谈钢材焊接接头力学性能模拟 pdf

《谈钢材焊接接头力学性能模拟 pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、学兔兔www.xuetutu.com钢材焊接接头力学性能模拟南京航空航天大学(210016)汪超魏艳红摘要随着计算机辅助技术的发展，越来越多的计算机技术被应用到焊接领域。本文对神经元网络在焊接接头力学性能预测上的应用做了探索。在收集和整理已有试验数据的基础上，建立了气体保护焊、焊条电弧焊和埋弧焊焊接工艺评定样本数据库。通过不断训练，确定了合适的输入参数，在Linux环境下建立了具有不同结构的接头力学性能预测模型。此外，还分析了各参数对力学性能的影响，并利用降维的方法降低了模型的误差。关键词：人工神经网络力学性能焊接接头性能预测中图分类号：TG407建立一个通用的钢材力学性能数值模

2、拟的平台，利用O前言人工神经元网络技术，建立起常用钢材的焊接接头力焊接工艺评定工作，从焊接工艺拟定、焊接工艺试学性能预测模型。包括：焊条电弧焊、埋弧焊、TIG焊三验到焊接接头力学性能的测试，涉及工厂中的几个部种焊接方法的抗拉强度和屈服强度模型卜。门，同时要投人大量的人力、物力和财力，完成这些工1数据的收集作，不仅耗资巨大，而且周期长，经常出现延误生产的现象。为了解决这些问题，多年来，人们一直在不懈地神经网络的训练需要大量的试验数据，且数据必进行努力，利用多元回归、模糊数学及人工智能专家系须有很大的覆盖范围，这样训练得到的模型才可以使统等技术，尝试着进行焊接工艺评定。希望可以代替用

3、。文中数据主要来源于有关的文献资料以及企业中常规的工艺评定试验。特别是近年来，获得迅速发展的一些系列试验数据。输人参数包括焊接接头的母材的神经网络(ANN)技术，可以处理任意复杂的多元非化学成分、焊接参数、层间温度和焊后热处理参数，输线性关系，使比较准确地进行焊接工艺计算机辅助评出参数包括两个重要的力学性能：抗拉强度、屈服强定成为可能。度。在该模型中使用的数据如表1所示，数据分布如为了节省对钢材力学性能模拟的工作量，文中将图1所示。表1样本数据的分布区间表图1仅为部分数据与抗拉强度的关系图。所有这些数据由神经网络系统选出一半用来进行模型训练，另一半用类似测试训练出来的模型。由图可

4、知，数据分布不规则。这将导致在数据密集区预测精度高，而收稿日期：2010一o6一l92011年第1期57学兔兔www.xuetutu.com懈搭试验研究在数据缺乏区域，误差较大。不过，由于实际使用的材人。为了预测输出，即接头力学性能，在输人单元和输啪咖咖啪啪咖螂咖啪啪咖咖啪咖哪料成分及焊接工艺参数基本上固定在数据密集区域，出单元之间使用了隐藏单元来表示更复杂的联系。所以在实际使用中不会出现误差太大的情况。当数据联系输入和第i个隐藏单元的转换函数为：库更加完善之后，预测的精度将会得到很大的提高。h：tanh(∑w~jxj+)(1)隐藏单元和输出单元之问的关系为线性关系：Y=∑wlh

5、i+(2)髓上述两个公式中各参量的意义如下：xj代表第_『个潮输人参数，h代表第i个隐含单元，Y代表输出值，tt7代表输入参数xj与隐含单元hi之间的权值，代表隐含单元h与输出值Y之间的权值，代表输人层与隐含层之间的偏差，代表隐含层与输出层之间的偏差。等式焊接电流I／A的系数和偏差由最小误差函数决定。因为双曲正(a)焊接电流的数据分布切函数是非线性函数，所以该模型能预测非线性联系。皇留越麓黛电弧电压／v(b)电弧电压的数据分布窆圈圈圈矮图2神经元网络模型2．2神经网络的误差经典BP算法神经元网络采用公式(3)作为误差函数，随着学习次数的增加，Itj—YjI越来越小，使函数焊接速度

6、vl(mm·min)逼近速度减慢。(c)焊接速度的数据分布●=÷∑(一yj)(3)图l数据的分布-，2模型的训练将使用公式(4)进行误差计算。()=D+clEw(4)2．1神经网络的框架图2展示了在模型上使用的神经元网络结构。化其中，和含有隐藏单元的数量，决定模型的复杂度；学成分、焊接工艺参数、热处理参数等因素从左边输E。是测试误差，为预测值与实测值之差的平方和，由公582011年第1期学兔兔www.xuetutu.com试验研究r曙掳式(5)得到；E是调整误差，为权重的平方和，由公式(1)所有样本数据分成两组，一组用来训练神经●(6)得到。元网络产生不同权值和偏差的子模型，另外

7、一组用于测试所产生的子模型。这样在一定程度上能够避免过=÷∑(一yj)(5)-J拟合现象，且能部分消除两组样本中随机噪声的影响。E=÷∑(6)(2)训练多组模型，记录其测试误差和训练误差，-，从中选择误差最小的模型。式中：y，是预测输出值；tj是对应于Yj的实测值；wj是(3)采用组合模型，以使误差值最小。对应于Yj的权值。D．J．C．Mackay利用贝式统计控2．3模型的初步训练制神经元网络的权值的可能分布范围，而不是计算权利用神经元网络训练软件对数据库中的样本数据值的数值的一