我的新闻

分享到:
基于机器学习的率效应、温度效应论文发表在J. Mater. Process. Technol,恭喜博士生尚宏春同学
发布者: 娄燕山 | 2022-01-14 | 462

博士生尚宏春的论文被J. Mater. Process. Technol.接收,题目为:Machine learning-based modeling of the coupling effect of strain rate and temperature on strain hardening for 5182-O aluminum alloy (https://doi.org/10.1016/j.jmatprotec.2022.117501)。该论文对影响ANN模型预测精度和数值计算效率的因素进行了综合研究。

不同应变率和温度状态下的拉伸试验表明,5182-O 铝合金的动态硬化行为受到应变率效应和温度效应的耦合作用而具有高度非线性。该铝合金的应变率和温度效应通过 Johnson-Cook、Zerilli-Armstrong 和 Lim-Huh 等经典的本构模型进行表征,并且提出了FEA友好的多项式模型和ANN模型来描述应变率和温度对硬化行为的影响规律。本研究详细对比了ANN模型在激活函数、隐含层数、神经元节点数、粒子群/基因神经网络训练方法对神经网络表征精度和有限元计算效率的影响规律,构建了高精度、低有限元计算时间的神经网络结构。所有传统模型和ANN模型均被嵌入到 ABAQUS/Explicit中用来模拟试验过程,并且完成最终的验证。与传统动态硬化模型对比,所优化的ANN模型极大调高了数值模拟对应变率和温度效应的表征和模拟精度,并且将数值计算时间控制在可接受的范围内。