺序，依次更换K的取值，重复步骤S7和步骤S8，直到K的值等于“被检测数据”的大小，比较不同K值下，对于“检测数据”的晶粒度预测的正确率，选取正确率最高的K值作为以下步骤中的K值；
S9、计算温度目标参数与数据库中温度对标参数之间的距离，并将数据库数据按照距离大小，从小到大排列。
其中ρ表示温度目标参数与数据库中每个温度对标参数的距离，Tp表示经归一化处理后的目标坯料温度，T'p表示经归一化处理后的对标坯料温度，Tm表示经归一化处理后的目标模具温度，T'm表示经归一化处理后的对标模具温度；然后将数据库数据按照距离大小，从小到大排列；
以坯料温度为1000℃，模具温度为980℃的目标参数为例，对它进行归一化后的坯料温度为0.634482759，模具温度为0.628930818，计算该参数与数据库中每个对标参数的距离，如与对标参数中坯料温度为950℃，模具温度为950℃(归一化后的坯料温度为-2.50031348，模具温度为-1.257861635)间的距离：
其中ρ表示温度目标参数与数据库中每个温度对标参数的距离，Tp表示经归一化处理后的目标坯料温度，T'p表示经归一化处理后的对标坯料温度，Tm经归一化处理后的目标模具温度，T'm表示经归一化处理后的对标模具温度；
例如，结合表2所示，可知：
第一组：
第二组：
依次类推获得第三组至第七组的距离；
第七组：
S10、对步骤S9中得到的每组距离进行比较，将距离按顺序位从小到大排列；选取前K组数据；
S11、对不同距离下的晶粒度进行赋权重；
对步骤S10中得到的K组距离求倒数，作为权重；其中w为权重，ρ表示检测目标参数与数据库中被检测对标参数之间的距离；
如上述坯料温度为950℃，模具温度为950℃下对应的第一组对标参数下的所有典型部位的晶粒度权重
S12、统计权重得出预测结果；
利用步骤S11的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度。
经测试，该方法的晶粒度预测准确度高，可达到98.6％。
表1典型部位晶粒度等级统计表
表2晶粒度数据和温度处理后的数据
本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。
Claims (7)
1.一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：所述方法包含：
S1、使用deform有限元软件模拟GH4169Plus盘类锻件在不同交叉工艺参数下锻件的成形过程及该成形过程中锻件再结晶；模拟的内容为：一定温度范围内的坯料温度和一定温度范围内的模具温度的交叉数据；
S2、查看并统计步骤S1中不同坯料温度和模具温度下，盘类锻件的典型部位的晶粒度；
S3、将所得数据导入到数据库中进行归一化处理
将坯料温度、模具温度以及盘类锻件典型部位的晶粒度导入数据库中，并对坯料温度和模具温度进行归一化处理，将晶粒度和归一化处理后的数据作为对标参数集；
S4、在数据库中随机选取一个“检测数据”，剩余数据作为“被检测数据”；
S5、计算“检测数据”的“温度目标参数”与“被检测数据”的“温度对标参数”之间的距离，并按照距离从小到大排序；
其中ρ0为“检测数据”与数据库中每个“被检测数据”的距离，Tp1表示经归一化处理后的“检测数据”的目标坯料温度，Tp'1表示经归一化处理后的“被检测数据”的对标坯料温度，Tm1表示经归一化处理后的“检测数据”的模具目标温度，Tm'1表示经归一化处理后的“被检测数据”的模具对标温度；然后将“被检测数据”按照其与“检测数据”之间的距离，按从小到大排列；
S6、初步选定K值，对不同距离下的晶粒度进行赋权重；
K从1开始取，取步骤S5中得到的排列后的数据的前K组数据的距离求倒数作为权重；其中w0为权重，ρ0表示检测目标参数与数据库中被检测对标参数之间的距离；
S7、统计权重得出预测结果，并统计正确率；
利用步骤S6的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度，将预测得到的晶粒度结果与检测数据中自身带有的晶粒度进行比较，统计预测的正确率；
S8、按照递增顺序，依次更换K的取值，重复步骤S7和步骤S8，直到K的值等于“被检测数据”的大小，比较不同K值下，对于“检测数据”的晶粒度预测的正确率，选取正确率最高的K值作为以下步骤中的K值；
S9、计算温度目标参数与数据库中温度对标参数之间的距离，并将数据库数据按照距离大小，从小到大排列；
其中ρ表示温度目标参数与数据库中每个温度对标参数的距离，Tp表示经归一化处理后的目标坯料温度，Tp'表示经归一化处理后的对标坯料温度，Tm表示经归一化处理后的目标模具温度，Tm'表示经归一化处理后的对标模具温度；然后将数据库数据按照距离大小，从小到大排列；
S10、对步骤S9中得到的每组距离进行比较，将距离按顺序位从小到大排列；选取前K组数据；
S11、对不同距离下的晶粒度进行赋权重
对步骤S10中得到的K组距离求倒数，作为权重；其中w为权重，ρ表示检测目标参数与数据库中被检测对标参数之间的距离；
S12、统计权重得出预测结果；
利用步骤S11的权重，对盘类锻件的同一部位中的晶粒度进行统计，对选取的K组数据中同一部位相同等级晶粒度的权重加和，比较同一部位所有加和的权重，将加和后最高权重对应的晶粒度作为该部位的预测晶粒度。
2.根据权利要求1所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S1中模拟的交叉工艺参数为坯料温度为950℃-1010℃和模具温度为950℃-1010℃的交叉数据。
3.根据权利要求1所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S1中模拟的边界条件为GH4169Plus合金坯料与上下模具的换热系数和GH4169Plus合金坯料与上下模具的摩擦系数。
4.根据权利要求1所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S2中，在deform有限元分析软件下，将成形后的GH4169Plus合金盘类锻件沿典型部位截面剖开，统计不同坯料温度和模具温度下锻件典型部位的晶粒尺寸。
5.根据权利要求1所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S3中盘类锻件的典型部位为：轮毂、圆环外圆角、轮芯和轮缘。
6.根据权利要求1所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S3中的坯料温度选取七组：950℃、980℃、1010℃、980℃、1000℃、1010℃和965℃；一一对应的模具温度为950℃、980℃、980℃、950℃、950℃、1010℃和950℃。
7.根据权利要求3所述一种GH4169Plus合金盘类锻件晶粒度预测方法，其特征在于：步骤S1中模拟的边界条件为GH4169Plus合金坯料与上下模具的换热系数为11和GH4169Plus合金坯料与上下模具的摩擦系数为0.3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310908913.2A CN116933594B (zh) | 2023-07-24 | 2023-07-24 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310908913.2A CN116933594B (zh) | 2023-07-24 | 2023-07-24 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933594A CN116933594A (zh) | 2023-10-24 |
