期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于机器学习的GH4169合金Johnson-Cook本构参数反演方法
1
作者 钱迪鑫 王立人 夏春明 《机械工程材料》 CAS CSCD 北大核心 2024年第12期100-105,共6页
采用拉丁超立方采样方法对基于文献的GH4169合金Johnson-Cook(J-C)本构参数空间进行均匀采样,利用有限元模拟输出对应参数组合的应力-应变曲线。以模拟应力-应变曲线数据为输入,J-C本构参数为输出,采用前向神经网络(FNN)模型、随机森林(... 采用拉丁超立方采样方法对基于文献的GH4169合金Johnson-Cook(J-C)本构参数空间进行均匀采样,利用有限元模拟输出对应参数组合的应力-应变曲线。以模拟应力-应变曲线数据为输入,J-C本构参数为输出,采用前向神经网络(FNN)模型、随机森林(RF)模型、循环神经网络(RNN)模型进行训练,并对模型进行贝叶斯超参数优化,通过测试集的决定系数R^(2)对3种模型的参数反演能力进行对比;以试验获得的应力-应变曲线数据为输入,利用训练后的机器学习模型输出对应的J-C本构参数,再通过有限元模拟生成应力-应变曲线,并与试验结果进行对比。结果表明:FNN模型、RF模型和RNN模型测试集的R^(2)分别为0.847,0.499,0.741,FNN模型的表现最佳,而RF模型的表现最差,不适用于GH4169合金J-C本构参数的反演;采用FNN模型反演J-C本构参数预测得到850~1050℃下GH4169合金的压缩应力-应变曲线与试验曲线更加吻合,平均相对误差比采用RNN模型反演J-C本构参数和由试验曲线拟合本构参数预测得到的曲线分别低约11.9%和2.1%,验证了机器学习方法在反演GH4169合金J-C本构参数上的有效性。 展开更多
关键词 高温合金 本构参数反演 有限元模拟 机器学习 神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部