一种预测热环境下材料力学失效的实验方法及实验系统

摘要

本发明公开了一种预测热环境下材料力学失效的实验方法及实验系统，解决了现有采用神经网络对材料力学性能进行预测时，所需实验数据大，实验周期长、成本高等问题。该方法的实主要实施步骤包括：1、执行多次热力环境实验，获取热‑力效应数据并经预处理形成大量适用于人工神经网络计算的数据；2、在计算机中构建人工神经网络模型；3、对人工神经网络模型进行训练；4、预报热‑力条件下材料的失效行为。本发明对各类型材料在高温下的工程应用具有重要意义。

说明书

技术领域

本发明属于材料力学性能测试领域，具体涉及了一种预测热环境下材料力学失效的实验方法及实验系统。

背景技术

材料在实际应用中经常处于高温与载荷同时作用的环境，研究材料在复杂热-力环境下是否发生失效，并对特定热-力环境下的材料失效行为进行预报，具有重要的工程意义。例如，在某些复杂热-力状态下，材料在高温与载荷联合作用下有可能会发生失效，这会导致结构出现危险，在工程中应当极力避免这一情况的发生。又比如在激光加工领域，判断材料在激光加热与载荷联合作用下是否发生断裂，选用的激光功率密度、应力、温度将直接影响激光加工的最终效果。因此，对材料在复杂热-力环境下的失效行为进行预报具有重要意义。

目前，对材料在复杂热-力环境下的失效行为预报主要通过传统的数值模拟或物理建模的思路进行研究。这种预报方法需要材料的物性参数多，建模过程复杂，且输出结果唯一。对于材料本身物性参数就具有离散性的某些复合材料使用该方法会存在较大误差。因此迫切需要一种新的预报方法来弥补这一不足。随着深度学习算法的不断发展，将人工神经网络法运用于材料在复杂热-力环境下的失效行为预测成为可能。例如，中国专利，公开号CN105095962A公开了《一种基于BP人工神经网络的材料动态力学性能预测方法》，实现了对材料动态力学性能进行预测。但是该方法必须依赖于大量的实验数据(一般大于10000条)。而普通的材料热-力实验周期长、成本高，且实验具有一定的危险性，获取的实验数据有限，因此实际上该方法并不能真正实现。因此，如何获取合理的、有限的数据，并基于该实验数据来预测材料复杂热-力环境下的失效是一个亟待解决的难题。

发明内容

为了解决现有采用神经网络对材料动态力学性能进行预测时，所需实验数据太大，实验周期长、成本高等问题，本发明提供了一种预测热环境下材料力学失效的实验方法及实验系统。

为实现上述目的，本发明的解决技术方案为：

一种预测热环境下材料力学失效的实验方法，包括以下实现步骤：

步骤1：执行多次热力环境实验，获取多组数据并经预处理形成大量适用于人工神经网络计算的热-力效应数据；

每组热-力效应数据均包括试件的材料强度值、试件宽度、试件厚度、当次实验下试件加热时间以及在当次实验下的加热源热流密度、试件受加热面的温度、试件受加热面背面的温度、预加拉伸应力、试件受加热面背面的应变；