| CN116933594B true CN116933594B (zh) | 2024-03-22 |
Family
ID=88385847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310908913.2A Active CN116933594B (zh) | 2023-07-24 | 2023-07-24 | 一种GH4169Plus合金盘类锻件晶粒度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933594B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104729962A (zh) * | 2015-02-13 | 2015-06-24 | 西北工业大学 | Gh4169合金锻件晶粒度分析及预测方法 |
| CN105631156A (zh) * | 2016-01-13 | 2016-06-01 | 燕山大学 | 一种镍基高温合金锻件的晶粒组织均匀性评价方法 |
| CN105631183A (zh) * | 2014-11-10 | 2016-06-01 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种建立tc6钛合金锻造成形微观组织预测模型的方法 |
| CN114764525A (zh) * | 2021-01-13 | 2022-07-19 | 上海交通大学 | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 |
| CN115015318A (zh) * | 2022-06-15 | 2022-09-06 | 华中科技大学 | 一种大型构件热锻全流程宏微观分析方法及平台 |
| CN115618599A (zh) * | 2022-10-12 | 2023-01-17 | 中车青岛四方机车车辆股份有限公司 | 一种提高钛合金疲劳强度的锻造工艺制定方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210189515A1 (en) * | 2019-12-18 | 2021-06-24 | Emirates Steel Industries PJSC | Method for thermo-mechanically controlled process for high toughness beam production |
-
2023
- 2023-07-24 CN CN202310908913.2A patent/CN116933594B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631183A (zh) * | 2014-11-10 | 2016-06-01 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种建立tc6钛合金锻造成形微观组织预测模型的方法 |
| CN104729962A (zh) * | 2015-02-13 | 2015-06-24 | 西北工业大学 | Gh4169合金锻件晶粒度分析及预测方法 |
| CN105631156A (zh) * | 2016-01-13 | 2016-06-01 | 燕山大学 | 一种镍基高温合金锻件的晶粒组织均匀性评价方法 |
| CN114764525A (zh) * | 2021-01-13 | 2022-07-19 | 上海交通大学 | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 |
| CN115015318A (zh) * | 2022-06-15 | 2022-09-06 | 华中科技大学 | 一种大型构件热锻全流程宏微观分析方法及平台 |
| CN115618599A (zh) * | 2022-10-12 | 2023-01-17 | 中车青岛四方机车车辆股份有限公司 | 一种提高钛合金疲劳强度的锻造工艺制定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933594A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111644548B (zh) | 一种航天用高强度均质铝合金锻件改锻技术 | |
| CN105537478B (zh) | Gh696合金锻造工艺参数优化方法 | |
| CN102331377B (zh) | 一种评估t/p92钢的蠕变性能的方法 | |
| CN103614498A (zh) | 一种高炉炉壁三维温度场重建方法及计算机监控系统 | |
| CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
| CN104729962A (zh) | Gh4169合金锻件晶粒度分析及预测方法 | |
| CN107220485B (zh) | 一种适用于多道次压缩的本构模型的建立方法 | |
| CN112170501B (zh) | 一种轧辊磨损凸度和热凸度的预测方法 | |
| CN103886125A (zh) | 一种钛合金热复合成形数值模拟方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
| CN110442954A (zh) | 基于物理冶金学指导下机器学习的超高强不锈钢设计方法 | |
| CN116933594B (zh) | 一种GH4169Plus合金盘类锻件晶粒度预测方法 | |
| CN112231971A (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
| CN117494531A (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
| CN113962027A (zh) | 确定涡轮相似试验条件的方法、装置及存储介质 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
| CN108195707B (zh) | 一种超低温冷却对材料力学性能影响的评价方法 | |
| CN115287427B (zh) | 一种Fe-Ni-Co基高温合金GH907合金棒材制备方法 | |
| CN113065231A (zh) | 一种控制变形高温合金锻件持久缺口敏感性的方法 | |
| CN110096741B (zh) | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 | |
| CN109909413B (zh) | 一种基于热加工图的锻模速度曲线迭代优化方法 | |
| CN109117597A (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
| JP2020066049A (ja) | 鍛造組織の予測方法、鍛造組織の予測装置及び塑性加工製品の製造方法 | |
| CN114187977B (zh) | 一种设备材料球化程度预测方法及系统 |
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 |