钢-铝固液相复合板界面层厚度建模.pdf_大学文库

D0I:10.13374/j.issm1001-053x.1999.0M.011 第21卷第4期北京科技大学学报 Vol.21 No.4 1999年8月 Journal of University of Science and Technology Beijing Aug.1999 钢-铝固液相复合板界面层厚度建模张鹏”杜云慧” 康永林”张奇志)崔建忠” 巴立民功 1)北京科技大学材料科学与工程学院，北京1000832)东北大学，沈阳3)鞍山汽车配件厂，鞍山摘要采用人工神经网络方法建立了钢铝固液相复合中助焊剂质量分数、铝液温度、模具温度、压力与界面层厚度间的关系模型，并结合最大剪切强度的复合工艺参数得出了钢铝固液相压力复合的最佳界面层厚度为10.0μm. 关键词人工神经网络：固液相复合：界面层厚度：钢-铝分类号TG11191 在钢-铝固液相复合研究中，助焊剂质量分 2人工神经网络建模数、铝液温度、模具温度及压力对复合板界面层厚度均有影响"，呈现复杂的非线性关系，而复人工神经网络目前已开始应用于复杂非线合板界面层厚度与复合板力学性能又息息相性系统的建模、估计、预测、诊断和自适应控制关.复合板界面层主要是由脆硬的FeAl,和等领域P~).BP网络是一种前馈式全连接多层 Fe,Al,相构成的，当界面层厚度控制在某一范围神经网络，具有较强的联想记忆和推广能力，可内时，脆硬的FeAl和FeAl,相呈棒状分布，可以任意精度逼近任何非线性连续函数.本文采以增强复合界面的结合性能，而当界面层厚度用一个的3层BP网络结构，如图1所示，超出该范围时，脆硬的FeAl,和Fe,Al,相呈片状分布，会使界面层脆化，从而强烈地破坏复合板界面的结合，严重时可导致复合板沿复合界面开裂.因此，可以说复合板界面层厚度对固液相复合成败与否举足轻重，建立复合板界面层厚度与固液相复合工艺参数之间的关系对固液相复合研究非常重要，然而，目前广泛应用的传统统计-回归方法根本无法确定它们之间的非图IBP网络结构线性关系，本文首次尝试在实验数据基础上采 I层为输入层，采用线性单元，4个输入亦用人工神经网络方法建立固液相复合板界面层即其输出分别为助焊剂质量分数(Z)、铝液温度厚度与复合工艺参数之间的关系模型. (Z)、模具温度(Z)和压力(Z).Ⅱ层为中间隐层，采用非线性单元，其第广个单元的输入八，是通 1实验过I层各单元的输出加权求和而得，其输出Y 是由其输入N经过一个非线性函数x)求得.山将营口轴瓦厂生产的1.2mm厚08A1钢板层为输出层，只有一个非线性单元，其输入N是进行脱脂、除锈和打毛处理，在沸腾的氟钛酸钾由Ⅱ层各单元的输出y,加权求和而得，其输出助焊剂水溶液中浸镀后烘干，与经精炼的工业界面层厚度(H)亦由其输入N经过非线性函数纯铝液(99.99%)在四柱万能液压机上加压进行 x)求得，输入层和中间隐层以及中间隐层和输固液相复合，温度精度为±1℃，最后利用线切割出层之间的权值分别为'和W 技术制备试样.试样磨制后对复合板界面层厚人工神经网络的学习算法如下，度进行电镜观测，实验结果用人工神经网络进 (1)选取学习率n=0.1,动量相示数a=0.1 行建模研究 Z,=y=-1.(2)置V和w为-0.5~0.5之间的 1998-09-12收稿张鹏男，31岁，博士后随机数.(3)从输入层到输出层逐层计算每个单 *国家"863"高科技资助项目(N0.863-715-009-060) 元输出

第 21 卷第 4 期 1 9 9 9 年 8 月北京科技大学学报 J o u r n a l o f U n i v e r s ity o f s e i e n e e a n d Te e h n o l o g y B e ji i n g V 6 1 . 2 1 N 0 . 4 A u g . 1 9 9 9 钢一铝固液相复合板界面层厚度建模张鹏 l) 杜云慧 ` , 康永林 1) 张奇志 2) 崔建忠 2) 巴立民 3) l) 北京科技大学材料科学与工程学院 , 北京 10 0 0 83 2) 东北大学 , 沈阳 3) 鞍山汽车配件厂 , 鞍山摘要采用人工神经网络方法建立了钢一铝固液相复合中助焊剂质量分数、铝液温度、模具温度、压力与界面层厚度间的关系模型 , 并结合最大剪切强度的复合工艺参数得出了钢一铝固液相压力复合的最佳界面层厚度为 10 .0 “ m . 关键词人工神经网络 : 固液相复合 ; 界面层厚度 ; 钢一铝分类号 T G 11 1 . 