留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于纳米压痕及区间优化的Al 2024-T3铝合金本构参数识别研究

张桂涛 黄想 侯冰玉 王明智

张桂涛, 黄想, 侯冰玉, 王明智. 基于纳米压痕及区间优化的Al 2024-T3铝合金本构参数识别研究[J]. 材料开发与应用, 2023, 38(6): 41-51.
引用本文: 张桂涛, 黄想, 侯冰玉, 王明智. 基于纳米压痕及区间优化的Al 2024-T3铝合金本构参数识别研究[J]. 材料开发与应用, 2023, 38(6): 41-51.
ZHANG Guitao, HUANG Xiang, HOU Bingyu, WANG Mingzhi. Determination of Material Properties of Al 2024-T3 Aluminum Alloy Using Nano-indentation Experiment and Interval Optimization[J]. Development and Application of Materials, 2023, 38(6): 41-51.
Citation: ZHANG Guitao, HUANG Xiang, HOU Bingyu, WANG Mingzhi. Determination of Material Properties of Al 2024-T3 Aluminum Alloy Using Nano-indentation Experiment and Interval Optimization[J]. Development and Application of Materials, 2023, 38(6): 41-51.

基于纳米压痕及区间优化的Al 2024-T3铝合金本构参数识别研究

详细信息
    作者简介:

    张桂涛,男,1999年生,主要从事机器学习与智能算法,及其应用于结构优化设计和力学性能预测的研究。

    通讯作者:

    王明智,男,1991年生,工学博士,讲师,硕士研究生导师,主要从事机器学习与智能算法,及其应用于结构优化设计和力学性能预测,3D打印/增材制造点阵结构的研究。E-mail:Wangmz@xidian.edu.cn

  • 中图分类号: TG376

Determination of Material Properties of Al 2024-T3 Aluminum Alloy Using Nano-indentation Experiment and Interval Optimization

  • 摘要: 纳米压痕实验由于试样准备简便、使用范围广等优势,在材料力学测试领域得到了广泛关注。本研究建立了一种考虑纳米压痕实验不确定性的Al 2024-T3铝合金材料塑性参数识别方法。首先,针对Al 2024-T3铝合金开展了纳米压痕实验,获取了载荷-位移曲线,由于材料存在不均匀性,所以实验曲线存在不确定性。基于超参数优化的人工神经网络,建立了材料性能参数与压痕响应加载曲线的关联。基于区间优化理论,引入压痕实验曲线的不确定性,以压痕实验曲线加载曲率为不确定性量,提出了基于双层嵌套遗传算法的材料参数反分析识别区间优化模型,并进行了参数识别反问题的求解。该方法的优势在于能够考虑到实验测量的不确定性,识别结果更可信。所建立方法的有效性在Al 2024-T3铝合金塑性参数识别中得到了验证,识别误差分别为:屈服应力-0.87%,硬化指数2.76%。该识别方法可用于小尺寸试样局部力学性能的检测领域。

     

