期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于惯性摩擦焊接的大口径炮弹弹体毛坯制造工艺研究
1
作者
陈家荣
王立人
+3 位作者
夏春明
彭虎
周明鹤
杨杰
《兵器装备工程学报》
CAS
CSCD
北大核心
2024年第12期53-58,共6页
针对大口径炮弹弹体毛坯采用整体热冲拔工艺生产存在材料利用率低、生产效率低和生产成本高的问题,提出一种分段设计并采用惯性摩擦焊接方法焊接弹体毛坯的新工艺。通过该工艺,可以将弹体毛坯的各个分段分别锻造,使用惯性摩擦焊接方法...
针对大口径炮弹弹体毛坯采用整体热冲拔工艺生产存在材料利用率低、生产效率低和生产成本高的问题,提出一种分段设计并采用惯性摩擦焊接方法焊接弹体毛坯的新工艺。通过该工艺,可以将弹体毛坯的各个分段分别锻造,使用惯性摩擦焊接方法将各分段焊接得到整体式弹体毛坯。焊后,对焊缝进行了拉伸、冲击、金相和扫描电镜等检测。检测结果显示:焊接区的宽度仅为0.6 mm,且晶粒细化;对焊接头热处理后,焊接区的组织和母材已经同质化,热处理后的焊接头抗拉强度为1198.4 MPa,相当于热处理后母材强度的93.5%。冲击功为233 J/mm 2,冲击韧性高于母材。试验结果表明:使用惯性摩擦焊接方法焊接弹体毛坯仅需120 s,并且焊接头的连接强度满足使用需求。与将整体毛坯进行热冲拔相比,采用分段热冲拔的弹体毛坯制造方法可以极大地降低锻造难度、缩短锻造时间,从而提高毛坯的生产效率并降低生产成本。
展开更多
关键词
大口径弹体毛坯
惯性摩擦焊接
拉伸检测
微观结构
冲击检测
金相
在线阅读
下载PDF
职称材料
基于机器学习的GH4169合金Johnson-Cook本构参数反演方法
2
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
职称材料
题名
基于惯性摩擦焊接的大口径炮弹弹体毛坯制造工艺研究
1
作者
陈家荣
王立人
夏春明
彭虎
周明鹤
杨杰
机构
上海
工程技术大学机械与汽车工程学院
国
焊
(
上海
)
智能科技有限公司
出处
《兵器装备工程学报》
CAS
CSCD
北大核心
2024年第12期53-58,共6页
基金
国家自然科学基金青年项目(52005317)。
文摘
针对大口径炮弹弹体毛坯采用整体热冲拔工艺生产存在材料利用率低、生产效率低和生产成本高的问题,提出一种分段设计并采用惯性摩擦焊接方法焊接弹体毛坯的新工艺。通过该工艺,可以将弹体毛坯的各个分段分别锻造,使用惯性摩擦焊接方法将各分段焊接得到整体式弹体毛坯。焊后,对焊缝进行了拉伸、冲击、金相和扫描电镜等检测。检测结果显示:焊接区的宽度仅为0.6 mm,且晶粒细化;对焊接头热处理后,焊接区的组织和母材已经同质化,热处理后的焊接头抗拉强度为1198.4 MPa,相当于热处理后母材强度的93.5%。冲击功为233 J/mm 2,冲击韧性高于母材。试验结果表明:使用惯性摩擦焊接方法焊接弹体毛坯仅需120 s,并且焊接头的连接强度满足使用需求。与将整体毛坯进行热冲拔相比,采用分段热冲拔的弹体毛坯制造方法可以极大地降低锻造难度、缩短锻造时间,从而提高毛坯的生产效率并降低生产成本。
关键词
大口径弹体毛坯
惯性摩擦焊接
拉伸检测
微观结构
冲击检测
金相
Keywords
large caliber projectile body blanks
inertia friction welding
tensile testing
microstructure
impact testing
metallography
分类号
TJ410.5 [兵器科学与技术—火炮、自动武器与弹药工程]
在线阅读
下载PDF
职称材料
题名
基于机器学习的GH4169合金Johnson-Cook本构参数反演方法
2
作者
钱迪鑫
王立人
夏春明
机构
华东理工大学机械与动力工程学院
国
焊
(
上海
)
智能科技有限公司
上海
工程技术大学机械与汽车工程学院
出处
《机械工程材料》
CAS
CSCD
北大核心
2024年第12期100-105,共6页
文摘
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。
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
Keywords
superalloy
constitutive parameter inversion
finite element simulation
machine learning
neural network
分类号
TB35 [一般工业技术—材料科学与工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于惯性摩擦焊接的大口径炮弹弹体毛坯制造工艺研究
陈家荣
王立人
夏春明
彭虎
周明鹤
杨杰
《兵器装备工程学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于机器学习的GH4169合金Johnson-Cook本构参数反演方法
钱迪鑫
王立人
夏春明
《机械工程材料》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