9 1 在钢一铝固液相复合研究中 , 助焊剂质量分数、铝液温度、模具温度及压力对复合板界面层厚度均有影响 `, , , 呈现复杂的非线性关系 , 而复合板界面层厚度与复合板力学性能又息息相关 . 复合板界面层主要是由脆硬的 eF IA , 和 Fe Z A I , 相构成的 , 当界面层厚度控制在某一范围内时 , 脆硬的 eF 1A 3 和 eF 冰1 , 相呈棒状分布 , 可以增强复合界面的结合性能 , 而当界面层厚度超出该范围时 , 脆硬的 eF IA , 和 eF Z IA , 相呈片状分布 , 会使界面层脆化 `21 , 从而强烈地破坏复合板界面的结合 , 严重时可导致复合板沿复合界面开裂 . 因此 , 可以说复合板界面层厚度对固液相复合成败与否举足轻重 , 建立复合板界面层厚度与固液相复合工艺参数之间的关系对固液相复合研究非常重要 . 然而 , 目前广泛应用的传统统计一回归方法根本无法确定它们之间的非线性关系 , 本文首次尝试在实验数据基础上采用人工神经网络方法建立固液相复合板界面层厚度与复合工艺参数之间的关系模型 . 2 人工神经网络建模人工神经网络目前已开始应用于复杂非线性系统的建模、估计、预测、诊断和自适应控制等领域 `, 一 ” . B P 网络是一种前馈式全连接多层神经网络 , 具有较强的联想记忆和推广能力 , 可以任意精度逼近任何非线性连续函数 . 本文采用一个的 3 层 B P 网络结构 , 如图 1 所示 . 1 实验将营口轴瓦厂生产的 1 . 2 m m 厚 08 A I 钢板进行脱脂、除锈和打毛处理 , 在沸腾的氟钦酸钾助焊剂水溶液中浸镀后烘干 , 与经精炼的工业纯铝液 ( 9 . 9 % )在四柱万能液压机上加压进行固液相复合 , 温度精度为月 ℃ , 最后利用线切割技术制备试样 . 试样磨制后对复合板界面层厚度进行电镜观测 , 实验结果用人工神经网络进行建模研究 . 19 9 8 一 0 -9 12 收稿张鹏男 , 31 岁 , 博士后 * 国家 ” 8 63 , `高科技资助项目(N o 名6 3 一 7 1 5 一 0 0 9 一 0 6 0 ) 图 1 B P 网络结构 I 层为输入层 , 采用线性单元 , 4 个输入亦即其输出分别为助焊剂质量分数 (Z l ) 、铝液温度 (乙 ) 、模具温度 (乙 )和压力(乙 ) . H 层为中间隐层 , 采用非线性单元 , 其第j 个单元的输入凡是通过 I 层各单元的输出加权求和而得 , 其输出万是由其输入玛经过一个非线性函数力)求得 . 1 层为输出层 , 只有一个非线性单元 , 其输入N 是由 H 层各单元的输出芍加权求和而得 , 其输出界面层厚度 (扔亦由其输入 N 经过非线性函数力)求得 . 输入层和中间隐层以及中间隐层和输出层之间的权值分别为岭和玛 . 人工神经网络的学习算法如下 . ( l) 选取学习率叮= 0 . 1 , 动量相示数 a = 0 . 1 乙 = 姚二一 1 . (2 )置环 , 和玛为一 .0 5 一 .0 5 之间的随机数 . ( 3) 从输入层到输出层逐层计算每个单元输出 . DOI: 10. 13374 /j . issn1001 -053x. 1999. 04. 011

一 3 5 8 - 北京科技大学学报 19 99 年第 4 期、少尹尹. 、产, , 上`, 峥月`J 了 J `. 、口了. 、性娜子、戈 = 艺叱 ,乙 , j 二 l , 2 = f( 戈 ) : 艺城耳户 1 ( 5) 若 Z 满足要求或达到指定学习次数 , 则结束学习 . (6 )逐层计算各单元的学习信号咨 . 踢 = (D 一万) . 厂义的 ( 7 ) 4 = 琳咨了义叼 , j = 1, 2 (8 ) (7) 按梯度下降方向自修正权值 . 砚 (+t l ) = 琳 ()t + 叮丙万+ a 【琳 ()t 一琳 ( t一 1)」 ( 9 ) 玛 (什 l ) = 巩 ()t + 叮成乙+ a 【玲()t , 巧(t 一 l )〕 ( 10) ( 8 )转 ( 3 ) . 用 2 5 个样本训练网络 , 4 个样本检验网络的推广能力 . 训练 6 x8 1 03 次时 , 训练样本和检验样本的相对误差最大值稳定在 4 .4 % , 结果如表 1 所示 , 可见此时己建立了正确的固液相复合板界面层厚度与复合工艺参数之间的关系模型 . 间X . N H 只八刃) fx( ) = ( l 一 e 一 x/ ( l + e 一` ) 以上各式将阀值归入巧和叽中定为一 l 的输入相连接 . 