Al-Zn合金熱成形本構(gòu)模型

程彬洋，劉祥，蘆俊杰，龐秋

Al-Zn合金熱成形本構(gòu)模型

程彬洋1a,1b，劉祥2，蘆俊杰1a,1b，龐秋3

（1. 武漢理工大學(xué) a. 現(xiàn)代汽車(chē)零部件技術(shù)湖北重點(diǎn)實(shí)驗(yàn)室；b. 材料綠色成形技術(shù)與裝備湖北省工程中心，武漢 430070；2. 東風(fēng)（武漢）實(shí)業(yè)有限公司，武漢 430040；3. 武漢科技大學(xué) 機(jī)械自動(dòng)化學(xué)院，武漢 430081）

表征Al-Zn合金在預(yù)時(shí)效強(qiáng)化溫?zé)岢尚喂に囅碌牧鲃?dòng)行為。利用MMS200熱模擬機(jī)對(duì)Al-Zn合金進(jìn)行熱拉伸試驗(yàn)，變形參數(shù)分別為變形溫度180～220 ℃、應(yīng)變速率0.01～1 s?1。通過(guò)對(duì)試驗(yàn)值進(jìn)行修正，可得到不同變形條件下的真應(yīng)力-應(yīng)變曲線，并建立應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型和PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型。Al-Zn合金熱變形過(guò)程中呈現(xiàn)正的應(yīng)變速率敏感性和熱軟化效應(yīng)；應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型的值和AARE值分別為0.961和8.761%；而PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型的值和AARE值分別為0.993 5和2.51%。PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型的預(yù)測(cè)值和試驗(yàn)值高度吻合，擁有更準(zhǔn)確、更快速的數(shù)據(jù)采集和分析能力，對(duì)鋁合金及其他合金材料的熱變形行為預(yù)測(cè)有著重要意義。

預(yù)時(shí)效強(qiáng)化溫?zé)岢尚喂に?；Al-Zn合金；本構(gòu)模型

隨著輕量化技術(shù)逐漸受到制造業(yè)領(lǐng)域的重視，鈦合金和鋁合金等輕質(zhì)材料廣泛運(yùn)用到汽車(chē)、飛機(jī)等行業(yè)中。鋁合金由于具有優(yōu)良的力學(xué)和成形性能而被認(rèn)為是汽車(chē)輕量化的重要選擇，各種板料成形技術(shù)也得到飛速發(fā)展。Al-Zn系合金具有比強(qiáng)度和比剛度較高、斷裂韌性?xún)?yōu)良等優(yōu)點(diǎn)，有著較大的輕量化潛力[1-3]，但是由于存在成形延性差、回彈嚴(yán)重等問(wèn)題，這系列合金在室溫下的成形性很差，往往很難成形形狀復(fù)雜的零件。

文中研究了一種鋁合金預(yù)時(shí)效強(qiáng)化溫?zé)岢尚喂に嚕≒re-Aged Hardening Warm Forming，PHF），其流程如圖1所示[4]。在該工藝過(guò)程中，首先對(duì)合金進(jìn)行固溶熱處理和預(yù)時(shí)效處理，以用作坯料。隨后，將預(yù)強(qiáng)化坯料加熱至所需溫度，保溫一段時(shí)間，然后轉(zhuǎn)移到成形裝置中進(jìn)行熱沖壓，最終制件無(wú)需后續(xù)熱處理即可獲得。對(duì)于該工藝，預(yù)強(qiáng)化坯料由板料供應(yīng)商批量供應(yīng)，沖壓工序可在幾分鐘內(nèi)完成，從而縮短生產(chǎn)周期并降低成本。

