预测铸态铝硅合金力学性能的方法及系统

技术领域

本发明涉及铸造合金力学性能预测技术领域，具体地，涉及一种预测铸态铝硅合金力学性能的方法及系统，尤其是一种基于BP神经网络预测铸态铝硅合金力学性能的方法。

背景技术

铝硅合金由于其良好的铸造性能被广泛应用于各种铸件的生产。一般来讲，为了获得外观完整，内部质量良好的铸件，需要在铸件的基础上额外增设浇注系统、冒口等部分用以引流与补缩。在工业生产中，出于节约成本、减少能耗的目的，浇注系统、冒口往往被作为回炉料重熔，并将重熔后金属液重新浇注。但是这样被浇注出来的铸件往往力学性能会出现波动，其原因在于反复熔炼过程中一些关键元素的烧损以及因为杂质Fe元素的引入在铝硅合金中形成了有害的针状β-Al5FeSi相。

为了避免在铝硅合金中形成针状β-Al5FeSi相，通过提高冷却速度促进汉字状的α-Al8FeSi相或者添加Mn元素以在慢速冷却条件下促进汉字状的α-Al15(Fe,Mn)3Si2相是工业生产中常用的抑制针状β-Al5FeSi相形成的方法。但是在实际过程中，却很难阐明力学性能的变化趋势，因为力学性能受多种因素及其交互作用的影响，比如在砂型铸造中通过加冷铁提高具体冷却速度的方法可以细化晶粒，从而提高力学性能，但也可能促进慢速冷却条件下形成的α-Al 15(Fe,Mn)3Si2向针状有害相β-Al5FeSi的转变。除了Fe/Mn比与冷却速度以外，铸件中的孔隙率，铝硅合金中的变质水平也影响着力学性能，并且不易控制，比如铝硅合金中常用变质元素Sr、Na容易烧损，铸件中的孔隙率受冷却速度(析出性氢气孔)、砂型发气(浸入式气孔)、铸件浇注工艺(补缩)等综合影响，此外，铝硅合金中Si含量与Cu含量通过影响合金中微观组织影响着力学性能。另一方面，在实际生产过程中难以逐一对铸件的力学性能进行检测，因为铸件形状复杂难以加工成标准的力学性能试样；即使从铸件能获取力学性能试样，也意味着该件铸件的报废，因为从铸件中取样测试是对铸件进行破坏性的试验。最好的办法就是建立数学模型对铝硅合金铸件力学性能进行描述，但很难采用传统的数学公式去描述铸态铝硅合金的力学性能，因为涉及到多种影响力学性能的因素及其之间可能存在的交互作用。

综上，现有背景技术的不足可归纳如下：(1)影响铝硅合金铸态力学性能的因素众多，且可能存在交互作用，导致难以用简单的数学公式去描述；(2)实际生产过程中难以逐一对铝硅合金铸件的力学性能进行检测，因为取样检测过程是费时费力的破坏性检测。因此，亟需一种简便直观判断铸件力学性能是否达标的方法。

公开号为CN111926201A的专利文献公开了一种改善铝硅合金力学性能的方法；涉及铝合金技术领域，包括：(1)将铝锭、铝-硅合中间金、铝-铁中间合金、铝-钼中间合金混合后，添加到熔炼炉中，进行熔融，得到混合合金液；(2)向步骤(1)中得到的混合合金液中添加覆盖剂，然后进行保温，搅拌12-15min，再进行扒渣，得到预处理合金混合液；(3)将步骤(2)中得到的预处理合金混合液加热至870-880℃，保温15-20min，然后再添加铝-镱中间合金，保温搅拌时间不超过10min，降温至800-820℃，然后再添加磷，继续搅拌1-1.5小时，得到变质合金液；(4)将步骤(3)中得到的变质合金液浇注到模具中，然后冷却成型，即可。该专利文献只涉及铝的改善，并不涉及硅合金力学性能的预测。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种预测铸态铝硅合金力学性能的方法及系统。

根据本发明提供的一种预测铸态铝硅合金力学性能的方法，包括如下步骤：

步骤1：确定铸态铝硅合金力学性能的影响因素；

步骤2：根据所需要的铸态铝硅合金力学性能的指标，对不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集；

