基于人工神经网络的Cu与Mg低质量比Al-Cu-Mg合金时效强化预测模型

摘要

通过硬度检测和透射电镜(TEM)观察,研究低Cu/Mg质量比AL-Cu-Mg合金时效强化机理,建立神经网络预测模型,使其在实验条件范围内对时效力学性能进行有效预测.在实验基础上,采用Levenberg-Marqllardt算法训练神经网络,建立以时效温度与时间为输入参数和硬度为目标函数的函数关系.结果表明:预测值与实验结果吻合较好,并证明了网络的可靠性与泛化能力;当时效温度越高时,达到峰值时效的时间越短,峰值时效的硬度也越大;在160～190℃时效温度范围内,合金峰值硬度随时效温度的升高而下降,对应硬度峰值的时效时间缩短.