對(duì)鋁合金不同工藝條件下的變形行為進(jìn)行表征，需要在考慮溫度、應(yīng)變速率、應(yīng)變的基礎(chǔ)上結(jié)合微觀組織的演變建立本構(gòu)模型。恰當(dāng)?shù)谋緲?gòu)模型可以很好地預(yù)測(cè)不同條件下的鋁合金流變行為，并能對(duì)鋁合金加工工藝參數(shù)進(jìn)行優(yōu)化。Lin等[5]對(duì)7075鋁合金進(jìn)行了壓縮試驗(yàn)，獲得了溫度為350～450 ℃、應(yīng)變速率為10?3～10?1s?1條件下的應(yīng)力-應(yīng)變及微觀組織，構(gòu)建一種結(jié)合了Zener-Hollomon參數(shù)的JC本構(gòu)模型，且取得了較好的擬合效果。莊蔚敏等[6]建立了7075鋁合金在20～220 ℃變形條件下的單軸黏塑性損傷本構(gòu)方程以及可預(yù)測(cè)成形極限的平面應(yīng)力損傷模型。隨著智能計(jì)算機(jī)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)為解決高度非線性問(wèn)題提供了另一種方法，其優(yōu)點(diǎn)是不需要考慮復(fù)雜的變形機(jī)理和數(shù)學(xué)物理知識(shí)。與統(tǒng)計(jì)或數(shù)值方法相比，神經(jīng)網(wǎng)絡(luò)為材料建模和材料加工控制技術(shù)提供了一種快速方便的方法。目前，人工神經(jīng)網(wǎng)絡(luò)模型已成功用于預(yù)測(cè)鎂合金、鈦合金、鋼等材料，而對(duì)鋁合金溫成形的人工神經(jīng)網(wǎng)絡(luò)模型研究還很少。Quan等[7]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)擠壓態(tài)7075鋁合金在200～450 ℃及10?2～10 s?1下的熱壓縮變形行為進(jìn)行了準(zhǔn)確預(yù)測(cè)。

文中主要比較了2種本構(gòu)方程對(duì)Al-Zn合金PHF工藝變形行為的預(yù)測(cè)，從而提出一種適用于該工藝變形特性和參數(shù)優(yōu)化的本構(gòu)模型。在應(yīng)變速率為0.01～ 1 s?1、溫度為180～220 ℃的變形條件下，對(duì)Al-Zn合金進(jìn)行了一系列熱拉伸試驗(yàn)，分析了不同工藝參數(shù)下合金材料的微觀組織演變和流動(dòng)應(yīng)力行為?；谛拚碚?，對(duì)試驗(yàn)值進(jìn)行修正，得到真實(shí)應(yīng)力-應(yīng)變曲線，并提出了應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型和PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型。利用數(shù)理統(tǒng)計(jì)方法中模型的線性相關(guān)系數(shù)和平均相對(duì)誤差A(yù)ARE對(duì)試驗(yàn)結(jié)果進(jìn)行分析比較，驗(yàn)證模型的精確度，為實(shí)際生產(chǎn)提供借鑒意義。

圖1 PHF工藝流程

1 試驗(yàn)

所用材料為商用Al-Zn合金，板材原始厚度為1.5 mm，對(duì)其進(jìn)行X射線熒光光譜測(cè)試，得到其化學(xué)成分如表1所示。

在MMS200熱模擬機(jī)上進(jìn)行熱拉伸試驗(yàn)，拉伸試樣的形狀尺寸如圖2所示。試樣采用線切割方法，且試樣長(zhǎng)度方向沿著板材的軋制方向，切割完成后要用砂紙對(duì)邊緣毛刺進(jìn)行打磨，保證試驗(yàn)結(jié)果的準(zhǔn)確性。固溶處理工藝為475 ℃下保溫30 min，然后水淬。固溶后馬上進(jìn)行預(yù)時(shí)效處理，預(yù)時(shí)效參數(shù)為85 ℃/ 12 h。為了使不同試驗(yàn)中的預(yù)時(shí)效試樣產(chǎn)生一致的溫度變化，先將試樣以1.5 ℃/s的速率加熱至160、180、200 ℃，然后再以0.5 ℃/s的速率加熱到180、200、220 ℃。隨后，將試樣保溫1 min，然后以0.01、0.1、1 s?1的應(yīng)變速率拉斷，拉斷后立即冷卻，以保留高溫組織。拉伸試驗(yàn)溫度曲線如圖3所示。

