神经网络支持的工艺流程表,用于工业拍摄.
1School of Materials Engineering, Purdue University, 701 W Stadium Ave., West Lafayette, IN 47901, USA.
Materials (Basel, Switzerland)
|January 10, 2026
概括
这项研究模拟了镜头喷射中的残余应力,并考虑了动态介质变化. 神经网络预测压力演变,显示媒体充电策略对结果的影响.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算机建模 计算建模
背景情况:
- 射击削对于诱导组件中的残余应力至关重要.
- 培养媒介 (大小,形状) 的演变会动态地影响应力分布.
- 空间异质的残余应力场是随机粒子冲击造成的.
研究的目的:
- 开发一个动态流表模型,用于预测射击中剩余应力.
- 为了实现实时,机械地预测表面应力.
- 调查媒体充电策略对残留压力结果的影响.
主要方法:
- 开发了一个动态流表模型来模拟Peening媒体的演变.
- 在有限元模拟上训练了一个卷积长短期记忆 (ConvLSTM) 神经网络.
- 该模型在工业 10000 循环生产 peening 案例研究中得到了验证.
主要成果:
- 该模型准确地预测了空间异质的残余应力场.
- 在工业条件下实现了表面应力演变的实时预测.
- 媒体充电策略被证明对剩余压力结果有可衡量的影响.
结论:
- 动态建模和神经网络提供了一种强大的方法来预测射击后的残留压力.
- 优化媒体充电策略可以控制和增强剩余应力分布.
- 这项工作为基于机制的,快速预测表面应力演变提供了一个框架.