它们与固 (4 ) 计算系统误差 . 设有尸个学习样本 , 则系统的均方误差为 . E 一命睿 `D 一 , ) 2 ( 6 ) 其中 , nD 表示第 n 个学习样本 , 通常称之为导师信号 . nH 表示相应的网络实际输出值 . 表 1 人工神经网络训练与预测点样本号 w (助焊剂 )/ % t^ 1 /℃ 抽 /℃ P 月叨P a H/ 协m 期望值输出值相对误差o/ ù吕6 `二. … n à 1 7 5 0 77 0 80 0 7 7 0 7 5 0 7 7 0 7 7 0 7 7 0 7 7 0 8 0 0 7 3 0 7 7 0 7 5 0 7 7 0 7 3 0 7 4 0 7 7 0 7 7 0 80 0 7 5 0 7 7 0 8 0 0 7 30 7 7 0 8 0 0 7 70 7 3 0 7 3 0 7 5 0 30 0 10 0 10 0 10 0 10 0 10 0 2 0 0 3 0 0 4 0 0 10 0 2 0 0 10 0 10 0 10 0 3 0 0 4 0 0 10 0 10 0 2 0 0 10 0 20 0 30 0 10 0 30 0 4 0 0 40 0 10 0 4 0 0 2 0 0 12 8 } 2 . 6 1 2 . 2 9 . 5 9 . 5 9 . 6 9 . 9 0 . 7 12 . 4 9 . 4 9 . 3 9 . 2 9 . 6 2 . 2 4 . 3 n àù.且 1 0 . 1 10 . 0 ō、曰乙, . 自 n,OQ 9 . 5 9 . 4 2 . 2 9 . 5 6 . 5 4 . 0 9 . 0 9 . 5 5 2 5 . 1 4 . 8 4 . 8 5 . 2 10 . 1 10 . 0 9 . 4 8 . 2 9 . 5 9 . 2 9 . 9 6 . 5 9 . 1 9 9 5 . 1 5 . 2 4 . 8 4 . 9 5 . 1 4 . 5 4 9 5 . 0 10 . 2 9 . 2 4 . 8 4 . 8 n,O了 4 . 0 2 . 0 2 . 0 2 . 0 4 . 7 4 . 4 9 énU 1 今白 , ù. 1盛召. , 几`人. . ` `二. 4 . 8 2 . 0 2 . 0 .103 0 O 产哎- ù .4.09 9 . 8 4 . 8 6015344560151530巧45 H21256 加21235410n234巧2345678967189 ’26789 * 检验样本

Vol.21 No.4 张鹏等：钢-铝固液相复合板界面层厚度建模 359 3最佳界面层厚度的确定艺参数之间的关系模型，为进行钢-铝固液相复合研究提供了一条可靠的新途径. 复合板界面层的最佳厚度是指复合板界面 (2)钢-铝固液相复合界面层的最佳厚度为力学性能最好时的界面层厚度，换句话说，与最 10.0μm. 好的复合板界面力学性能对应的复合工艺参数就是获得最佳界面层厚度的复合工艺参数，由参考文献文献[6]可知，与最好的复合板界面力学性能对】荀玉伟.钢铝固液相复合工艺研究：[硕士论文]沈阳：东应的复合工艺参数为(7.1%，797℃，392℃，55 北大学，1997 2 Dybkov V I.Interaction of 18-Cr-10Ni Stainless Steel with MPa),即采用助焊剂质量分数为7.1%，铝液温度 Liquid Aluminium.Journal of Materials Science,1990,25: 为797℃，模具温度为392℃及施加压力为55 3615 MPa进行钢-铝固液相复合实验可得到最佳界 3 Hopfield J J.Diagonal Recurrent Neural Networks for 面层厚度.将以上参数代入人工神经网络建立 Dynamics Control.Proc Nat Acad Sci USA,1982,79:2554 的关系模型，得到钢铝固液相复合最佳界面层 4 Psaltis D,Sideris A,Tamanmuya A.Multilayered Neural Network Controller.IEEE Control Syst Mag,1988,8:17 厚度为10.0m. 5 Ren-Guo Song,Qi-Zhi Zhang,Mei-Kuang Tseng.The Ap- plication of Artificial Neural Networks to the Investiga- 4结论 tion of Aging Dynamics in 7175 Aluminium Alloys.Ma- terials Science Engineering,1995,C3:39 (1)人工神经网络作为一种新技术可以准确 6张鹏，崔建忠，杜云慧.