第八期-M - K模型與Lou - Huh判據預測AA7075 - T6薄板成形極限的比較研究

2022-01-31 燕大鍛壓

期刊：TRANSACTIONS OFNONFERROUS METALS SOCIETY OF CHINA (IF=2.61,中科院2區)

簡要：

高強鋁板塑性成形中的斷裂失效預測是輕合金零部件製造中的基礎問題，也是輕量化製造領域的熱門話題。基於頸縮現象建立的傳統拉伸失穩理論不太適用於輕質高強類板材的斷裂特徵，近年來興起的損傷斷裂理論在該方面應用與研究頗多。為了能夠有效預測AA7075-T6高強鋁板的破裂，依據M−K模型(拉伸失穩理論)與Lou−Huh準則(韌性斷裂準則)分別繪製AA7075-T6高強鋁板成形極限曲線，通過缺口試樣誤差評估比較兩種理論預測模型預測值與試驗值之間的相對誤差，並通過半球形剛模脹形試驗對兩種理論預測模型繪製的成形極限曲線進行驗證，以此評價M−K模型與Lou−Huh準則的預測精度。由誤差分析可知，採用最優斷裂參數的Lou−Huh準則對各拉伸試樣的誤差均值為25.04%，而M−K模型對各拉伸試樣的誤差均值達到74.24%，Lou−Huh準則對AA7075-T6板材的破裂預測精度較高。半球形剛模脹形試驗驗證結果表明，用Lou−Huh準則繪製的成形極限曲線能夠有效預測。該研究工作解決了高強鋁板成形極限判定關鍵問題，推進了韌性斷裂準則的工程應用。