步骤3：对样本数据集进行归一化预处理作为试验样本；

步骤4：确定BP神经网络结构；

步骤5：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；

步骤6：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。

优选的，所述步骤1中，所述铸态铝硅合金力学性能的影响因素包括Fe/Mn比、冷却速度、变质元素含量、孔隙率、Si含量以及Cu含量；

所述冷却速度通过热电偶在铸件凝固过程中进行实测或根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换。

优选的，根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换，通过以下公式进行拟合与转换：

SDAS＝a·(Rc)

其中，SDAS是铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值，a是材料常数，Rc是该部位的冷却速度，b是无量纲参数。

优选的，所述步骤2中，所述铸态铝硅合金力学性能的指标包括抗拉强度和延伸率。

优选的，所述步骤2中，筛选试验数据遵从以下原则：

确保试验数据涵盖材料与工艺许可范围的上下限；在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多。

优选的，所述步骤3中，对样本数据集进行归一化预处理，归一化预处理的计算公式为：

其中，X是样本数据集中某影响因素的原始数据，x(norm)是某影响因素归一化以后的样本数据，X(max)是某影响因素在原始样本数据集中的最大值，X(min)是某影响因素在原始样本数据集中的最小值。

优选的，所述步骤4中，确定BP神经网络结构包括确定BP神经网络隐含层层数和每层所述隐含层上的节点数。

优选的，所述步骤5中，对BP神经网络结构进行训练之前，采用智能算法利用所述试验样本对BP神经网络结构进行训练优化，获得所述BP神经网络模型的优化后的初始权值；

所述智能算法为遗传算法、粒子群算法、鸽群算法中的任意一种。

优选的，所述步骤5中，建立好BP神经网络模型以后，通过以下公式考察输出变量对输入变量的敏感度：

其中，N是样本数据集中的样本个数，Δinput是输入的改变量，Δoutput是输出的改变量。

本发明还提供一种预测铸态铝硅合金力学性能的系统，包括如下模块：

影响因素确定模块：确定铸态铝硅合金力学性能的影响因素；

样本数据集获取模块：根据所需要的铸态铝硅合金力学性能的指标，对同一牌号不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集；

归一化模块：对样本数据集进行归一化预处理作为试验样本；

神经网络结构确定模块：确定BP神经网络结构；

神经网络模型确定模块：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；

预测值获取模块：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。

与现有技术相比，本发明具有如下的有益效果：

1、本发明采用BP神经网络预测铸态铝硅合金力学性能，可以取代传统数学公式拟合法对力学性能的描述，有效规避了对力学性能的影响复杂机制，便捷且高效；

2、本发明采用BP神经网络预测铸态铝硅合金力学性能，能够规避传统破坏性的取样检测方法，降低时间、人工成本，提高经济效益；

3、本发明基于已建立好的神经网络模型，可以结合现有材料，定制合适的铸件成形工艺，以满足实际铸件的性能要求，从而有效减小铸件的不合格率；

4、本发明基于已建立好的神经网络模型，可以通过人为调节输入量，得出铝硅合金力学性能对不同输入因素的敏感性，从而便于工程师结合现场条件与关键性能影响因素指导铸件力学性能调控；

5、本发明基于已建立好的神经网络模型，无需实验即可对不同成分、不同工艺下的铝合金力学性能进行有效预测，可以为新铝硅合金的开发提供一定指导；

6、本发明在实际生产中获得新的成形参数与铸件对应的性能后，神经网络模型可进一步学习与不断完善，从而达到更高的预测精度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明中一优选实施例的二次枝晶臂间距(SDAS)与冷却速度之间的拟合关系图；

图2为本发明中一优选实施例的BP神经网络预测模型的拓扑结构图；

图3为本发明中一优选实施例所构建的预测方法流程图；

图4为本发明中一优选实施例的BP神经网络抗拉强度预测结果与实际结果对比图；

图5为本发明中一优选实施例的BP神经网络延伸率预测结果与实际结果对比图；

图6为本发明中一优选实施例的基于已建立好的BP神经网络模型，铸态铝硅合金抗拉强度对影响因素的敏感度分析图；

图7为发明中一优选实施例的基于已建立好的BP神经网络模型，铸态铝硅合金延伸率对影响因素的敏感度分析图。

图中示出：

输入层1隐含层2输出层3

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例1：

本实施例提供的一种基于BP神经网络预测铸态铝硅合金力学性能的方法，包括如下步骤：

步骤1：确定铸态铝硅合金力学性能的影响因素，铸态铝硅合金力学性能的影响因素包括Fe/Mn比、冷却速度、变质元素含量、孔隙率、Si含量以及Cu含量(本实施例中仅列举几种比较重要的影响因素，但并非限制于这几种影响因素)，冷却速度通过热电偶在铸件凝固过程中进行实测或根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换，根据冷却速度与铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值的关系进行拟合与转换，通过以下公式进行拟合与转换：