每组热-力效应数据对应有标签值，该标签值用于表征当次实验下试件是否发生断裂；

A：每次实验时，试件加热时间间隔不大于5s；

B：不加热的条件下获取的试件材料强度值σ

C：试件厚度为试件在加热前的初始厚度，单位为mm；

D：试件宽度为试件在加热前的初始宽度，单位为mm；

E：获取加热源热流密度；

F：试件受加热面的温度由加热区域边缘及中心的三个特征点的平均温度作为表征；

G：试件受加热面背面的温度由加热区域对应的背面区域边缘及中心的三个特征点的平均温度作为表征；

H：根据向试件施加的荷载求取预加拉伸应力；

上式中，σ为对试件加热时预加拉伸应力，单位为MPa；F为对试件加热时向试件施加的载荷；

I：试件受加热面背面的应变由试件受加热面背面平均应变作为表征；

步骤2：在计算机中构建人工神经网络模型；

人工神经网络模型包括输入层，隐藏层，输出层三个部分；

输入层参数共有九个，与热-力效应数据对应，隐藏层为一个单层，隐藏层中的神经元数量不定，数量在1-9000之间，通过计算确定最佳节点数量；输出层含一个输出节点；

步骤3：对人工神经网络模型进行训练；

步骤3.1：将多组热-力效应数据随机划分为训练集和测试集；

步骤3.2：同时将训练集和测试集分别输入人工神经网络模型中进行训练，确定模型中的参数；

步骤3.2.1：同时将训练集和测试集分别输入人工神经网络模型中，层与层之间的激活函数选择Sigmoid函数，若模型输出值小于0.5,则判定试件未发生断裂；若模型输出值大于0.5，则判定试件发生断裂；将预测结果与步骤1中获取的标签值进行比对，记录模型预测结果正确的数量m，正确率η的计算公式如下所示：

上式中，m

步骤3.2.2：从1到9000改变人工神经网络模型隐藏层神经元的数量，训练集与测试集均采用梯度下降法的反向传播算法进行训练，当训练集的正确率增大，测试集的正确率减小时，训练停止，将此时的隐藏层神经元数量选定为模型最终的隐藏层神经元数量；

步骤3.2.3：确定隐藏层神经元数量后，基于训练集进一步采用梯度下降法对模型进行训练，当模型对训练集的结果预测精度最高时，最终确定出神经元与前一层每个神经元之间的连接权值ω

步骤4：预报热-力条件下材料的失效行为；

获取被测试件的一组新的热-力效应数据，并将其输入训练好的人工神经网络模型中，若输出结果大于0.5，则模型预测试件在此热-力环境下会发生失效；若输出结果小于等于0.5，则模型预测试件在此热-力环境下不会发生失效。

进一步地，上述步骤1中试件材料强度值的计算公式为：

F

进一步地，上述步骤1中采集的预加拉伸应力在输入人工神经网络前需进行归一化处理，具体计算过程为：

上式中，η为归一化结果，σ为预加拉伸应力，单位为MPa。

进一步地，上述步骤1中试件受加热面的温度以及试件受加热面背面的温度的求解均按照以下公式：

上式中，T为试件受加热面的温度或试件受加热面背面的温度；

T

T

i为3时代表加热区域另一侧边缘的测温点温度或加热区域背面另一侧边缘的测温点温度。

进一步地，上述步骤1中试件受加热面背面的应变按照以下公式计算：

上式中，ε为试件受加热面背面的应变，ε

进一步地，上述步骤1中若加热源为方形激光光斑，则加热源热流密度I为：

I＝P/b

上式中：P为激光出光功率，b为激光光斑边长；

若加热源为圆形激光光斑，则加热源热流密度I为：

I＝0.865P/πr

上式中：r为激光光斑能量分布范围内的86.5％的环围半径；

若加热源为其他辐射热源，则加热功率密度计算公式为

I＝P/S

其中S为辐射热源照射到试件表面的有效面积。

另外，本发明还提供了一种用于实现上述的方法的实验系统，包括万能试验机、烧蚀产物处理装置、激光器、第一测温仪、第二测温仪、应变片、光电探测器以及计算机；

试件通过夹具加持于万能试验机的两端；

烧蚀产物处理装置用于在试件的受辐照表面形成稳定的吹除气流从而排走试件在激光加热过程中产生的烧蚀烟雾；

激光器针对试件的前表面放置，且激光器出射的光束实现对试件宽度方向的全覆盖；

第一测温仪位于试件的前方，用于检测试件前表面的温度；

第二测温仪位于试件的后方，用于检测试件后表面的温度；

应变片为两个，且分别粘贴于试件后表面的两端，用于检测实验中试件后表面的应变变化；

光电探测器用于监测激光器出光的时刻；

计算机与万能试验机、激光器、第一测温仪、第二测温仪、应变片、光电探测器连接，用于对接收的数据进行预处理后形成热-力效应数据，并根据热-力效应数据基于人工神经网络对试件的热环境下材料力学失效进行预测；

