采用高温热压缩试验了Ti-46.5Al-2.5V-1.0Cr-0.3Ni合金在温度1 000~1 200 ℃、应变速率0.001~1.0 s-1及应变量0%~70%内的热变形显微组织特征,分析了试验参数对变形组织的影响;在此基础上,建立了该合金高温变形过程组织演化的BP人工神经网络预报模型,并对其预测结果的准确性进行了测试.结果表明:试验过程中随着应变量的加大、温度的升高和应变速率的降低,动态再结晶形成的等轴晶粒增多,残余层片团减少;所建立的预报模型能够较为精确地预测该合金在高温变形过程中的组织变化,对于动态再结晶体积分数的预测值和试验值之间的误差仅为2.82%,对于动态再结晶晶粒尺寸,误差值仅为0.22 μm.

所属栏目

物理模拟与数值模拟国家“863”高技术研究发展计划资助项目(2006AA03A204)

收稿日期

2009/5/62009/12/15

作者单位

司家勇:钢铁研究总院高温材料研究所, 北京 100081
韩鹏彪:钢铁研究总院高温材料研究所, 北京 100081
付明杰:钢铁研究总院高温材料研究所, 北京 100081
张继:钢铁研究总院高温材料研究所, 北京 100081

备注

司家勇(1978-),男,安徽巢湖人,博士研究生.

引用该论文:

SI Jia-yong,HAN Peng-biao,FU Ming-jie,ZHANG Ji.Microstructure of Ti-46.5Al-2.5V-1.0Cr-0.3Ni Alloy at Elevated Temperatures Predicted by BP Artificial Neural Network Model[J].Materials for mechancial engineering,2010,34(6):92～96
司家勇,韩鹏彪,付明杰,张继.用BP人工神经网络模型预测Ti-46.5Al-2.5V-1.0Cr-0.3Ni合金的高温变形组织[J].机械工程材料,2010,34(6):92～96

参考文献

【1】

SEMIATIN S L,SEETHARAMAN V,JAIN V K.Microstructure development during conventional and isothermal hot forging of a near-gamma titanium aluminide[J].Metall & Mater Trans A,1994,25(12):2753-2768.

【2】

LIU C T,SCHNEIBEL J H,MAZIASZ P J.Tensile properties and fracture toughness of TiAl alloys with controlled microstructures[J].Intermetallics,1996(4):429-440.

【3】

KIM Y W.Strength and ductility in TiAl alloys[J].Intermetallics,1998(6):623-628.

【4】

李士勇.模糊控制、神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社,1995:72-99.

【5】

高永生,张鹏,崔军,等.应用人工神经网络预测50CrV4钢的变形抗力[J].钢铁,1998(4):27-30.

【6】

DOBRZANSKI L A,SITEK W.Application of a neural network in modelling of hardenability of constructional steel[J].J Mater Process Technol,1998,78:59-55.

【7】

夏善木,李大勇.用于铸铁力学性能快速预测的人工神经网络[J].应用科学学报,2002,20(3):309-312.

【8】

飞思科技产品研发中心.神经网络理论与Matlab7实现[M].北京:电子工业出版社,2006:259-297.