表1 Al-Zn鋁合金的化學(xué)成分（質(zhì)量分?jǐn)?shù)）

Tab.1 Chemical composition of Al-Zn aluminum alloy (mass fraction) %

圖2 拉伸試驗(yàn)的試樣尺寸

圖3 拉伸試驗(yàn)溫度曲線

2 結(jié)果與分析

2.1 應(yīng)力-應(yīng)變曲線

由于在MMS200模擬機(jī)上使用的是電阻加熱，拉伸試樣上的溫度會(huì)沿著試樣標(biāo)距的長(zhǎng)度而不均勻分布，越靠近試樣中間，熱電偶焊絲的溫度越高，所以往往需要確定一個(gè)均溫區(qū)尺寸作為標(biāo)距，對(duì)真實(shí)應(yīng)力-應(yīng)變曲線進(jìn)行修正，如北京科技大學(xué)的校文超[8]采用10 mm的均溫區(qū)尺寸作為標(biāo)距，對(duì)真應(yīng)力-應(yīng)變曲線進(jìn)行了修正。文中根據(jù)試樣尺寸和溫度梯度變化規(guī)律，采用14 mm的均溫區(qū)作為標(biāo)距進(jìn)行修正，熱拉伸試驗(yàn)結(jié)束后測(cè)量標(biāo)距的變化長(zhǎng)度，從而確定試樣伸長(zhǎng)率，并以此計(jì)算和修正拉伸變形的真實(shí)應(yīng)力-應(yīng)變曲線。具體計(jì)算和修正公式見(jiàn)式（1）—（6）：

式中：e為工程應(yīng)變；e為工程應(yīng)力；0為標(biāo)距初始長(zhǎng)度；Δ為拉伸斷裂后標(biāo)距的變化量；0為標(biāo)距內(nèi)的初始橫截面積；為拉伸載荷；t為真實(shí)應(yīng)變；t為真實(shí)應(yīng)力；Δt為拉伸結(jié)束后整個(gè)試樣的長(zhǎng)度變化量；為試樣伸長(zhǎng)率；為修正系數(shù)，該系數(shù)可根據(jù)標(biāo)距的長(zhǎng)度變化量除以斷裂時(shí)最大夾頭位移得出，文中取值為0.8～0.9。根據(jù)以上分析，可得出Al-Zn合金熱拉伸變形的真實(shí)應(yīng)力-應(yīng)變曲線，如圖4所示。

由圖4可知，不同變形條件下的曲線變化規(guī)律比較相似，根據(jù)變化規(guī)律大致可分為4個(gè)階段：彈性變形階段、塑性變形階段、穩(wěn)態(tài)變形階段及斷裂階段。隨著熱拉伸變形的進(jìn)行，Al-Zn合金的流動(dòng)應(yīng)力先迅速升高，呈線性增加，位錯(cuò)密度往往也隨之增加，之后再緩慢增加到極限應(yīng)力并趨于穩(wěn)定，拉伸變形結(jié)束后迅速下降，最終失效。在同一應(yīng)變速率下，流動(dòng)應(yīng)力隨變形溫度的升高而下降，這種現(xiàn)象說(shuō)明Al-Zn合金在熱變形過(guò)程中有熱軟化效應(yīng)，即溫度升高會(huì)導(dǎo)致原子間動(dòng)能增加，原子間結(jié)合力降低，合金的抗拉能力下降，進(jìn)而使合金的流動(dòng)應(yīng)力降低。在同一變形溫度下，流動(dòng)應(yīng)力隨應(yīng)變速率的增大而升高，說(shuō)明熱變形過(guò)程中Al-Zn合金呈現(xiàn)正的應(yīng)變速率敏感性，這是因?yàn)閼?yīng)變速率增加會(huì)導(dǎo)致單位時(shí)間內(nèi)產(chǎn)生的位錯(cuò)數(shù)目增多，位錯(cuò)的運(yùn)動(dòng)程度增加，同時(shí)塑性變形時(shí)間縮短會(huì)導(dǎo)致動(dòng)態(tài)軟化程度減弱[9]。