  • [1] 吴建军, 王明智. 基于压痕测试的材料力学性能识别理论与方法[M]. 西安:西北工业大学出版社, 2021.
    [2] LEE J H, KIM T, LEE H. A study on robust indentation techniques to evaluate elastic-plastic properties of metals[J]. International Journal of Solids and Structures, 2010, 47(5):647-664.
    [3] WU S B, GUAN K S. Evaluation of tensile properties of austenitic stainless steel 316L with linear hardening by modified indentation method[J]. Materials Science and Technology, 2014, 30(12):1404-1409.
    [4] MOUSSA C, HERNOT X, BARTIER O, et al. Evaluation of the tensile properties of a material through spherical indentation:definition of an average representative strain and a confidence domain[J]. Journal of Materials Science, 2014, 49(2):592-603.
    [5] KHAN M K, HAINSWORTH S V, FITZPATRICK M E, et al. A combined experimental and finite element approach for determining mechanical properties of aluminium alloys by nanoindentation[J]. Computational Materials Science, 2010, 49(4):751-760.
    [6] SUN G Y, XU F X, LI G Y, et al. Determination of mechanical properties of the weld line by combining micro-indentation with inverse modeling[J]. Computational Materials Science, 2014, 85:347-362.
    [7] IRACHETA O, BENNETT C J, SUN W. Characterization of material property variation across an inertia friction welded CrMoV steel component using the inverse analysis of nanoindentation data[J]. International Journal of Mechanical Sciences, 2016, 107:253-263.
    [8] HAN G, MARIMUTHU K P, LEE H. Evaluation of thin film material properties using a deep nanoindentation and ANN[J]. Materials & Design, 2022, 221:111000.
    [9] XIA J P, WON C, KIM H, et al. Artificial neural networks for predicting plastic anisotropy of sheet metals based on indentation test[J]. Materials, 2022, 15(5):1714.
    [10] 陈怀宁, 胡凯雄, 吴昌忠. 压痕应变法测量残余应力的不确定度分析[J]. 中国测试, 2010, 36(1):24-27.
    [11] 闫鹏, 郭伟超, 李淑娟, 等. 压痕轮廓信息在材料本构关系反演测量中的应用[J]. 机械科学与技术, 2019, 38(4):639-645.
    [12] DE BONO D M, LONDON T, BAKER M, et al. A robust inverse analysis method to estimate the local tensile properties of heterogeneous materials from nanoindentation data[J]. International Journal of Mechanical Sciences, 2017, 123:162-176.
    [13] BONATTI C, MOHR D. Neural network model predicting forming limits for Bi-linear strain paths[J]. International Journal of Plasticity, 2021, 137:102886.
    [14] HUANG D M, HE S Q, HE X H, et al. Prediction of wind loads on high-rise building using a BP neural network combined with POD[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2017, 170:1-17.
    [15] PARK S, FONSECA J H, MARIMUTHU K P, et al. Determination of material properties of bulk metallic glass using nanoindentation and artificial neural network[J]. Intermetallics, 2022, 144:107492.
    [16] JEONG K, LEE H, KWON O M, et al. Prediction of uniaxial tensile flow using finite element-based indentation and optimized artificial neural networks[J]. Materials & Design, 2020, 196:109104.
    [17] KIM Y, GU G H, ASGHARI-RAD P, et al. Novel deep learning approach for practical applications of indentation[J]. Materials Today Advances, 2022, 13:100207.
    [18] 马济民,李成功,邓炬.中国航空材料手册(第4卷)[M]. 北京:清华大学出版社,2001.
    [19] SESHAGIRI S, KHALIL H K. Output feedback control of nonlinear systems using RBF neural networks[J]. IEEE Transactions on Neural Networks, 2000, 11(1):69-79.
    [20] 李卫东, 柳焯, 郭玉红, 等. 基于电力系统运行模式及人工神经网络的潮流并行算法[J]. 电力系统自动化, 1997, 21(5):10-14.
    [21] 李晓峰, 徐玖平, 王荫清, 等. BP人工神经网络自适应学习算法的建立及其应用[J]. 系统工程理论与实践, 2004, 24(5):1-8.
    [22] 刘平, 梁逸曾, 张林, 等. 人工神经网络用于化学数据解析的研究(Ⅰ):逼近规律与过拟合[J]. 高等学校化学学报, 1996, 17(6):861-865.
    [23] 郭井宽. 基于Dropout法优化的BP神经网络地铁列车塞拉门故障检测[J]. 城市轨道交通研究, 2022, 25(12):39-45.
    [24] 范勇, 裴勇, 杨广栋, 等. 基于改进PSO-BP神经网络的爆破振动速度峰值预测[J]. 振动与冲击, 2022, 41(16):194-203.
    [25] ABAQUS. Analysis user's manual,Version 6.9[M]. Paris:ABAQUS, 2009.
    [26] 刘鸿文. 材料力学-Ⅱ[M]. 5版. 北京:高等教育出版社, 2011.
    [27] PHAM T H, KIM J J, KIM S E. Estimating constitutive equation of structural steel using indentation[J]. International Journal of Mechanical Sciences, 2015, 90:151-161.
  • 加载中
计量
  • 文章访问数:  42
  • HTML全文浏览量:  3
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-03
  • 网络出版日期:  2024-01-10

目录

    /

    返回文章
    返回