SDAS＝a·(Rc)

其中，SDAS是铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值，a是材料常数，Rc是该部位的冷却速度，b是无量纲参数。

步骤2：根据所需要的铸态铝硅合金力学性能的指标，对不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集，铸态铝硅合金力学性能的指标包括抗拉强度和延伸率(本实施例仅列举几种重要的力学性能的指标，但不限于这几种力学性能的指标)，筛选试验数据遵从以下原则：确保试验数据涵盖材料与工艺许可范围的上下限；在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多。

步骤3：对样本数据集进行归一化预处理作为试验样本，对样本数据集进行归一化预处理，归一化预处理的计算公式为：

其中，X是样本数据集中某影响因素的原始数据，x(norm)是某影响因素归一化以后的样本数据，X(max)是某影响因素在原始样本数据集中的最大值，X(min)是某影响因素在原始样本数据集中的最小值。本实施例并不限于这一种归一化预处理的计算公式，其他归一化预处理的计算公式同样适用。

步骤4：确定BP神经网络结构，确定BP神经网络结构包括确定BP神经网络隐含层层数和每层隐含层上的节点数；其中，隐含层可以是一层，也可以是多层，每层隐含层上的节点数可以通过以下方法进行确定：

先根据经验公式确定隐含层节点数的大致范围，然后采用试错法确定隐含层的最佳节点数，隐含层节点数L的经验公式是式(3)～式(6)中的任意一个：

L＝log

L＝2n+1 (6)

其中，n是输入层节点个数，m是输出层节点个数，a是1～10之间的整数，L是计算后四舍五入取整的隐含层节点数。

步骤5：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；对BP神经网络结构进行训练之前，采用智能算法利用试验样本对BP神经网络结构进行训练优化，获得BP神经网络模型的优化后的初始权值，本实施例并不限于下面提到的智能算法，其他能够进行训练优化的算法同样适用，智能算法为遗传算法、粒子群算法、鸽群算法中的任意一种，但不限于这几种；建立好BP神经网络模型以后，通过以下公式考察输出变量对输入变量的敏感度：

其中，N是样本数据集中的样本个数，Δinput是输入的改变量，Δoutput是输出的改变量。

步骤6：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。

实施例2：

本实施例提供的一种预测铸态铝硅合金力学性能的系统，包括如下模块：

影响因素确定模块：确定铸态铝硅合金力学性能的影响因素；

样本数据集获取模块：根据所需要的铸态铝硅合金力学性能的指标，对同一牌号不同成分、不同铸造工艺下的铝硅合金进行力学性能试验，收集并筛选试验数据，获得样本数据集；

归一化模块：对样本数据集进行归一化预处理作为试验样本；

神经网络结构确定模块：确定BP神经网络结构；

神经网络模型确定模块：通过步骤3中的试验样本对BP神经网络结构进行训练，建立铸态铝硅合金力学性能的影响因素与铸态铝硅合金力学性能的指标之间的映射关系，得到BP神经网络模型；

预测值获取模块：向BP神经网络模型输入相关参数，利用BP神经网络模型计算输出结果，输出结果经反归一化处理后为铸态铝硅合金力学性能的预测值。

实施例3：

本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。

本实施例提供的一种基于BP神经网络预测铸态铝硅合金力学性能的方法，包括以下步骤：

S1、确定铸态铝硅合金力学性能影响因素；力学性能影响因素是以下几种的组合：Fe/Mn比，冷却速度，变质元素含量、孔隙率，Si含量、Cu含量；

S2、根据所需要的力学性能指标，对同一牌号不同成分、不同铸造工艺下的铝硅合金进行一系列力学性能试验，收集并筛选试验数据，获得样本数据集；力学性能指标包括但不限于以下几种：抗拉强度、延伸率；