圖4 不同變形溫度和應(yīng)變速率的真實(shí)應(yīng)力-應(yīng)變曲線

2.2 本構(gòu)模型

2.2.1 應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型

為了研究合金材料在塑性變形過(guò)程中的變形行為，往往可以建立材料的本構(gòu)模型，即將材料在塑性成形時(shí)的變形條件（應(yīng)力、應(yīng)變等）和熱力學(xué)條件（變形溫度）的關(guān)系用一個(gè)模型表達(dá)出來(lái)。材料本構(gòu)方程一般可用式（7）表示[10]：

目前學(xué)者已經(jīng)利用熱模擬技術(shù)建立了一系列不同類(lèi)型的本構(gòu)模型，如Johnson-Cook（JC）模型、Zerilli-Armstrong（ZA）模型、Fields-Backofen（FB）模型等。其中包含參數(shù)的函數(shù)模型主要考慮了熱變形條件，能較好反映鋁合金的熱變形特性，而且使用的應(yīng)力水平范圍很廣泛，可用于高強(qiáng)鋁合金各種熱加工變形，如壓縮變形、擠壓變形、拉伸變形等。該模型的表達(dá)式見(jiàn)式（8）—（10）[11]：

(9)

for all (10)

式中：為補(bǔ)償因子；為熱變形激活能；為通用氣體常數(shù)；為應(yīng)力指數(shù)；為常數(shù)；為應(yīng)力水平參數(shù)，且有=/。

文中以應(yīng)變值0.03為參考對(duì)各項(xiàng)參數(shù)進(jìn)行求解，先對(duì)式（8）—（10）兩邊分別取對(duì)數(shù)，有：

對(duì)式（13）進(jìn)行求導(dǎo)可得：

同時(shí)有：

圖5 各參量之間的關(guān)系

根據(jù)以上試驗(yàn)數(shù)據(jù)可得出Al-Zn合金熱變形過(guò)程中的本構(gòu)方程為：

式中：()表示、、、ln與的函數(shù)關(guān)系；0—5為多項(xiàng)式系數(shù)。

采用上述方法，計(jì)算不同應(yīng)變范圍（0.03～0.15，間隔為0.03）下的、、、ln值，并通過(guò)多項(xiàng)式擬合確定0—5的值。各項(xiàng)常數(shù)擬合的曲線如圖6所示，0—5的值如表2所示。

圖6 各材料常數(shù)的多項(xiàng)式擬合曲線

表2 材料常數(shù)的多項(xiàng)式系數(shù)

Tab.2 Polynomial coefficient of material constant

通過(guò)以上建立的本構(gòu)模型計(jì)算了不同變形條件下的流動(dòng)應(yīng)力預(yù)測(cè)值，并與試驗(yàn)值進(jìn)行比較，如圖7所示?？梢钥闯觯m然有個(gè)別點(diǎn)的預(yù)測(cè)值偏離試驗(yàn)值，但總體趨勢(shì)基本一致，精確度較高。

2.2.2 PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種能夠模擬生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)學(xué)模型，對(duì)復(fù)雜的非線性問(wèn)題具有較強(qiáng)的適應(yīng)性和泛化能力，對(duì)合金材料的高溫特性預(yù)測(cè)有著相當(dāng)大的潛力。BP神經(jīng)網(wǎng)絡(luò)模型一般采用誤差梯度下降法來(lái)搜索全局最優(yōu)解，但存在學(xué)習(xí)速度慢、容易陷入局部最小值等缺陷。為了改善以上缺陷，文中利用MATLAB軟件對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行粒子群優(yōu)化，能夠有效提高模型的穩(wěn)定性和精確度[13]。

圖7 不同變形條件下應(yīng)變補(bǔ)償?shù)暮琙參數(shù)本構(gòu)模型流動(dòng)應(yīng)力預(yù)測(cè)值與試驗(yàn)值的對(duì)比