所述热-力效应数据包括激光加热功率密度、激光加热时间、前表面温度、后表面温度、预加拉伸应力、试件的材料强度值、试件宽度、试件厚度以及后表面应变。

进一步地，上述第一测温仪和第二测温仪采用热像仪或点温计或者双色测温计。

进一步地，上述烧蚀产物处理装置包括吹气管、排气管、压力容器以及排风装置；

吹气管进气口连接压力容器，吹气管出气口针对吸气管吸气口，吹气管出气口和吸气管吸气口之间形成气流通道；吸气管排气口连接排气装置；压力容器内填充惰性气体。

进一步地，上述应变片的测试频率为1Hz至10Hz；光电探测器的响应波段为532nm～10.6μm。

本发明具有的有益效果如下：

1、本发明所提出的一种预测热环境下材料力学失效的方法，可通过一次热-力实验获取大量有效热力效应数据，建立适用于人工神经网络算法的模型，同时基于训练集与测试集的共同计算，确定模型的超参数，具有建模简单、计算速度快、预报精度高等优点。

2、本发明所提出的一种预测热环境下材料力学失效的实验系统，基于激光辐照加热与多种力学效应测试相结合的方式，可一次实验快速获取材料在多个热-力状态下的效应数据，具有实验效率高、操作简单、成本低廉的优点。

附图说明

图1为本发明中实验系统示意图。

图2为本发明中人工神经网络工作的流程图。

图3为本发明中人工神经网络输入层的数据格式。

附图标记如下：

1-万能试验机；2-激光器、3-第一测温仪、4-第二测温仪、5-应变片；6-光电探测器；7-计算机；8-试件、9-夹具；10-吹气管；11-吸气管；12-输入层；13-隐藏层；14-输出层。

具体实施方式

下面将结合本发明实施例中的附图，对本发明中的相关技术进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的一种预测热环境下材料力学失效的实验方法，其具体实现过程如下：

首先，利用执行多次热力环境实验，进行预处理后，获取多组热-力效应数据；每组热-力效应数据均包括试件的材料强度值、试件宽度、试件厚度、当次实验下试件加热时间以及在当次实验下的加热源热流密度、试件受加热面的温度、试件受加热面背面的温度、预加拉伸应力、试件受加热面背面的应变；

其次，在计算机中构建人工神经网络模型；

接着，将多组热-力效应数据随机划分为训练集和测试集，同时将训练集和测试集分别输入人工神经网络模型中进行训练，确定模型中的超参数；

最后，获取被测试件的一组新的热-力效应数据，并输入训练好的人工神经网络模型中，从而实现了热-力环境下是否发生失效的预测。

为了实现上述方法，如图1所示，本发明提供一种预测热环境下材料力学失效的实验系统，包括包括万能试验机1、烧蚀产物处理装置、激光器2、第一测温仪3、第二测温仪4、应变片5、光电探测器6以及计算机7；

试件8通过夹具9加持于万能试验机1的两端，万能试验机1对试件8施加一定载荷的预应力；

烧蚀产物处理装置用于在试件的受辐照表面形成稳定的吹除气流从而排走试件在激光加热过程中产生的烧蚀烟雾；本实施例中烧蚀产物处理装置采用上吹下吸的方式实现，包括吹气管10、排气管11、压力容器以及排风装置；吹气管10进气口连接压力容器，吹气管10出气口针对吸气管11吸气口，吹气管10出气口和吸气管11吸气口之间形成气流通道；吸气管11排气口连接排气装置；压力容器内填充惰性气体。烧蚀产物处理装置产生的气流流速推荐为10m/s，不低于1m/s，不超过20m/s，气流宽度方向不低于14mm。排气装置推荐使用换气扇。

激光器2的激光光束辐照于试件8前表面上，实现对试件8宽度方向的全覆盖；

第一测温仪3用于监测试件前表面的温度，第二测温仪4用于检测试件后表面的温度；本实施例中第一测温仪3和第二测温仪4推荐使用热像仪，当然也可采用点温计或者双色测温计；

应变片5为两个，且分别粘贴于试件8后表面的两端，用于检测实验中试件后表面的应变变化；

光电探测器6用于监测激光器2出光的时刻；本实施例中光电探测器3的响应波段为532nm～10.6μm；

计算机7与万能试验机1、激光器2、第一测温仪3、第二测温仪4、应变片5、光电探测器6连接，将接收的热-力效应数据转换为人工神经网络所需要的格式，并基于神经网络对试件的热环境下材料力学失效进行预测。

基于上述对实验系统的结构及各部件功能的描述，现对采用该系统进行实验的具体过程进行介绍：

步骤1：执行多次热力环境实验，获取多组获取多组数据并经预处理形成大量适用于人工神经网络计算的热-力效应数据；

每组热-力效应数据均包括试件的材料强度值、试件宽度、试件厚度、当次实验下试件加热时间以及在当次实验下的加热源热流密度、试件受加热面的温度、试件受加热面背面的温度、预加拉伸应力、试件受加热面背面的应变；

