7475鋁合金電致塑性效應(yīng)的ANN模型仿真研究

王少愚

武漢江漢大學(xué)智能制造學(xué)院 湖北 武漢 430000

引言

金屬電致塑性效應(yīng)是載有電流的金屬中的漂移電子和參與變形過(guò)程的位錯(cuò)的交互作用使金屬的塑性得以提高,變形抗力下降的現(xiàn)象[1]。

金屬電致塑性效應(yīng)是目前材料科學(xué)方面一個(gè)重要的研究?jī)?nèi)容,對(duì)于其產(chǎn)生的機(jī)理及成因,對(duì)金屬中微觀組織的影響,包括位錯(cuò)分布、形態(tài)、結(jié)構(gòu)、位錯(cuò)動(dòng)態(tài)行為等以及建立微觀組織與宏觀性能之間的關(guān)系基本還處于空白階段。但有些學(xué)者提出了一些假設(shè):一般認(rèn)為金屬電致塑性效應(yīng)是金屬中的漂移電子與位錯(cuò)存在著交互作用。它使金屬中的組織發(fā)生變化并使金屬的延伸率上升,變形抗力下降,相應(yīng)提高了金屬加工過(guò)程的生產(chǎn)效率,降低了生產(chǎn)成本。目前我國(guó)學(xué)者對(duì)此研究的結(jié)論猜想主要在以下幾個(gè)方面[1-4]:

1.漂移電子可能對(duì)自由能影響的實(shí)驗(yàn)數(shù)據(jù)和理論依據(jù);

2.漂移電子可能使金屬中的堆垛層錯(cuò)能和激活體積能量的影響(包括位錯(cuò)長(zhǎng)度和位錯(cuò)寬度);

3.漂移電子可能使金屬中的可動(dòng)位錯(cuò)密度得以提高,改變了位錯(cuò)分布和結(jié)構(gòu)或者是位錯(cuò)動(dòng)態(tài)行為;

4.漂移電子可能對(duì)金屬中的位錯(cuò)有一個(gè)能量輸送過(guò)程;

5.電磁場(chǎng)看作是降低了能障的結(jié)果,即熱脈動(dòng)力和產(chǎn)生位錯(cuò)。

以上幾個(gè)方面是許多學(xué)者提出的假設(shè),但由于缺乏實(shí)驗(yàn)數(shù)據(jù)和相應(yīng)的研究方法及對(duì)原有數(shù)據(jù)的精確預(yù)測(cè),理論上基本處于探索階段。

1 BP神經(jīng)網(wǎng)絡(luò)建模

設(shè)計(jì)中首先選用了含有一個(gè)隱含層的BP三層神經(jīng)網(wǎng)絡(luò)(ANN)結(jié)構(gòu),以電流密度、電壓、電場(chǎng)強(qiáng)度、電脈沖頻率、變形速率、變形溫度、時(shí)效溫度、時(shí)效時(shí)間為輸入量Xi,以材料的應(yīng)力下降比、延伸率、時(shí)效組織、位錯(cuò)密度、位錯(cuò)結(jié)構(gòu)、自由能、層錯(cuò)能變化、硬度等為輸出量Yi,建立能反映實(shí)驗(yàn)數(shù)據(jù)內(nèi)在規(guī)律和微觀組織與宏觀性能相互關(guān)系的神經(jīng)網(wǎng)絡(luò)模型。據(jù)此建立的神經(jīng)網(wǎng)絡(luò),它具有8個(gè)輸入神經(jīng)元,8個(gè)輸出神經(jīng)元,隱含神經(jīng)元數(shù)取為5個(gè),隱含層神經(jīng)元的非線性變換函數(shù)選用雙曲正切型Sigmoid函數(shù),輸出值域?yàn)閇—1,1]。

設(shè)含有n個(gè)節(jié)點(diǎn)的任意網(wǎng)絡(luò),各節(jié)點(diǎn)之特性為Sigmoid型。為簡(jiǎn)便起見(jiàn),指定網(wǎng)絡(luò)只有一個(gè)輸出y,任一節(jié)點(diǎn)i的輸出為Oi,并設(shè)有N個(gè)樣本(xk,yk)(k=1,2,3,…,N),對(duì)某一輸入xk,網(wǎng)絡(luò)輸出為yk節(jié)點(diǎn)i的輸出為Oik,節(jié)點(diǎn)j的輸入為

并將誤差函數(shù)定義為

當(dāng)j為輸出節(jié)點(diǎn)時(shí),Ojk=k

若j不是輸出節(jié)點(diǎn),則有

因此

如果有M層,而第M層僅含輸出節(jié)點(diǎn),第一層為輸入節(jié)點(diǎn),則BP算法為:

第一步,選取初始權(quán)值W。

第二步,重復(fù)下述過(guò)程直至收斂:

a.對(duì)于k=1到N

a).計(jì)算Oik,netjk和y^k的值(正向過(guò)程);

b).對(duì)各層從M到2反向計(jì)算(反向過(guò)程);

b.對(duì)同一節(jié)點(diǎn)j∈M,由式(1)和(2)計(jì)算δjk;