文中先確定了BP神經(jīng)網(wǎng)絡(luò)的構(gòu)架，由輸入層、隱藏層和輸出層組成，如圖8所示。輸入層包括變形溫度、應(yīng)變速率、應(yīng)變3個(gè)變量，輸出層則為合金流動(dòng)應(yīng)力1個(gè)變量。經(jīng)過(guò)多次反復(fù)試驗(yàn)，文中采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（輸入層、隱藏層、輸出層）的節(jié)點(diǎn)數(shù)分別為3、10、1，每一層都包含多個(gè)獨(dú)立的神經(jīng)元，并通過(guò)一定的權(quán)重比連接起來(lái)。每一層都包含一個(gè)傳遞函數(shù)，如式（21）—（22）所示：

式中：S（=1，2）為各級(jí)神經(jīng)元輸出值；為輸入層神經(jīng)元輸出值；（=1，2）為閾值矩陣；（=1，2）為權(quán)值矩陣。

為迅速找到最優(yōu)值，采用Leverng Marquardt算法進(jìn)行運(yùn)算。為了快速收斂，避免神經(jīng)元輸出飽和，提高精度，將之前得到的試驗(yàn)值進(jìn)行歸一化，如式（23）所示：

式中：Xn為標(biāo)準(zhǔn)化數(shù)據(jù)；X為原始數(shù)據(jù)；Xmax和Xmin分別為原始最大值和最小值。

粒子群優(yōu)化算法是一種基于迭代的優(yōu)化算法，但沒(méi)有交叉、變異等操作，具有原理簡(jiǎn)單、易于實(shí)現(xiàn)、參數(shù)少等優(yōu)點(diǎn)，可以通過(guò)不斷更新粒子的速度和位置跟蹤最優(yōu)粒子，在某種程度上可以避免傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問(wèn)題。粒子群優(yōu)化算法的基本思想是通過(guò)群體中個(gè)體之間的合作和信息共享來(lái)尋找最優(yōu)解。PSO-BP網(wǎng)絡(luò)的具體流程如圖9所示[14]。

粒子群優(yōu)化算法迭代過(guò)程中跟蹤的全局最優(yōu)粒子記為(best)，每一代最優(yōu)粒子記為(best)，每一代粒子更新后都會(huì)發(fā)生自適應(yīng)隨機(jī)突變[15]。粒子更新公式見(jiàn)式（24）—（25）：

式中：為粒子更新速度；為當(dāng)前迭代次數(shù)；1和2為學(xué)習(xí)因子；1和2為隨機(jī)數(shù)；pop()為粒子。

在通過(guò)多次訓(xùn)練后可確定神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)值，具體如下：訓(xùn)練代數(shù)為200，目標(biāo)誤差值為10?6，學(xué)習(xí)因子1、2為1.495，選擇的數(shù)據(jù)樣本數(shù)目為120，隨機(jī)數(shù)1、2為0.2，粒子長(zhǎng)度為137，種群規(guī)模為100，變異率為0.2。從所有試驗(yàn)的真應(yīng)力-應(yīng)變曲線中選取120個(gè)數(shù)據(jù)樣本用于計(jì)算，其中84個(gè)隨機(jī)值（70%）用于訓(xùn)練，18個(gè)隨機(jī)值（15%）用于測(cè)試，18個(gè)隨機(jī)值（15%）用于驗(yàn)證。當(dāng)開(kāi)始訓(xùn)練該模型時(shí)，迭代次數(shù)達(dá)到設(shè)定的終止條件時(shí)，計(jì)算停止。文中設(shè)置的終止條件為MSE≤10?5時(shí)停止（MSE為預(yù)測(cè)值與試驗(yàn)值的差值），多次訓(xùn)練后發(fā)現(xiàn)其值達(dá)到0.000 65時(shí)就可收斂，此時(shí)迭代次數(shù)為2 500，圖10即為迭代次數(shù)與MSE的關(guān)系曲線。

