金属学报  2002, Vol. 38 Issue (2): 145-148

论文 本期目录 | 过刊浏览 |

热变形参数对Ti-15-3合金显微组织的影响及预测

李萍; 薛克敏; 吕炎; 谭建荣

浙江大学机械与能源工程学院; 杭州 310027

李萍; 薛克敏; 吕炎; 谭建荣 . 热变形参数对Ti-15-3合金显微组织的影响及预测[J]. 金属学报, 2002, 38(2): 145-148 .

摘要 参考文献 相关文章 Metrics 全文: PDF(157 KB)   摘要: 通过等温压缩试验和金相分析研究了热变形参数对Ti-15-3(Ti-15V-3Cr-3Sn-3Al)合金固溶处理后显微组织的影响. 等效晶粒尺寸随变形温度升高而增大. 随变形程度和变形速率而减小; 再结晶程度随变形升高而减小. 随变形程度和变形速率增加而增大. 采用人工神经网络的方法建立了等效晶粒尺寸及再结晶晶粒体积百分数与变形程度, 变形速率和变形温度间的数学模型. 预测值与实测值吻合较好. 表明该方法很好地预测热变形参数对Ti-15-3合金固溶处理后显微组织的影响. 关键词 ： Ti-15-3合金,  人工神经网络,  等效晶粒尺寸     Key words： 收稿日期: 2001-05-09      ZTFLH:  TG136   服务 把本文推荐给朋友 加入引用管理器 E-mail Alert RSS 作者相关文章 李萍 薛克敏 吕炎 谭建荣 44.8K 链接本文: https://www.ams.org.cn/CN/Y2002/V38/I2/145 [1]　Chen　Y　W.　Chin　J　Rare　Met,　1996,　4:　297 陈王文.稀有金属.1996;4:297) [2]　E.O.Ezugwu,　Z　M　Wang.　J　Mater　Proc　Technol,　1997;68:　262 [3]　Gottstein　G,　Marx　V,　Sebald　R.　Shanghaz　JiaotongUniv,　2000;　5(1):　49 [4]　Zhe　W,　Takashi　I,　Nobuki　Y,　Akira　K.　Annals　CIRP,1999;　48(1):　187 [5]　Yao　Z　K,　Guo　H　Z,　Shu　Z　W.　Rare　Met　Mater　Eng,2D00:　29:　340 (姚泽坤.郭鸿镇.苏祖武.稀有金属材料与工程.2000;29:340) [6]　Cui　F　K,　Wang　X　Q,　Zhang　F　S.　Mater　Sci　Technol,2000;　8(3):　109 (崔凤奎.王晓强,张丰收　.材料科学与工艺.2000;8(3):109) [7]　Zhang　J　M,　Gao　Z　Y,　Zhuang　J　Y,　Zhong　Z　Y.　J　MaterProc　Technol,　1999;　88:　244 [8]　Xu　Y　R,　Chen　LS,　Wang　D　Y.　Iron　Steel,　2000;　35(10):51 (涂有容　陈良生、王德英　钢铁.20002　35(10):51) [9]　Rao　K　P,　Prasad　Y　K　D　V.　J　Mater　Proc　Technol,　1995;53:　552 [10]　Liu　Q　B,　Ji　Z,　Liu　M　B.　J　Mater　Proc　Technol,　1996;62:　206 [11]　Wang　X　Y,　Qiu　G　Z.　Trans　Nondrmus　Met　Soc　Chin,1998;　8(1):　142 [1] 侯介山,周兰章,郭建亭,袁超. NiAl合金超塑性的人工神经网络预测[J]. 金属学报, 2013, 49(11): 1333-1338. [2] 邓天勇 吴迪 许云波 赵彦峰 刘相华 王国栋. 普碳钢中厚板热轧温度制定的一种新的数学方法[J]. 金属学报, 2009, 45(1): 67-72. [3] 由伟; 白秉哲; 方鸿生 ; 谢锡善 . 用人工神经网络模型预测钢的奥氏体形成温度[J]. 金属学报, 2004, 40(11): 1133-1137 . [4] 李新城; 陈光; 朱伟兴; 王匀; 张开华; 汪建敏 . 齿轮选材及热处理工艺智能专家系统[J]. 金属学报, 2004, 40(10): 1051-1054 . [5] 骆宇时; 彭志方 . 镍基高温合金中γ’和γ相点阵常数的简捷人工神经网络预测法[J]. 金属学报, 2003, 39(9): 897-902 . [6] 李锋军; 沈厚发; 柳百成 . 消失模铸造充型过程的模拟方法[J]. 金属学报, 2003, 39(7): 686-690 . [7] 由伟; 方鸿生; 白秉哲 . 用反向传播人工神经网络预测低碳低合金钢的马氏体转变开始温度[J]. 金属学报, 2003, 39(6): 630-634 . [8] 王春水; 彭志方; 于洋洋 . 人工神经网络预测变形高温合金的持久强度[J]. 金属学报, 2003, 39(12): 1251-1254 . [9] 薛小怀; 钱百年; 于少飞; 国旭明; 杨柯; 訾炳涛 . 熔敷金属力学性能人工神经网络预测法的应用[J]. 金属学报, 2001, 37(9): 947-951 . [10] 张兆春;吴铸;李重河;钦佩;陈念贻. 模式识别─人工神经网络在改善汽车发动机缸体铸件力学性能方面的应用[J]. 金属学报, 1998, 34(10): 1068-1072. [11] 刘刚;陈瑞亮;李重河;陈念贻. 熔盐-液体金属相互溶解度的规律性[J]. 金属学报, 1997, 33(9): 939-942. [12] 郭进;李重河;钦佩;曾文明;陈念贻. AB_5型贮氢合金P-C关系的人工神经网络研究[J]. 金属学报, 1996, 32(3): 333-33. [13] 张鹏;崔建忠;张奇志;杜云慧;富江涛;巴立民. 人工神经网络在不锈钢-铝固液相压力复合研究中的应用[J]. 金属学报, 1996, 32(12): 1275-1278. [14] 蔡煜东;许伟杰;陈念贻. 自组织人工神经网络用于金属间化合物三元填隙D88结构形成条件的判别[J]. 金属学报, 1995, 31(18): 280-283. [15] 唐波;钦佩;柳妙修;张未名;陈念贻. 人工神经网络在熔盐相图中间相预报中的应用[J]. 金属学报, 1994, 30(13): 22-26. Viewed Full text Abstract Cited   Shared      Discussed