從上述BP算法可以看出,BP模型把一組樣本的I/O問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題,它使用的是優(yōu)化中最普通的梯度下降法。如果把神經(jīng)網(wǎng)絡(luò)的看成輸入到輸出的映射,則這個(gè)映射是一個(gè)高度非線性映射。

設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)重點(diǎn)在于模型的構(gòu)成和學(xué)習(xí)算法的選擇。一般來(lái)說(shuō),結(jié)構(gòu)是根據(jù)所研究領(lǐng)域及要解決的問(wèn)題確定的。通過(guò)對(duì)所研究問(wèn)題的大量歷史資料數(shù)據(jù)的分析及目前的神經(jīng)網(wǎng)絡(luò)理論發(fā)展水平,建立合適的模型,并針對(duì)所選的模型采用相應(yīng)的學(xué)習(xí)算法,在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中,不斷地調(diào)整網(wǎng)絡(luò)參數(shù),直到輸出結(jié)果滿足要求。

2 仿真設(shè)計(jì)

具體研究中,我們所采用的材料為東北輕合金加工廠提供的LY12鋁合金,厚度為1.58mm。施加脈沖電流對(duì)LY12鋁合金進(jìn)行拉伸實(shí)驗(yàn),得出有關(guān)脈沖電流對(duì)LY12鋁合金的力學(xué)性能的影響。主要的實(shí)驗(yàn)方法有四個(gè)階段,分別為:

1.常溫不通脈沖電流狀態(tài);

2.加熱不通脈沖電流狀態(tài);

3.常溫通脈沖電流狀態(tài);

4.加熱通脈沖電流狀態(tài)。

經(jīng)過(guò)反復(fù)的實(shí)驗(yàn),得到的部分訓(xùn)練樣本數(shù)據(jù)如表1所示:

表1 I=0A,拉伸方向與軋制方向平行

3 仿真結(jié)果分析

經(jīng)過(guò)多次學(xué)習(xí)以后,我們利用訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)V=0.2和0.5,I=0A,T=380℃拉伸方向與軋制方向平行時(shí)的抗拉強(qiáng)度、延伸率和屈服極限的情況,對(duì)比結(jié)果如表2所示:

表2 預(yù)測(cè)情況與實(shí)驗(yàn)情況對(duì)比

從表2可以看出,通過(guò)訓(xùn)練后的ANN所預(yù)測(cè)的結(jié)果與實(shí)際結(jié)果所產(chǎn)生的誤差小于2.3%,符合預(yù)測(cè)所能接受的誤差范圍。根據(jù)仿真的神經(jīng)網(wǎng)絡(luò)模型和仿真結(jié)果分析,我們可以得到應(yīng)變速率對(duì)LY12鋁合金性能的影響如下:

(1)在脈沖電流和溫度不變的情況下,隨著應(yīng)變速率的增大,LY12鋁合金的延伸率下降。

(2)在脈沖電流和溫度不變的情況下,隨著應(yīng)變速率的增大,LY12鋁合金的屈服極限增大。

(3)在脈沖電流和溫度不變的情況下,隨著應(yīng)變速率的增大,LY12鋁合金的抗拉強(qiáng)度增大。

另外,對(duì)我們所采用的神經(jīng)網(wǎng)絡(luò)仿真模型和仿真方法,也有如下結(jié)論:

1)通過(guò)神經(jīng)網(wǎng)絡(luò)具有能有效地模擬各種復(fù)雜的非線性映射,并有很強(qiáng)的容錯(cuò)性和聯(lián)想記憶能力這種特點(diǎn),來(lái)研究金屬電致塑性效應(yīng)的成因和非線性結(jié)果,是可行的。

2)通過(guò)神經(jīng)網(wǎng)絡(luò)仿真,我們能對(duì)金屬電致塑性建立一個(gè)非線性的模型,并通過(guò)ANN獨(dú)有的預(yù)測(cè)功能,代替數(shù)學(xué)理論模型來(lái)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的計(jì)算和觀測(cè)對(duì)比分析。3)雖然ANN技術(shù)能解決如同金屬電致塑性效應(yīng)這一類很難尋求數(shù)學(xué)模型的問(wèn)題,但從數(shù)學(xué)角度來(lái)說(shuō),ANN是一種數(shù)學(xué)上的逼近,自然存在著先天的誤差無(wú)法消除。同時(shí),金屬電致塑性效應(yīng)內(nèi)部機(jī)理依然是一種“黑箱”效應(yīng),還需要尋求其他的方法能更好的解決。

4)在具體的仿真過(guò)程中,依然存在精度不高的情況?？赡苡梢韵聨追N情況造成:一是ANN本身還存在著容易陷入局部最優(yōu)的陷阱問(wèn)題,這可以采用優(yōu)化技術(shù)來(lái)解決,比如遺傳算法等等,這也是我們以后要繼續(xù)研究的問(wèn)題。另一種是模型和訓(xùn)練本身存在著一些問(wèn)題,比如泛化能力和過(guò)訓(xùn)練問(wèn)題等等,再比如輸入變量的選擇問(wèn)題等等。這些問(wèn)題都有待以后深入的研究。