圖9 PSO-BP模型流程

圖10 迭代次數(shù)與dMSE的關(guān)系曲線

圖11為PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型預(yù)測(cè)值與試驗(yàn)值的對(duì)比，可以發(fā)現(xiàn)，在誤差允許范圍內(nèi)，預(yù)測(cè)值與試驗(yàn)值的吻合度非常高。由此可得出該模型很好地描述了流動(dòng)應(yīng)力與變形溫度、應(yīng)變、應(yīng)變速率之間的關(guān)系，而且只要能確定變形過(guò)程中的任意2個(gè)參數(shù)，都可以確定相應(yīng)條件下的流動(dòng)應(yīng)力。

圖11 不同變形條件下PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型流動(dòng)應(yīng)力預(yù)測(cè)值與試驗(yàn)值的對(duì)比

2.3 本構(gòu)模型驗(yàn)證

文中對(duì)建立的Al-Zn合金本構(gòu)模型的可行性進(jìn)行評(píng)價(jià)的方法包括線性相關(guān)系數(shù)（）和平均相對(duì)誤差（AARE）。兩者的計(jì)算公式見(jiàn)式（26）—（27）：

圖12 2種模型預(yù)測(cè)值與試驗(yàn)值的相關(guān)性

3 結(jié)論

針對(duì)提出的高強(qiáng)鋁合金預(yù)時(shí)效強(qiáng)化溫?zé)岢尚喂に嚕≒HF）進(jìn)行了本構(gòu)模型研究，對(duì)提供的Al-Zn合金進(jìn)行熱拉伸試驗(yàn)，變形條件為不同變形溫度（180～220 ℃）和應(yīng)變速率（0.01～1 s?1），并對(duì)試驗(yàn)值進(jìn)行了修正，得到真實(shí)應(yīng)力-應(yīng)變曲線，并對(duì)流動(dòng)行為進(jìn)行描述。在修正試驗(yàn)值的基礎(chǔ)上，采用適用于高強(qiáng)鋁合金的應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型和PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型對(duì)Al-Zn合金的流動(dòng)行為進(jìn)行了預(yù)測(cè)。根據(jù)研究可以得到以下結(jié)論。

1）對(duì)修正后的試驗(yàn)值進(jìn)行研究可發(fā)現(xiàn)流動(dòng)應(yīng)力對(duì)變形條件比較敏感，在同一變形溫度下，流動(dòng)應(yīng)力隨應(yīng)變速率的增大而升高，說(shuō)明熱變形過(guò)程中Al-Zn合金呈現(xiàn)正的應(yīng)變速率敏感性；在同一應(yīng)變速率下，流動(dòng)應(yīng)力隨變形溫度的升高而下降，這種現(xiàn)象說(shuō)明Al-Zn合金在熱變形過(guò)程中有熱軟化效應(yīng)。

2）建立應(yīng)變補(bǔ)償?shù)暮瑓?shù)本構(gòu)模型的值和AARE值分別為0.96和8.761%，雖然預(yù)測(cè)流動(dòng)應(yīng)力時(shí)有個(gè)別參數(shù)會(huì)出現(xiàn)較大的偏差，但整體趨勢(shì)基本一致；而PSO-BP人工神經(jīng)網(wǎng)絡(luò)本構(gòu)模型的出預(yù)測(cè)值和試驗(yàn)值則高度吻合，值和AARE值分別為0.993 5和2.51%，而且擁有更準(zhǔn)確、更快速的數(shù)據(jù)采集和分析能力，對(duì)鋁合金及其他合金材料的熱變形行為預(yù)測(cè)有著重要意義。

[1] ZHANG Wen-pei, LI Huan-huan, HU Zhi-li, et al. Investigation on the Deformation Behavior and Post-For-med Microstructure/Properties of AA7075-T6 Alloy under Pre-Hardened Hot Forming Process[J]. Materials Science and Engineering A, 2020, 792: 139749-139759.

[2] LI Huan-huan, HU Zhi-li, HUA Lin, et al. Influence of Thermal Deformation Parameters on Mechanical Properties and Microstructure Evolution of AA7075 Aluminum Alloy during Hot Stamping-Quenching Process[J]. JOM, 2019, 71(12): 4778-4788.

