机器学习和响应表面方法的比较研究,以优化ECAP处理ZX30合金的磨损参数

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 部落学 (tribology) 是一个学科.

背景情况:

• 合金具有低密度和可回收性等优点,但耐磨性较差.
• 提高合金的磨损性能对于扩大其应用范围至关重要.
• 平等通道角压缩 (ECAP) 是微结构改进和属性增强的一种有前途的技术.

研究的目的:

• 优化ECAP的工艺参数,以提高Mg-3wt.% Zn-0.7wt.% Ca合金的磨损性能.
• 为了研究ECAP对谷物精炼,耐磨性和摩擦系数的影响.
• 利用统计分析和机器学习来预测和优化磨损反应.

主要方法:

• 通过Bc路由在250°C时进行高达四个通道的平等通道角压力 (ECAP).
• 在不同的负载,速度和时间下进行干球平面磨损测试.
• 统计分析,机器学习 (ML),实验设计 (DOE) 和优化算法 (GA,MOGA).

主要成果:

• 通过ECAP,谷物得到了显著的提炼 (高达91%) 并减少了高达56%的体积损失.
• 摩擦系数 (COF) 稳定在0.30-0.45之间,表明具有良好的低摩擦特性.
• ML模型准确地预测了磨损反应,确定了最小磨损和摩擦的最佳参数.

结论:

• ECAP有效地提高了Mg-Zn-Ca合金的耐磨性和减少摩擦.
• 优化的ECAP参数,由ML和统计方法预测,提高合金性能.
• 这项研究为开发具有卓越 Tribological 特性的先进合金提供了一条途径.