[发明专利]一种非晶合金热塑性成形性能的人工神经网络预测方法

说明书

本发明属于非晶合金热塑性成形性能预测领域，并公开了一种非晶合金热塑性成形性能的人工神经网络预测方法。该预测方法包括下列步骤：(a)选取多个性能参数并采集其数据，并将其分为训练样本、验证样本和待预测样本，测试获得训练和验证样本对应的特征指标测试值；(b)选取人工神经网络模型作为非晶合金热塑性成形性能的初始预测模型，采用训练样本训练人工神经网络模型，确定改进的预测模型；(c)采用验证样本验证改进的预测模型，由此获得最终预测模型，并采用其进行预测。通过本发明，无需实验即实现非晶合金热塑性成形性能的有效预测，为适合热塑性成形的非晶合金体系的开发提供指导，大大降低新非晶合金体系开发时的时间和金钱成本。

技术领域

本发明属于非晶合金热塑性成形性能预测领域，更具体地，涉及一种非晶合金热塑性成形性能的人工神经网络预测方法。

背景技术

非晶合金在室温下具有非常大的弹性极限和高的断裂强度，但它的室温塑性较低，因此难以在室温下采用常规的塑性加工方法进行成形制造，这在一定程度上制约了非晶合金的应用，然而，由于类似于常见的氧化物玻璃的非晶态结构，非晶合金也存在玻璃转变和像无机玻璃一样的软化流变现象，使其在过冷液相温区(玻璃转变温度T_g与起始晶化温度T_x之间的温度区间)具有超塑性成形性能，成形温度低，成形力小，成形冷却后仍具有非晶态结构。因此，可利用这一特点开发非晶合金热塑性成形技术，以拓展这种新型高性能材料的应用范围。

进行非晶合金热塑性成形的首要条件是合金具有较好的热塑性成形性能。非晶合金的热塑性成形性能受成分影响很大，而非晶合金多为多组元合金，其成分非常复杂，其性能收到热力学与动力学诸多因素的耦合影响，研究起来较为困难，因此，如何实现对钛基非晶合金热塑性成形性能的有效评估或预测是亟待解决的关键问题，非晶合金的热塑性成形性能可以直观地采用一定载荷下一定体积样品以恒定升温速率由室温加热到起始晶化温度T_x后的变形量来反映，但这种方法需要进行大量实验，且强烈依赖载荷、样品体积等参数，不利于不同合金间的比较。通常过冷液相区间(SCLR)的宽度，ΔT＝T_x-T_g(T_g：玻璃化转变温度，T_x：起始晶化温度)，被用于描述块体非晶合金在过冷液相区间(SCLR)中的塑性成形性能，但是有研究表明不论是SCLR的宽度，还是反映块体非晶合金中粘度的温度依赖性的陡度指数m以及研究人员们之前提出的多种基于合金热力学温度的参数：约化玻璃转变温度T_rg，过冷液相区ΔT_rg，约化非晶形成厚度H，临界区域体积应变等与热塑性成形性能的相关性都不够好，而标准热稳定性参数S与实验测定的热塑性成形性能有最佳的相关性，故采用标准热稳定性参数S来表征块体非晶合金的热塑性成形性能：

其中，为起始晶化温度，T_g为玻璃化转变温度，T_x为液相线温度。

标准热稳定性参数S在比较不同体系的合金的热塑性成形性能时，具有良好的表现，是目前用来评价非晶合金热塑性成形性能的最有效判据。但S参数是一个与合金热力学特征温度(玻璃转变温度T_g、起始晶化温度T_x和液相线温度T_l)相关的参量，而非晶合金的热力学特征温度目前主要依靠实验手段(热分析，DSC)获取。在开发新合金体系时，仍需要做大量实验，花费很多时间制备样品，为了真正实现钛基非晶合金热塑性成形能力的预测(无需进行实验即可实现对非晶合金热塑性成形性能的预测)，有必要建立一个基于非晶合金组元的基本物理、化学性质的热塑性成形性能预测模型。