论文部分内容阅读
随着科学技术的不断革新发展,各种动力机械及工程设备正逐渐向高温高压、高速方向发展,材料构件承受复杂的交变载荷工作环境越来越恶劣,这就使得材料的可靠性问题显得更为突出。而在材料的疲劳研究中,裂纹是描述疲劳损伤的重要的参量。科研人员对于金属裂纹形成与扩展的研究已经做了大量的研究,而长裂纹演化规律的研究已经接近成熟。实验研究表明,短裂纹阶段有时会占材料疲劳总寿命的大部分比重。短裂纹相较于长裂纹的行为有很大的差异,但是目前对于短裂纹的研究还不多。因此对于短裂纹演化规律的研究可为完善金属材料疲劳损伤机制、材料寿命预测、设备安全性评价等提供重要的理论依据。对于短裂纹的演化规律,一直受到业界关注,已经提出一些模型和预测方程。但大都存在各种问题,应用受到限制,至今仍没有被广泛接受的裂纹演化定量方程。通过引入遗传算法(GA)-BP神经网络方法可以避免建立显式模型方程,直接抽离出数据中所隐含的规律从而有效的解决这些问题。本文以20#钢为主要研究材料,进行复杂应力状态下的高温低周疲劳短裂纹实验。采用中断实验和直接观测法相结合的手段使用金相显微镜对主导短裂纹的萌生和扩展行为进行跟踪和记录。并用MATLAB等软件对数据进行处理,最后得到疲劳短裂纹的扩展速率和裂纹密度。通过对裂纹扩展速率的数据分析得出裂纹扩展速率发生变化的原因。BP神经网络特别适合处理离散、含噪声或不完全的疲劳试验数据数据。而遗传算法的引入又弥补了BP神经网络的缺陷,从而有效减少了收敛时间降低了误差。本文使用GA-BP神经网络对裂纹扩展速率、裂纹密度进行模拟。将BP神经网络得到的模拟结果与GA-BP神经网络得到的模拟结果进行对比,证明了遗传算法对于BP神经网络的在收敛时间和预测精度上的改进作用。将GA-BP神经网络的模拟结果与实验数据进行对比表明,两组数据误差较小取得较好的模拟效果。通过对裂纹萌生扩展全过程的模拟,证明该方法可以模拟全过程并反映裂纹扩展的规律。GA-BP神经网络是处理疲劳短裂纹数据和描述疲劳裂纹演化行为的较好的工具,并且可以取得较好的预测精度。