数字模拟和机器学习预测大规模英的直接冷流程
Guanhua Guo1, Ting Yao2, Wensheng Liu1
1National Key Laboratory of Science and Technology on High-Strength Structural Materials, Central South University, Changsha 410083, China.
Materials (Basel, Switzerland)
|March 28, 2024
概括
本研究使用计算方法和机器学习来预测7xxx系列合金中的造缺陷. 开发的模型准确地确定直冷 (DC) 造参数,以最大限度地减少裂和冷闭.
科学领域:
- 材料科学 材料科学 材料科学
- 金工业是金工业的一个方面.
- 计算建模 计算建模
背景情况:
- 通过直接冷 (DC) 造造的大型7xxx系列合金条容易出现裂和冷闭等缺陷.
- 精确控制造参数是具有挑战性的,导致了重要的造业问题.
研究的目的:
- 开发一种结合数值模拟和机器学习的综合计算方法.
- 系统地估计固化过程中多物理场和粒度结构的演变.
- 建立一个准确的DC造参数预测模型,以减少缺陷.
主要方法:
- 采用数值模拟来量化造参数 (灌温度,造速度,冷却强度,水流量) 对柔性区域形状,热传输,残余应力和粒度结构的影响.
- 机器学习被用来建立一个新的模型,将造参数与基于模拟数据的凝固特征联系起来.
主要成果:
- 数字模拟提供了对关键造参数影响的定量见解.
- 机器学习模型在预测形状,微观结构演变和凝固动力学方面表现出合理的准确性.
- 综合方法成功地将造参数与固化行为相关联.
结论:
- 开发的集成计算方法和预测模型为确定直流造参数提供了高效和准确的方法.
- 这种方法可以显著减少7xxx系列合金的造缺陷.
- 这些发现有助于提高合金条生产的质量控制.