[3] 華林, 魏鵬飛, 胡志力. 高強(qiáng)輕質(zhì)材料綠色智能成形技術(shù)與應(yīng)用[J]. 中國(guó)機(jī)械工程, 2020, 31(22): 2753- 2762.

HUA Lin, WEI Peng-fei, HU Zhi-li. Green and Intelligent Forming Technology and Its Applications for High Strength Lightweight Materials[J]. China Mechanical Engineering, 2020, 31(22): 2753-2762.

[4] HUA Lin, ZHANG Wen-pei, MA Hui-juan, et al. Investigation of Formability, Microstructures and Post-For-ming Mechanical Properties of Heat-Treatable Aluminum Alloys Subjected to Pre-Aged Hardening Warm Forming[J]. International Journal of Machine Tools and Manufacture, 2021, 169: 103799-103813.

[5] LIN Ye-chen, LI Lei-ting, FU Yan-xiang, et al. Hot Compressive Deformation Behavior of 7075 Al Alloy under Elevated Temperature[J]. Journal of Materials Science, 2012, 47(3): 1306-1318.

[6] 莊蔚敏, 曹德闖, 葉輝. 基于連續(xù)介質(zhì)損傷力學(xué)預(yù)測(cè)7075鋁合金熱沖壓成形極限圖[J]. 吉林大學(xué)學(xué)報(bào): 工學(xué)版, 2014, 44(2): 409-414.

ZHUANG Wei-min, CAO De-chuang, YE Hui. Prediction of FLD for AA7075 under Hot Stamping Based on Continuum Damage Mechanics[J]. Journal of Jilin University: Engineering and Technology Edition, 2014, 44(2): 409-414.

[7] QUAN Guang, ZOU Zhou, WANG Tao, et al. Modeling the Hot Deformation Behaviors of As-Extruded 7075 Aluminum Alloy by an Artificial Neural Network with Back-Propagation Algorithm[J]. High Temperature Materials and Processes, 2017, 36(1): 1-13.

[8] 校文超. 7075鋁合金板材熱塑性本構(gòu)建模與熱沖壓關(guān)鍵技術(shù)研究[D]. 北京: 北京科技大學(xué), 2018: 23-24.

XIAO Wen-chao. Research on the Key Technology of 7075 Aluminum Alloy Sheet Thermoplastic Basic Construction Die and Hot Stamping[D]. Beijing: University of Science and Technology Beijing, 2018: 23-24.

[9] 李歡歡. 7075鋁合金車(chē)身構(gòu)件快速熱沖壓形性演變規(guī)律及控制研究[D]. 武漢: 武漢理工大學(xué), 2019: 31-35.

LI Huan-huan. Research on the Shape Evolution and Control of Rapid Hot Stamping of 7075 Aluminum Alloy Body Components[D]. Wuhan: Wuhan University of Technology, 2019: 31-35.

[10] CHEN Lin, ZHAO Guo, YU Jing, et al. Constitutive Analysis of Homogenized 7005 Aluminum Alloy at Evaluated Temperature for Extrusion Process[J]. Materials & Design, 2015, 66: 129-136.

[11] 陳亞京, 楊勇彪, 張治民, 等. 7A04鋁合金扭轉(zhuǎn)熱變形行為研究[J]. 塑性工程學(xué)報(bào), 2018, 25(1): 167-174.

CHEN Ya-jing, YANG Yong-biao, ZHANG Zhi-min, et al. Hot Torsional Deformation Behavior of 7A04 Aluminum Alloy[J]. Journal of Plasticity Engineering, 2018, 25(1): 167-174.

[12] 儲(chǔ)林華, 王練, 李恒羽, 等. 基于GA-BP改進(jìn)算法的Zr-4合金高溫本構(gòu)關(guān)系模型建立[J]. 精密成形工程, 2017, 9(6): 125-129.