相關焦點

  • R語言時間序列預測模型:ARIMA vs KNN
    1總述要找到一個合適的模型來預測時間序列數據總是很困難。其中一個原因是，使用時間序列數據的模型往往會暴露出序列相關性。在這篇文章中，我們將比較數據集a101991年至2008年澳大利亞每月的抗糖尿病藥物補貼。
  • [筆記] 時間序列--非平穩序列之ARIMA模型擬合+預測的R命令(上)
    Cramer分解任何一個時間序列x[t]都可以視為兩部分的疊加，一部分是由時間t的多項式決定的確定性成分
  • 3種加速壽命試驗方法比較
    序加試驗可以看作步進應力的階梯取很小的極限情況。加速壽命試驗常用的模型有阿倫尼斯（Arrhenius）模型、愛倫（Eyring）模型以及以電應力為加速變量的加速模型。實際中Arrhenius模型應用最為廣泛，本文主要介紹基於這種模型的試驗。 Arrhenius模型反映電子元器件的壽命與溫度之間的關係，這種關係本質上為化學變化的過程。
  • 克服大型構件的應力鬆弛,我們有蠕變時效成形技術!
    在2000 年，美國國家航空航天局啟動了整體機身結構研究計劃（IAS），項目組針對波音747 機身壁板比較了整體壁板與傳統鉚接壁板兩種製造方式，在滿足各向性能的條件下，整體壁板表現出了優異的性能，如表1所示。
  • R語言ARIMA集成模型預測時間序列分析
    我們使用以下數據k=620n=nrow(elec)futu=(k+1):ny=electricite$Load[1:k]plot(y,type="l")我們開始對溫度序列進行建模（溫度序列對電力負荷的影響很大）
  • 時間序列預測概述
    2、寬平穩時間序列的定義：設時間序列yt，對於任意的t,k和m，滿足：　　E(yt) = E(yt + m)　　cov(yt,yt + k) = cov(yt + m,yt + m + k)　　則稱yt寬平穩。　　3、Box-Jenkins方法是一種理論較為完善的統計預測方法。
  • 如何建立神經網絡預測模型
    最近忙畢設,公眾號好久沒更新，想來想去不知道寫啥，就講點畢設裡面用到的神經網絡預測模型吧！1 模型輸入輸出介紹1.1 回歸神經網絡模型輸入輸出介紹輸入神經元可以理解為自變量，輸出神經元可理解為因變量。圖1-1 三層神經網絡圖% 輸入數據矩陣，並將導入的結構數組轉換成矩陣u = cell2mat(struct2cell(load('data.mat'))); %導入mat文件數據p = u(1:5,:); %1-5行表示5個輸入神經元t = u(6:7,:);
  • 珍貴資料:非球面玻璃透鏡模壓成形技術(下篇)
    物理氣相沉積法是比較成熟的技術，但是存在能量使用率低、鍍膜效率低的問題，而且膜層的均厚性、緻密性及粘附性能有待提高，尤其針對非球面模具，膜層的均厚度更難控制。未來鍍膜技術將更多的考慮環保，側重於新工藝和新設備複合應用、納米薄膜及納米複合薄膜材料開發、多元多層複合薄膜的研究。 光學玻璃透鏡模壓成形技術，是逐漸發展並不斷完善而成的。
  • 第三十六講 R-回歸預測模型的交叉驗證
    83.1        45.1           6         9    84.84             22.2研究問題：根據社會經濟相關的多個指標（Agriculture，Examination，Education，Catholic，Infant.Mortality）預測生育力得分（Fertility）。
  • 時間序列模型(三)——馬爾可夫模型
    而n個狀態組成的行向量稱為在時刻k的分布。       一般地，如果k時刻的分布π*，能使得模型在之後的各個時刻的分布相等，即π*=π*P。（P是轉移概率矩陣）則稱π*為模型的一個平穩分布，其往往具有唯一性。如果一個模型存在唯一的平穩分布π*，則無論初始分布是什麼，隨著時間的推移（時間足夠長），該模型的分布會逐漸趨向，並在時刻k之後穩定於π*。這也被稱為模型的漸進行為，或者極限行為。
  • 模型評估和性能度量
    模型評估方法主要是為了通過分配訓練集和測試集來估算模型在未知數據集中的泛化能力，以此調整參數或選擇模型；性能度量主要是通過設立的不同指標，從各方面衡量模型的性能，如模型預測的精確性等。大白話來說，就是如何評價機器學習模型好不好。由於各類方法和指標的概念較多，因此現實中許多人錯誤理解或使用相關概念，從而造成了一些事與願違的案例。
  • 時間序列 ARMA 模型實戰!
    ARMA模型有三種基本形式：移動平均模型（MA，Moving Average）移動平均模型根據歷史預測誤差進行預測。上圖ACF在k=1很大，在k=3和k=9也比較明顯，可以考慮擬合 MA(3) 或 MA(9)。回歸配平均效果翻倍AR模型有偏自相關函數截尾性質，MA模型有相關函數截尾性質。
  • iCover視界 | 全球恐怖襲擊事件的ARMA模型預測及波動周期分析
    該文通過統計診斷和基於該模型的預測與實際發生情況的比較，驗證了該模型的適用性。在時間序列模型中，由自回歸模型AR(p)和移動平均模型MA(q)兩個模型組合而成的自回歸移動平均模型ARMA(p,q)，是研究時間序列變量的變化規律和進行預測的重要模型。自回歸 AR(p) 模型，Yt是由前 1期直到前p期的觀察值的加權平均、再加當期的隨機擾動項（殘差）ut 組成的：建立一個時間序列模型主要包括三個步驟：一是時間序列的識別和模型形式 確定；二是模型參數估計；三是模型的診斷檢驗。
  • 數學建模 ▏時間序列模型之移動平均法
    一次簡單移動平均值計算公式為：當預測目標的基本趨勢是在某一水平上下波動時，可用一次簡單移動平均方法建立預測模型：最近 N 期序列值的平均值作為未來各期的預測結果。一般 N 取值範圍：5 ≤ N ≤ 200。當歷史序列的基本趨勢變化不大且序列中隨機變動成分較多時， N 的 取值應較大一些。否則 N 的取值應小一些。
  • 【技術文獻】Baker- Strehlow 模型在可燃氣雲爆炸後果預測中的應用
    Baker- Strehlow 模型在可燃氣雲爆炸後果預測中的應用 Baker- Strehlow 模型; 蒸氣雲爆炸;後果預測; 傷害範圍分析了蒸氣雲爆炸的發生條件、爆炸機理,介紹了蒸氣雲爆炸後果預測的 Baker- Strehlow 模型,闡述了 Baker- Strehlow 模型的基本原理,給出了無量綱距離和無量綱側向峰值超壓的關係,以及火焰傳播速度選取的原則
  • 彈簧成形模具現狀及發展方向研究
    因此，研究彈簧生產製造的學者不多，其研究方向也大多集中在線材成形及回彈等方面；關於成形模具的研究較少，僅在少量文獻中被提及。針對目前對彈簧成形模具的研究還處於探索階段的現狀，通過文獻閱讀與實地調研的方式，對彈簧成形模具進行概述，分析其在使用過程中存在的問題，同時對其發展方向進行展望，為彈簧成形模具的進一步研究奠定基礎。
  • 高斯混合模型與EM算法的數學原理及應用實例
    GMM使用若干個高斯分布的加權和作為對觀測數據集進行建模的基礎分布, 而由中心極限定理我們知道, 大量獨立同分布的隨機變量的均值在做適當標準化之後會依分布收斂於高斯分布, 這使得高斯分布具有普適性的建模能力, 繼而奠定了使用高斯分布作為主要構成部件的GMM進行數據建模的理論基礎. GMM是典型的概率圖模型  , GMM與其變種k-means(k均值)算法都是工業實踐中經常使用的聚類工具.
  • R與生物專題 | 第四十二講 R-回歸預測模型的交叉驗證
    5         2   100.00            18.3 76.1        35.3           9         7    90.57             26.6 83.1 45.1 6 9 84.84 22.2
  • 如何使用Mask RCNN模型進行圖像實體分割?
    在目標檢測裡面，低層的特徵圖信息量比較少，但是特徵圖比較大，所以目標位置準確，所以容易識別一些小物體；高層特徵圖信息量比較豐富，但是目標位置比較粗略，特別是 stride 比較大（比如 32），圖像中的小物體甚至會小於 stride 的大小，造成小物體的檢測性能急劇下降。
  • 正則線性模型
    注意看α是如何使預測更平坦的（也就是不那麼極端，更為合理）；這降低了模型的方差，但是提升了偏差。np.random.seed(42)m = 100X = 6 * np.random.rand(m, 1) - 3y = 2 + X + 0.5 * X**2 + np.random.randn(m, 1)X_train, X_val, y_train, y_val = train_test_split(X[:50], y[:50]