人工神经网络在钢-铝固液相压地建立钢-铝固液相复合界面层厚度与复合工力复合研究中的应用.金属学报.1996,32(12)：1275 Model of the Intermetallic Layer Thickness of Steel-Aluminum Solid to Liquid Bonding Plate Zhang Peng",Du Yunhui,Kang Yonglin,Zhang Qizh?,Cui Jianzhong,Ba Limin 1)Material Science and Engineering School,UST Beijing,Beijing 100083,China 2)Northeastern University,Shenyang 3)Anshan Automobile Fittings Factory ABSTRACT The relationship model of concentration of flux solution,temperature of liquid aluminium,tem- perature of tools,pressure and intermetallic layer thickness under steel-aluminum solid to liquid bonding was established by means of Artificial Neural Networks(ANN)perfectly.The optimum thickness whose value was 10.0 um had been determined according to the bonding parameter values for the optimum shearing strength. KEY WORDS artificial neural networks;solid to liquid bonding;intermetallic layer thickness

V 6 1 . 2 1 N 0 . 4 张鹏等 : 钢一铝固液相复合板界面层厚度建模一 3 5 9 - 3 最佳界面层厚度的确定复合板界面层的最佳厚度是指复合板界面力学性能最好时的界面层厚度 , 换句话说 , 与最好的复合板界面力学性能对应的复合工艺参数就是获得最佳界面层厚度的复合工艺参数 . 由文献 6[ ]可知 , 与最好的复合板界面力学性能对应的复合工艺参数为 ( 7 . 10,0 , 7 9 7 oC , 3 9 2℃ , 5 5 M P a) , 即采用助焊剂质量分数为 7 . 1% , 铝液温度为 7 9 7℃ , 模具温度为 3 92 ℃ 及施加压力为 5 M P a 进行钢一铝固液相复合实验可得到最佳界面层厚度 . 将以上参数代入人工神经网络建立的关系模型 , 得到钢一铝固液相复合最佳界面层厚度为 or .0 阿 . 4 结论 ( l) 人工神经网络作为一种新技术可以准确地建立钢一铝固液相复合界面层厚度与复合工艺参数之间的关系模型 , 为进行钢一铝固液相复合研究提供了一条可靠的新途径 . (2 ) 钢一铝固液相复合界面层的最佳厚度为 1.0 0 拼m · 参考文献 1 荀玉伟 . 钢铝固液相复合工艺研究:〔硕士论文〕 . 沈阳:东北大学 , 19 9 7 2 D y bk o v V I . I n t e r a c ti o n o f l s 一 C r 一 1 0N I S ta i n l e s s s te e l w i th L iq u i d A l u m i n i u m . J o u nr a l o f M at e r i a l s S e i e n e e , 1 99 0 , 2 5 : 3 6 15 3 H o Pif e 1d J J . D i a g o n a l R e c u r e n t N e u r a l N e wt o r k s fo r D y n a m i e s C o n t r o l . P r o c N a t A c a d S e i U S A , 1 9 8 2 , 7 9 : 2 5 5 