【技术实现步骤摘要】
本专利技术涉及金属涂层力学性能分析领域，特别涉及一种基于遗传算法的神经网络合金层材料力学性能识别方法。
技术介绍
1、滑动轴承作为内燃机、压缩机以及发电机等重要机械设备的关键支撑部件，对其性能进行准确分析对提升整机可靠性有重要意义。滑动轴承由轴瓦构成，轴瓦是一种多层薄壁结构，如图1所示，其主要功能结构是合金层。获得轴瓦合金层材料的力学性能是对轴瓦进行准确分析的前提。
2、然而，由于合金层厚度(几十到几百微米)相比基底厚度(十几毫米)很薄，无法利用传统的单轴拉伸试验获得其材料性能；若单独对合金层材料进行制样，则难以保证制样工艺和大规模生产完全一致，从而造成力学性能偏差；此外，单独制样会极大提高测试周期和成本；因此作为最适合测量涂层力学性能的方法之一，压痕技术被广泛使用。压痕技术通过压痕试验得到压入力-压入深度曲线，并利用分析方法从压入力-压入深度曲线中提取出被测材料的力学性能。
3、目前，从压入力-压入深度曲线中提取材料力学性能的方法大多分为解析法和数值方法；其中解析方法速度快，但精度低；而数值方法精度高，但却面临着计算速度慢、采样点分布不均匀、分析方法具有初值敏感性等问题。目前尚无研究完全解决上述问题。
4、因此，开发一种基于遗传算法的神经网络合金层材料力学性能识别方法，能够均匀的获得数值方法采样点，并解决数值方法的初值敏感性问题，从而快速、准确地获取轴瓦合金层材料的宏观力学性能具有十分重要的意义。
技术实现思路
1、为了克服现有技术中的不足，本
2、为了达到上述专利技术目的，解决其技术问题所采用的技术方案如下：
3、一种基于遗传算法的神经网络合金层材料力学性能识别方法，包括以下步骤：
4、步骤1：根据轴瓦合金层材料微观结构和宏观结构选择合理试验参数；
5、步骤2：利用压痕试验对轴瓦合金层进行试验，获取压入力-压入深度曲线；
6、步骤3：选择材料本构模型；
7、步骤4：创建神经网络；
8、步骤5：基于拉丁超立方理论，采用abaqus数值分析软件构建网络训练数据库；
9、步骤6：用abaqus构建的数据库对神经网络进行训练，通过训练，神经网络能构建材料本构参数与压入力-压入深度曲线之间的非线性映射关系；
10、步骤7：通过遗传算法，使试验与神经网络计算获得的压入力-压入深度曲线之间最小二乘误差最小，从而得到轴瓦合金层材料力学性能。
11、进一步的，所述步骤1中，具体试验要求有：
12、(1)最大压入深度小于轴瓦合金层厚度的1/10；
13、(2)最大压入深度大于轴瓦合金层表面粗糙度ra值的20倍；
14、(3)最大压入深度与压头半径之间的比值大于0.3；
15、(4)接触面积应尽量包含足够多的材料晶粒。
16、进一步的，所述步骤2中，具体试验步骤为：
17、步骤21：将样件稳定夹持；
18、步骤22：调整压头到样件被测表面正上方；
19、步骤23：设置压入速度，使压头缓慢压入；
20、步骤24：当压入到设定极限后，压头缓慢退出。
21、进一步的，所述步骤3中，具体方法为：
22、根据先验知识或后续需求，选择合理的hollomon本构模型或swift本构模型。
23、进一步的，所述步骤4中，具体方法为：
24、在多层神经网络中，每一层的输入加权和为：
25、
26、将输入加权和通过激活函数处理得到输出为：
27、
28、其中，表示上一层第i个神经元的输出；和分别为第l层第j个神经元对应的权重和偏置，f()是激活函数。
29、进一步的，所述步骤5中，在材料本构参数采样时，采用拉丁超立方理论提高采样性能，具体步骤为：
30、步骤51：设定好采样点数量m；
31、步骤52：先生成m个单位采样点，生成方法为：
32、s[i,j]＝(i+rand())/m
33、其中，s[i,j]表示第i个采样点在第j个维度上的取值，即第i个采样点在不同本构参数上的取值，rand()表示0到1的随机数；
34、步骤53：将单位采样点映射到实际范围，生成实际采样点，这里以hollomon本构为例，但不局限于hollomon本构：
35、k＝kmin+(kmax-kmin)*sk
36、n＝nmin+(nmax-nmin)*sn
37、其中，k为hollomon材料本构模型硬化系数，n为hollomon材料本构参数硬化指数，kmin与kmax为k的取值范围的最小值与最大值，nmin与nmax为n的取值范围的最小值与最大值，sk与sn分别为k与n在单位采样点上的值。
38、进一步的，所述步骤6中，具体步骤为：
39、步骤61：神经网络的训练：
40、利用优化算法对神经网络中的权重和偏置进行迭代优化，使预测与实际之间的误差最小；
41、将训练数据库分成三部分，70％用于确定权重和偏置，15％用于测试其准确性，15％用于验证有效应；
42、步骤62：神经网络的封装：
43、神经网络训练好后，能够反映复杂的非线性映射关系；
44、将训练好的神经网络封装成一个matlab的.m文件，在后续建立目标函数时调用。
45、进一步的，所述步骤7中，具体方法为：
46、步骤71：建立目标函数
47、令神经网络模拟预测值与试验获得的压入力-深度曲线上对应数据的最小二乘误差为目标函数，具体为：
48、
49、其中，f为目标函数，为神经网络预测的压入力-压入深度结果，x为材料本构模型独立参数组成的向量；yexp为通过试验获取的压入力-压入深度结果；
50、步骤72：利用遗传算法进行优化
51、(1)初始化，生成m个个体，形成初始种群；
52、(2)对每个个体计算适应度函数；
53、(3)根据适应度函数进行择优选择，留下适应度函数高的个体，舍弃适应度函数低的个体；
54、(4)对择优后的种群进行交叉操作，产生子代；
55、(5)对种群以一定概率进行变异操作；
56、(6)对新生成的种群进行收敛性判断，决定是否中止算法；
57、(7)若没有达到收敛性要求，则返回步骤(2)进行迭代；
58、通过遗传算法，以x为优化变量，f为目标函数进行迭代求解，使目标函数收敛到最小，从而获得实际的材料本构模型参数x。<本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤1中，具体试验要求有：
3.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤2中，具体试验步骤为：
4.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤3中，具体方法为：
5.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤4中，具体方法为：
6.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤5中，在材料本构参数采样时，采用拉丁超立方理论提高采样性能，具体步骤为：
7.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤6中，具体步骤为：
8.根据权利要求1所述的一种基于遗传算法的神经网络合金
...【技术特征摘要】
1.一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤1中，具体试验要求有：
3.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤2中，具体试验步骤为：
4.根据权利要求1所述的一种基于遗传算法的神经网络合金层材料力学性能识别方法，其特征在于，所述步骤3中，具体方法为：
5.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：张博宏，崔毅，刘硕，高礼宁，张萌，李春阳，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。