CN110614416B - 一种双相高强钢焊接参数优化方法 - Google Patents
一种双相高强钢焊接参数优化方法 Download PDFInfo
- Publication number
- CN110614416B CN110614416B CN201910764059.0A CN201910764059A CN110614416B CN 110614416 B CN110614416 B CN 110614416B CN 201910764059 A CN201910764059 A CN 201910764059A CN 110614416 B CN110614416 B CN 110614416B
- Authority
- CN
- China
- Prior art keywords
- welding
- parameters
- dual
- strength steel
- phase high
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 84
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 44
- 239000010959 steel Substances 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000000540 analysis of variance Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 8
- 239000011261 inert gas Substances 0.000 abstract 1
- 238000004904 shortening Methods 0.000 abstract 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 abstract 1
- 229910052721 tungsten Inorganic materials 0.000 abstract 1
- 239000010937 tungsten Substances 0.000 abstract 1
- 238000012067 mathematical method Methods 0.000 description 4
- 229910000885 Dual-phase steel Inorganic materials 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 229910001563 bainite Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/16—Arc welding or cutting making use of shielding gas
- B23K9/167—Arc welding or cutting making use of shielding gas and of a non-consumable electrode
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K2103/00—Materials to be soldered, welded or cut
- B23K2103/02—Iron or ferrous alloys
- B23K2103/04—Steel or steel alloys
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Arc Welding In General (AREA)
Abstract
本发明公开了一种双相高强钢焊接参数优化方法，利用响应面法(RSM)与量子遗传算法(QGA)相结合的方法来实现优化具有I型坡口的双相高强钢TIG双面焊接工艺参数，具体包括焊接材料及初始工艺参数的确定、实施焊接与焊后变形量的测量、建立响应面模型、利用QGA求解响应面模型获得最优参数、最优工艺参数的验证等步骤。本发明可通过使用有限的试验次数建立可靠的响应面模型来代替大量的试验，从而实现通过焊接参数预测焊接质量的目的，针对I型坡口的DP590、DP780等双相高强钢的双面TIG焊接，可大大缩短设计周期、实现减小焊接变形量，不仅可以提高生产效率、而且可以提高焊接产品的质量。
Description
技术领域
本发明涉及一种钢材的焊接参数优化方法，具体是一种适用于对I型坡口的DP590、DP780等双相高强钢的双面TIG焊接参数优化方法，属于焊接技术领域。
背景技术
双相高强钢(dual-phase，简称DP钢)，又称复相钢，是由马氏体、奥氏体或贝氏体与铁素体基体两相组织构成的钢，是低碳钢或低合金高强度钢经临界区热处理或控制轧制后而获得。双相高强钢具有重量轻、强度高、成形性好的特点。有数据表明，汽车车身自重每减少10％、则每百公里油耗就会减少5％，因此双相钢已作为汽车轻量化设计中代替传统汽车钢材的首选材料成功应用于汽车产业。
如今在汽车生产行业，运用在车身上最多的为抗拉强度在700～1100MPa级范围内的双相高强钢，其中抗拉强度为700MPa级的双相高强钢应用最为广泛。由于车身一体化成型难度大，因此焊接成为生产车身的必要工序。然而，由于双相高强钢的碳当量过大，因此焊接性较差。此外，在焊接过程中会产生残余应力从而引起变形，甚至产生疲劳裂纹，这极不利于后期装配。因此，如何改善焊接变形对汽车生产而言具有重要意义。
目前，改善焊接变形主要通过改善焊接工艺参数的方式，然而焊接工艺参数的优化主要是依靠大量的试验来获取数据，而且对于操作者要求较高，这就造成人力、财力与时间的浪费，导致生产效率低下。
发明内容
针对上述问题，本发明提供一种双相高强钢焊接参数优化方法，具体针对I型坡口的DP590、DP780等双相高强钢的双面TIG焊接参数优化，能够实现减小焊接变形量，从而实现提高焊接产品质量的目的。
为实现上述目的，本双相高强钢焊接参数优化方法，以获得最小焊接变形量为目标，使用RSM与QGA结合的方法对采用I型坡口的双相高强钢双面TIG焊接工艺参数进行优化，具体包括以下步骤：