CHU Lin-hua, WANG Lian, LI Heng-yu, et al. Establishment of High Temperature Constitutive Model of Zr-4 Alloy Based on GA-BP Improved Algorithm[J]. Journal of Netshape Forming Engineering, 2017, 9(6): 125-129.

[13] 李孟奇, 屈美嬌, 何衛(wèi)鋒, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的力學(xué)行為模型構(gòu)建方法[J]. 兵器材料科學(xué)與工程, 2022, 44(1): 1-15.

LI Meng-qi, QU Mei-jiao, HE Wei-feng, et al. Construction Method of Mechanical Behavior Model Based on BP Neural Network[J]. Weapon Materials Science and Engineering, 2022, 44(1): 1-15.

[14] ZHOU Zhi-wei, GONG Hong-ying, YOU Jin, et al. Research on Compression Deformation Behavior of Aging AA6082 Aluminum Alloy Based on Strain Compensation Constitutive Equation and PSO-BP Network Model[J]. Materials Today Communications, 2021, 28: 102507-102520.

[15] 丁鳳娟, 賈向東, 洪騰蛟, 等. 基于GA-BP和PSO-BP神經(jīng)網(wǎng)絡(luò)的6061鋁合金板材流變應(yīng)力預(yù)測(cè)模型[J]. 稀有金屬材料與工程, 2020(6): 1840-1853.

DING Feng-juan, JIA Xiang-dong, HONG Teng-jiao, et al. Flow Stress Prediction Model of 6061 Aluminum Alloy Sheet Based on GA-BP and PSO-BP Neural Networks[J]. Rare Metal Materials and Engineering, 2020(6): 1840-1853.

Constitutive Model of Al-Zn Alloy Hot Forming

CHENG Bin-yang1a,1b, LIU Xiang2, LU Jun-jie1a,1b, PANG Qiu3

(1. a. Hubei Key Laboratory of Advanced Technology of Automobile Parts; b. Hubei Provincial Engineering Center of Material Green Forming Technology and Equipment, Wuhan University of Technology, Wuhan 430070, China; 2. Dongfeng (Wuhan) Industrial Co., Ltd., Wuhan 430040, China; 3. School of Mechanical Automation, Wuhan University of Science and Technology, Wuhan 430081, China)

The work aims to characterize the flow behavior of Al-Zn alloy under the proposed pre-aged hardening warm forming (PHF) process. A MMS200 thermal simulator was used to conduct a hot tensile test on Al-Zn alloy. For deformation parameters, the deformation temperature was 180～220 ℃, and the strain rate was 0.01～1 s?1. By correcting the test values, the true stress-strain curves under different deformation conditions can be obtained, and a strain-compensated constitutive model withparameters and a PSO-BP artificial neural network constitutive model can be established. The Al-Zn alloy showed positive strain rate sensitivity and thermal softening effect during the hot deformation process; thevalue andAAREvalue of the strain-compensated-parameter constitutive model were 0.961 and 8.761%, respectively; while thevalue andAAREvalue of the PSO-BP artificial constitutive model were 0.993 5 and 2.51%, respectively. The PSO-BP artificial neural network constitutive model shows a high degree of agreement between the predicted value and the experimental value, and has more accurate and faster data collection and analysis capabilities, which is of great significance to the prediction of the hot deformation behavior of aluminum alloys and other alloy materials.

pre-aged hardening warm forming (PHF) process;Al-Zn alloy; constitutive model

10.3969/j.issn.1674-6457.2022.04.002

TG146.21

A

1674-6457(2022)04-0011-09

2022-01-07

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2019YFB1704500）；國(guó)家自然科學(xué)基金（52075400）；湖北省重點(diǎn)研發(fā)計(jì)劃（2020BAB140）

程彬洋（1996—），男，碩士生，主要研究方向?yàn)殇X合金輕量化技術(shù)。

龐秋（1979—），女，博士，副教授，主要研究方向?yàn)槠?chē)輕量化設(shè)計(jì)制造技術(shù)。

責(zé)任編輯：蔣紅晨