S3、对样本数据集进行归一化预处理；

S4、确定BP神经网络结构；

S5、对BP神经网络进行训练，建立影响因素与力学性能之间的映射关系；

S6、输入相关参数，利用S5步骤中构建的BP神经网络计算输出结果，输出结果经反归一化处理后即为铸态铝硅合金力学性能预测值。

在步骤S1中，冷却速度可以通过热电偶在铸件凝固过程中进行实测，也可以根据冷却速度与铸件中被预测力学性能部位组织信息中二次枝晶臂间距值(SDAS)的关系，通过以下公式进行拟合与转换：

SDAS＝a·(Rc)

其中，SDAS是铝硅合金铸件被预测力学性能部位的二次枝晶臂间距值(μm)；a是材料常数(μm·(℃/s)

在步骤S2中，筛选试验数据遵从以下原则：确保试验数据涵盖材料与工艺许可范围的上下限，并在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多。

在步骤S3中，对样本数据集进行归一化预处理，采用的数据归一化处理计算公式可以是：

其中，X是样本数据中某影响因素的原始数据；x(norm)，X(max)以及X(min)分别是某影响因素归一化以后的样本数据，某影响因素在原始样本数据中的最大值与最小值。

在步骤S4中，确定BP神经网络结构主要涉及BP神经网络隐含层层数，以及每层隐含层上的节点数；其中，隐含层可以是一层，也可以是多层，每层隐含层上的节点数可以通过以下方法进行确定：先根据经验公式确定隐含层节点数的大致范围，然后采用试错法确定隐含层的最佳节点数；隐含层节点数L的经验公式是式(3)～式(6)中的任意一个：

L＝log

L＝2n+1 (6)

其中，n是输入层节点个数，m是输出层节点个数，a是1～10之间的整数，L是计算后四舍五入取整的隐含层节点数。

在步骤S5中，对BP神经网络进行训练之前，优选采用智能算法利用试验样本进行训练优化，获得BP神经网络模型的优化后的初始权值；智能算法可以是遗传算法、粒子群算法、鸽群算法等。

在优先例中，在建立好BP神经网络以后，还可以通过以下公式考察输出变量对输入变量的敏感度：

其中，N是样本数据集中的样本个数，Δinput是输入的改变量，Δoutput是输出的改变量。

实施例4：

本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。

如图1～3所示，本实施例提供的一种基于BP神经网络预测铸态铝硅合金力学性能的方法，包括以下步骤：

实施例中选用铝硅系合金A380作为研究对象。

S1、确定铸态铝硅合金力学性能影响因素，本实施例中，选取的力学性能影响因素有Fe/Mn比，冷却速度，变质元素含量、孔隙率；在本实施例中，变质元素为Sr。

S2、根据所需要的力学性能指标，对同一牌号不同成分、不同加工工艺下的A380铝硅合金进行一系列力学性能试验，收集并筛选试验数据；在本实施例中，选取的力学性能指标为抗拉强度与延伸率；在本实施例中，标准A380铝合金成分范围与制备出7种化学成分的A380铝硅合金实测成分、理论密度，如表1所示；筛选试验数据遵从以下原则：确保试验数据涵盖材料与工艺许可范围的上下限，并在确保试验数据在许可范围内均匀分布的前提下，试样数据尽可能多；对制备的A380铝硅合金进行测试并进行筛选后，经筛选后的56个样本数据汇总于表2中；

表1 A380铝合金成分范围与7种被研究合金的化学成分与理论密度

表2 A380铝硅合金试验数据汇总表

表2中冷却速度通过在铸件凝固过程中安放热电偶进行了实际测量；在进行了力学性能测试后，同时也对断口附近的组织中进行二次枝晶臂间距值(SDAS)的测量，将冷却速度与获得的SDAS通过公式(1)进行了拟合：

SDAS＝a·(Rc)

可以获得如下的关系式SDAS＝31.356*Rc

S3、对样本数据集进行归一化预处理，在本实施例中，对表2中的56组数据进行归一化处理，本实施例中采用的数据归一化处理计算公式为：

其中，X是样本数据中单个影响因素的原始数据；x(norm)，X(max)以及X(min)分别是单个影响因素归一化以后的样本数据，单个影响因素在原始样本数据中的最大值与最小值；采用上述公式(2)对表2中的56组数据进行归一化处理，主要是为了减小各数据不同的数量级差异对训练过程造成影响，同时加速神经网络的训练过程。

