TC4合金熱等靜壓熱處理力學性能的BP人工神經網絡預測

程嘉浩，金書正，杜曉懿，張允勝，李鑒霖

(沈陽工業(yè)大學材料科學與工程學院，遼寧 沈陽 110870)

隨著我國航空航天事業(yè)的高速發(fā)展，為了保證航空武器裝備性能不斷提升的設計要求，其關鍵部件和核心部位零件的形狀日趨復雜化。這導致傳統(tǒng)鑄造、鍛造、超塑成形等技術已無法滿足復雜結構零件成形制造的要求[1]。因此采用激光增材制造的方法代替?zhèn)鹘y(tǒng)的成形制造方法來完成復雜結構特殊零件的成形。激光選區(qū)熔化法成形后可能局部存在氣孔等缺陷，因此采用熱等靜壓熱處理的方法，通過固態(tài)相變改善內部組織結構，在保證原有優(yōu)勢性能的前提下，使其他力學性能得到提高[2]。本文選取TC4雙相鈦合金為研究對象，開展熱等靜壓熱處理（HIP）工藝實驗與力學性能測試等研究工作。以上述試驗數(shù)據(jù)為基礎，構建三層網絡模型，并充分考慮模型構建過程中算法的選擇及預測精度，分別對該合金熱等靜壓熱處理后的力學性能進行預測，從而為該新型熱處理技術在鈦合金上的應用提供新的研究方法與思路。

1 實驗材料及方法

1.1 實驗材料

本研究中所選用的材料為TC4合金，其名義成分如下表1所示。

表1 TC4合金名義成分（質量分數(shù)，%）

1.2 實驗方法

對激光選取熔化成形的TC4合金進行熱等靜壓熱處理工藝試驗，如表2所示。

表2 熱等靜壓熱處理工藝試驗

2 實驗結果分析與討論

2.1 BP人工神經網絡模型預測的數(shù)據(jù)基礎

表3 TC4合金熱等靜壓熱處理工藝-性能預測樣本值數(shù)據(jù)

對上述熱等靜壓熱處理后的TC4雙相鈦合金進行室溫力學性能測試，獲得該合金不同熱處理條件下的抗拉強度σb、延伸率δ，如表3所示。

選取TC4合金熱等靜壓熱處理溫度T、保溫時間h、壓力P為輸出參數(shù)，以抗拉強度σb、延伸率δ為輸出參數(shù)，共計80組數(shù)據(jù)，任意選取10組為預測預測樣本值（表2），其余70組數(shù)據(jù)為網絡預測值。為了避免因數(shù)據(jù)相差較大而產生的訓練誤差及“溢出”現(xiàn)象，對表2中的數(shù)據(jù)按照下式進行歸一化處理[3，4]。

2.2 BP人工神經網絡模型建立

運用MATLAB自帶的BP人工神經網絡軟件，確定輸入、輸出參數(shù)，設計隱含層及隱含層節(jié)點數(shù)，調用訓練函數(shù)，實現(xiàn)用最少的訓練步數(shù)達到網絡預測精度，從而實現(xiàn)TC4合金不同熱等靜壓熱處理工藝下的力學性能預測。根據(jù)本文所涉及的實驗數(shù)據(jù)特點及工藝特性，設計3層網絡，其中隱含層數(shù)為1，隱含層節(jié)點數(shù)為9，選擇Trainlm函數(shù)，設定預測精度為2.02×10-4，所構建的BP人工神經網絡模型結構如圖1所示。

圖1 BP人工神經網絡結構和神經元示意圖

2.3 BP人工神經網絡模型預測

采用上述建立的BP人工神經網絡模型，以試驗數(shù)為基礎，進行BP人工神經網絡的學習與訓練，經過3125次運算，精度達到2.02×10-4要求，所設定的誤差函數(shù)收斂。訓練過程中，未發(fā)生數(shù)據(jù)溢出現(xiàn)象，輸出參數(shù)抗拉強度σb、延伸率δ較為穩(wěn)定，這說明所建立的3層BP人工神經網絡模型能夠滿足學習訓練的要求。

網絡預測值與實驗數(shù)據(jù)相對比，最大誤差僅為3.2%，這說明網絡預測值與實際值吻合度較高，模型可用。本文所進行的BP人工神經網絡模型預測過程及過程參數(shù)，如表4所示。

表4 TC4合金熱等靜壓熱處理工藝-性能的BP人工神經網絡預測

按照表4中的網絡預測結果，采用Origin軟件繪制TC4合金熱等靜壓熱處理壓力為160Mpa時，不同溫度、不同保溫時間下的力學性能分布曲線圖，如圖2所示。

圖2 TC4合金熱等靜壓熱處理工藝-抗拉強度變化曲線

3 結論

（1）采用BP人工神經網絡技術，建立了3層神經網絡模型，對TC4合金同熱等靜壓熱處理工藝下的抗拉強度、延伸率進行了較為準確的預測。

（2）運用該模型對TC4合金熱等靜壓熱處理工藝-力學性能與測試，誤差分析曲線收斂，選擇LM算法運算效率較高，預測數(shù)據(jù)與試驗數(shù)據(jù)的相似度較好。