在热压Al/B₄C金属矩阵复合材料中使用塔古奇法和ANN优化干滑磨损

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:

• 合金复合材料提供了增强的性能,但它们的磨损行为需要优化.
• 碳化 (B4C) 是改善耐磨性的一种有前途的增强剂.
• 了解加工参数对复合材料微结构和磨损的影响至关重要.

研究的目的:

• 研究碳化物 (B4C) 重量百分比对AA2024合金复合材料的磨损性能的影响.
• 分析磨时间和B4C含量对复合材料微观结构和磨损特性的影响.
• 开发和验证人工神经网络 (ANN) 模型,用于预测磨损和摩擦系数.

主要方法:

• 使用球磨和热挤压制造的合金复合材料的制造,其B4C含量 (0-10 wt.%) 和磨时间 (0-20 h) 不同.
• 使用扫描电子显微镜 (SEM) 观察B4C粒子分布的微结构分析.
• 应用Taguchi和ANOVA分析来确定B4C含量,正常负载和磨削时间对磨损特性的重要性.
• 开发人工神经网络 (ANN) 模型 (3-10-1架构,tansig激活) 以预测磨损和摩擦系数.

主要成果:

• 磨削时间的增加导致了更均的B4C分布,没有聚合物.
• 较高的B4C含量导致了均的颗粒分布和明显的粒度边界.
• ANOVA显示B4C含量 (51.35%) 和正常负载 (45.54%) 分别是影响磨损和摩擦系数的最重要因素.
• ANN模型准确地预测了实验性磨损数据,证明了它们在预测复合材料磨损行为的有效性.

结论:

• 该研究成功地确定了B4C增强和加工参数对AA2024复合材料磨损性能的影响.
• 优化的B4C含量和受控的削工艺是实现所需耐磨性能的关键.
• 开发的ANN模型为预测Al2024-B4C复合材料的磨损特性提供了可靠的工具,促进了材料的选择和设计.