每组热-力效应数据对应有标签值，该标签值用于表征当次实验下试件是否发生断裂，通常由0和1表示；

A：每次实验时，试件加热时间间隔不大于5s；

B：不加热的条件下获取的试件材料强度值σ

试件材料强度值的计算公式如下：

F

C：试件厚度为试件在加热前的初始厚度，单位为mm；

D：试件宽度为试件在加热前的初始宽度，单位为mm；

E：获取加热源热流密度；

对于本实施例来说，加热源是激光器，则有：

若激光光斑为方形，则加热源热流密度I为：

I＝P/b

上式中：P为激光出光功率，b为激光光斑边长；

若激光光斑为圆形，则加热源热流密度I为：

I＝0.865P/πr

上式中：r为激光光斑能量分布范围内的86.5％的环围半径；

若加热源为其他辐射热源，则加热功率密度计算公式为

I＝P/S

其中S为辐射热源照射到试件表面的有效面积。

F：试件受加热面的温度由加热区域边缘及中心的三个特征点的平均温度作为表征；

G：试件受加热面背面的温度由加热区域对应的背面区域边缘及中心的三个特征点的平均温度作为表征；

具体求解公式如下：

上式中，T为试件受加热面的温度或试件受加热面背面的温度；

T

T

i为3时代表加热区域另一侧边缘的测温点温度或加热区域背面另一侧边缘的测温点温度；

H：根据向试件施加的荷载求取预加拉伸应力；

上式中，σ为对试件加热时预加拉伸应力，单位为MPa；F为对试件加热时向试件施加的载荷；

I：试件受加热面背面的应变由试件受加热面背面平均应变作为表征；试件受加热面背面的应变按照以下公式计算：

上式中，ε为试件受加热面背面的应变，ε

步骤2：在计算机中构建人工神经网络模型；

人工神经网络模型包括输入层12，隐藏层13，输出层14三个部分，如图2所示。输入层12参数共有九个，与热-力效应数据对应；隐藏层13为一个单层，隐藏层13中的神经元数量不定，数量在1-9000之间，通过计算可确定最佳节点数量；输出层14含一个输出节点；

步骤3：对人工神经网络模型进行训练；

步骤3.1：将多组热-力效应数据随机划分为训练集和测试集；训练集的比例为80％，测试集的比例为20％。

步骤3.2：同时将训练集和测试集分别输入人工神经网络模型中进行训练，确定模型中的参数；

步骤3.2.1：同时将训练集和测试集分别输入人工神经网络模型中，层与层之间的激活函数选择Sigmoid函数，若模型输出值小于0.5,则判定试件未发生断裂；若模型输出值大于0.5，则判定试件发生断裂；将预测结果与步骤1中获取的标签值进行比对，记录模型预测结果正确的数量m，正确率η的计算公式如下所示：

上式中，m

模型中的Sigmoid型函数的表达为；

步骤3.2.2：从1到9000改变人工神经网络模型隐藏层神经元的数量，训练集与测试集均采用梯度下降法的反向传播算法进行训练，当训练集的正确率增大，测试集的正确率减小时，训练停止，将此时的隐藏层神经元数量选定为模型最终的隐藏层神经元数量；

模型采用基于梯度下降法的反向传播算法的表达式具体为：

ω

步骤3.2.3：确定隐藏层神经元数量后，基于训练集进一步采用梯度下降法对模型进行训练，当模型对训练集的结果预测精度最高时，最终确定出神经元与前一层每个神经元之间的连接权值ω

步骤4：预报热-力状态下的被测试件发生力学失效的行为；

获取被测试件的一组新的热-力效应数据，并将其输入训练好的人工神经网络模型中，若输出结果大于0.5，则模型预测试件在此热-力环境下会发生失效；若输出结果小于等于0.5，则模型预测试件在此热-力环境下不会发生失效。

需要说明的是：上述方法不局限于激光加热的状况，若为常规加热状况，并且本发明的方法不局限于材料所处的工况，可以为本实施例中拉伸与压缩应力，也可为弯曲、剪切、扭转等应力状态。