4 4 P s a l t i s D , Si d e r i s A , aT m a n m u y a A . M u l t ilay e r e d N e u r a l N e wt o kr C o n t r o ll e .r I E E E C o n t r o l S y s t M a g , 1 9 8 8 , 8 : 1 7 5 eR n 一 G u o s o n g , Qi 一 Z hi Z h an g , M e i 一 K u an g sT e n g . T h e A P - Pl i e a t i o n o f A rt i if e i a l N e u ar l N e wt o kr s t o th e I n v e s t ig a - ti o n o f A g i n g D y n am i e s i n 7 1 7 5 A l u m i n i u m A l l o y s . M a - t e r i a l s S e i e n e e E n g i n e e r i n g , 1 99 5 , C 3 : 3 9 6 张鹏 , 崔建忠 ,杜云慧 . 人工神经网络在钢一铝固液相压力复合研究中的应用 . 金属学报 . 19 9 6, 3 2( l2 ) : 1 2 7 5 M o d e l o f t h e I n t e mr e t a lli c L a y e r T h i e kn e s s o f S t e e l 一 A l u m i n u m S o li d t o L i q u id B o n d i n g P l a t e hZ a n g eP 雌 , , , D u uY n h u i ,’ , aK 馆 oY gln i n , , , hZ a 馆 Qiz h尹, , C u i iJ a nz h o 心 , , B a L im i n , , l ) M at e r i a l S e i e n e e an d E n g i n e e r i n g S e h o o l , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 , C h i n a 2 ) N o hrt e a s te rn U n i v e rs i ty, S h e n y an g 3 ) A n s h an A u t o m o b i l e Fi t i n g s Fac t o yr A B S T R A C T T h e er l at i o n s h iP m o d e l o f e o n e e n t r a t i o n o f if xu s o lut i o n , et m Pe r a trU e o f liq u id a l nUI i n i nUI , t e m - Pe r a 奴叮 e o f t o o l s , Pr e s sur e a n d int e mr e at lli e lay e r t h i e kn e s s un d e r s t e e l 一 a l um i n um s o lid to liq u id b o n d i n g w a s e s at b ll s h e d 勿 m e an s o f A rt iif e i a l N e ur a l N e wt o kr s ( A N N ) Pe r fe e t l y . T h e o Pt im urn ht i e kn e s s w h o s e v a l u e w a s 10 . 0 卿 h a d b e en det emr in e d a e e o r d in g t o ht e b o n d i n g P a r am e t e r v a l u e s fo r ht e op t im um s h e ar in g s t r e n gt h · K E Y W O R D S a rt iif e i a l n e ur a l n e wt o kr s: s o lid t o liq u id b o n d i n g : i n t e mr e t a lli e lay e r ht i e kn e s s