S4、确定BP神经网络结构，确定BP神经网络结构主要涉及BP神经网络隐含层层数，以及每层隐含层上的节点数；本实施例中，选用了3层的神经网络结构，即输入层1、单层隐含层2、输出层3；输入层1由代表输入变量的神经元组成，隐含层2由代表中间变量的神经元组成，输出层3由代表输出变量的神经元组成；选取的输入变量有：Fe/Mn比，冷却速度，变质元素含量、孔隙率；选取的输出变量有抗拉强度、延伸率；神经网络的结构图如图2所示。

在本实施例中，采用公式

S5、对BP神经网络进行训练之前，优选采用智能算法利用所述试验样本进行训练优化，获得所述BP神经网络模型的优化后的初始权值；随后对BP神经网络进行训练，建立影响因素与力学性能之间的映射关系；在本实施例中，随机选取了总试验样本数的7/8(49组)作为训练样本，余下1/8(7组)作为测试样本；在本实施例中，采用了粒子群算法对4-10-2结构的BP神经网络进行优化，以避免BP神经网络在训练时陷入局部最优：粒子群算法用来优化神经网络的初始权值、随后通过粒子群算法寻优的最佳粒子位置信息赋予给BP神经网络，作为BP神经网络经过优化后的初始权值，然后开始BP神经网络的训练；在本实施例中，采用的经粒子群算法优化的BP神经网络算法流程图如3所示；在本实施例中，采用的粒子群算法参数设置，BP神经网络的参数设置分别如表3、表4所示。

表3粒子群算法的参数设置

表4BP神经网络的参数设置

S6、输入相关参数，利用S5步骤中构建的BP神经网络计算输出结果，输出结果经反归一化处理后即为铸态铝硅合金力学性能预测值；本实施例中，将56组实验样本中剩余1/8(7组)数据对应参数作为已训练好的神经网络的输入参数，将神经网络预测值与实际值进行对比；抗拉强度与延伸率的网络预测值与实际值对比分别如图4与图5所示，图4中标记为非训练样本数据的序号1～7，图5中标记为非训练样本数据的序号1～7。

进一步地，采用均方根误差RMSE作为评价指标，评价预测值与实际值的误差大小，得到7组数据中抗拉强度的均方根误差RMSE为7.4624Mpa，延伸率的均方根误差RMSE为0.1750％，网络预测值接近实际值，说明网络模型可以预测力学性能。

进一步地，在建立好BP神经网络以后，通过以下公式考察输出变量对输入变量的敏感度：

其中，N是样本数据集中的样本个数，Δinput是输入的改变量，Δoutput是输出的改变量。

经敏感度分析测试，抗拉强度与延伸率对输入变量的敏感度分别如图6与图7所示。其中，输入参数对抗拉强度的影响从大到小依次是：Fe/Mn比、孔隙率、Sr含量，冷却速度；对延伸率的影响从大到小依次是：Sr含量、Fe/Mn比、冷却速度、延伸率。敏感度测试为实际生产过程中A380铸件的力学性能调控提供了指导方向。

最后，将已训练好的4-10-2神经网络权值矩阵提取出来，配合隐含层上的激活函数Log-Sigmoid与输出层上的激活函数purelin使用，即可确定神经网络预测模型。本实施例中权值矩阵如下所示：

输入层到隐含层权值矩阵w1：

隐含层权值(阈值)矩阵b1：

隐含层到输出层权值矩阵w2：

输出层权值(阈值)矩阵b2：

本实施例提供的一种基于BP神经网络预测铸态铝硅合金力学性能的方法，通过选取影响铝硅合金力学性能的关键因素，建立并训练BP神经网络模型，最终通过达到预测铸态铝硅合金力学性能的目的。进一步地，利用已建立好的神经网络，可以有效指导实际铸件的性能调控减小铸件的不合格率，同时也可以为新铝硅合金的开发提供一定指导方向。

本发明的方法步进可以取代传统数学公式拟合法对力学性能的描述，而且能够规避传统破坏性的取样检测方法，降低时间、人工成本，提高经济效益。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。