用雷利波分散数据基于卷积神经网络的射击磨损样本最大残余应激预测技术的开发

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 非破坏性测试 不破坏性测试

背景情况:

• 射击是改善疲劳寿命和破裂抑制材料的关键表面处理,如基于的超级合金.
• 准确评估残余应力对于材料的完整性至关重要,尤其是在高温,高压环境 (航空航天,核电) 中.
• 超声波测试,特别是使用雷利波,提供了一种非破坏性的方法来估计残余应力.

研究的目的:

• 为了预测射击的Inconel 718标本中的最大压力余应力.
• 为了建立雷利波分散和残余应力分布之间的关系.
• 为此预测开发和验证一个卷积神经网络 (CNN) 模型.

主要方法:

• 使用高斯函数和因数设计生成了173个余应力分布.
• 将应力分布转换为173个雷利波分散数据集用于CNN培训.
• 使用生成的数据库训练了一个卷积神经网络 (CNN) 模型,并验证了它的性能.

主要成果:

• 美国有线电视新闻网 (CNN) 模型成功地学习了雷利波分散数据和残余应力分布之间的关系.
• 该模型展示了准确预测最大压力余应力的能力.
• 验证数据证实了开发的CNN模型的预测性能.

结论:

• 雷利波分散分析和CNN的结合方法为预测残余应力提供了一种有效的非破坏性方法.
• 这种技术对于确保由喷涂材料制成的关键组件的结构完整性和安全性至关重要.
• 该研究强调了机器学习在材料科学应用的非破坏性评估中的潜力.