步骤一，焊接材料及初始工艺参数的确定：根据焊件材料的牌号选定焊接用焊丝，根据TIG焊接的特性以及材料的焊接性选取焊接参数，参数至少包括焊接电流与焊接速度，利用均匀化设计的方法，将焊接电流与焊接速度参数组合为多组焊接参数，其余焊接参数选用默认值；
步骤二，实施焊接与焊后变形量的测量：通过自动TIG焊接机器手进行焊接，焊接前进行工件预焊接，采用双面焊接完成待工件冷却至室温，然后测量工件的最大变形量；
步骤三，建立响应面模型：将每组工件的焊接电流、速度与其相对应的最大变形量分别列出，并利用最小二乘法计算模型各参数、得出对应的响应面模型，然后利用方差分析法检验所建立的响应面模型与实际数据的拟合程度，当拟合度不小于设定百分值时视为合格；
步骤四，利用QGA求解响应面模型获得最优参数：将所得相应曲面方程作为二元方程，确定焊接电流和焊接速度的自变量范围后，通过设定的量子遗传算法迭代次数、种群数量、量子长度数据，利用QGA算法取负的方法求解获得最值，得到最优工艺参数；
步骤五，最优工艺参数的验证：重复步骤二，将所得工艺参数作为实际生产参数，运用相同的生产条件进行验证，测量实际生产的最大变形量与QGA算法计算所得变形量进行对比，两者误差小于设定百分值时，则视为优化方法可行。
作为本发明的进一步改进方案，步骤四中利用QGA算法的具体方法是：将响应面模型取负后，代入QGA算法进行最大值求解，所得结果再进行一次取负、得出变形量的最小值。
为了实现准确检验所建立的响应面模型与实际数据的拟合程度，作为本发明的进一步改进方案，步骤三中利用方差分析法检验所建立的响应面模型与实际数据的拟合程度，当拟合度不小于95％时视为合格。
为了实现准确验证最优工艺参数的可行性，作为本发明的进一步改进方案，步骤五中测量实际生产的最大变形量与QGA计算所得变形量两者的误差小于5％时，则视为优化方法可行。
作为本发明的一种实施方式，步骤二中测量工件的最大变形量采用立式光学计进行测量。
为了进一步减小变形量，作为本发明的进一步改进方案，步骤二中采用双面焊接过程中，焊接两个面的时间间隔不超过30s。
为了进一步减小变形量，作为本发明的进一步改进方案，步骤二中工件预焊接的预焊接点位于工件其中一面上的焊缝两个端点以及中点位置。
作为本发明的一种实施方式，针对DP780双相高强钢焊接，步骤一中选定的焊接用焊丝型号为ER69-1。
作为本发明的一种实施方式，针对DP780双相高强钢焊接，步骤一中的焊接电流为140A～195A，焊接速度为0.8mm/s～3mm/s。
作为本发明的一种实施方式，针对DP780双相高强钢焊接，步骤四中设定的量子遗传算法迭代次数为200次，设定的种群数量为100，设定的量子长度为40。
与现有技术相比，本双相高强钢焊接参数优化方法利用响应面法(RSM)与量子遗传算法(QGA)相结合的方法上来实现优化具有I型坡口的双相高强钢TIG双面焊接工艺参数，具体针以获得最小焊接变形量为目标，通过建立响应面及RSM算法的方式来减少试验次数、并且能够通过焊接参数预测焊后变形量，即可通过使用有限的试验次数建立可靠的响应面模型来代替大量的试验，从而实现通过焊接参数预测焊接质量的目的，利用QGA算法来求解复杂的响应面模型来获得最优工艺参数，结合QGA来求解复杂的响应曲面模型以获得最值，进而优化焊接工艺参数，针对I型坡口的DP590、DP780等双相高强钢的双面TIG焊接，可大大缩短设计周期、实现减小焊接变形量，不仅可以提高生产效率、而且可以提高焊接产品的质量。
附图说明
图1是响应面模型的平面等线图；
图2是量子遗传算法的迭代过程。
具体实施方式
随着数学科学的发展，越来越多的数学代理模型与生产结合从而优化产品质量的研究越来越多的被报道。但在焊接领域，这些方法还未得到广泛地运用。焊接接头的质量与工艺人员对参数的把控有直接关系。正是由于焊接生产中对于工艺参数的控制具有主观性，因此，焊接接头的质量往往不能达到最优，从而导致产品服役周期短、存在安全隐患等问题。而将数学方法运用于焊接参数优化当中，由于全部优化过程仅仅通过一系列算法与模型来实现，因此，运用数学方法来优化焊接参数能够有效地避免在设计工艺阶段人为主观性所带来的影响，使焊接接头的性能更进一步地提升。同时，由于所建立的数学模型来源于试验数据，且又运用于实际生产，它不是依靠多年生产得出的经验，而是一个客观的模型，这样一来，运用数学方法来优化焊接工艺参数能够很好的解决一般优化方法的普适性不足的问题。本申请即是基于运用数学方法此基础、利用响应面法(RSM)与量子遗传算法(QGA)相结合的方法上来实现优化具有I型坡口的双相高强钢TIG双面焊接工艺参数。
下面以上海宝钢集团生产的DP780高强度钢板TIG焊接工艺参数优化为例对本发明做进一步说明。
试验所用材料是上海宝钢集团生产的DP780高强度钢板，其形状大致为一个长方形薄板，两块钢板对接坡口类型为I型，坡口距离为1.2mm，其化学成分与力学性能分别如表1与表2所示。焊接过程在全自动焊接机器人上完成。
表1 DP780双相高强钢化学成分(％)
表2 DP780力学性能
步骤一，焊接工艺参数的确定：
选取焊接电流为140A～195A，焊接速度为0.8mm/s～3mm/s，将此范围的焊接电流与焊接速度按照均匀化设计方法分成12组、保证每组的间隔相等，生成12组参数，并根据公式E＝UIη/v计算各组的热输入，结果如表3所示。
式中：U—焊接电压(V)，根据公式U＝14+0.06I计算得出；
I—焊接电流(A)；
η—焊接热效率(％)，TIG焊接η值取0.75；
v—焊接速度(mm/s)。
表3.焊接参数安排结果
步骤二，实施焊接与焊后变形量的测量：
整个焊接过程由自动TIG焊接机器手完成。在焊接前，将工件进行预焊接，预焊接点位于工件其中一面上焊缝的两个端点以及中点位置。采用双面焊接，将各组焊接参数输入自动TIG焊接机器手***中来自动执行焊接，且焊接两个面的时间间隔不超过30s。焊接完成后，待工件冷却至室温。利用立式光学计测量工件的最大变形量。最大变形量测量结果如表3所示(结果保留6位有效数字)。
表4各组最大变形量
由表4可以看出，第6组的变形量最小，结合各组热输入可知，当热输入越大时，焊接产生的变形量相应的也越大。
步骤三，建立响应面模型：
将12组工件的焊接电流、速度与其相对应的最大变形量分别列出，并通过最小二乘法来估计模型各参数，得出对应的响应面模型，得出对应的响应面模型，运用方差分析法检验所建立的响应面模型与实际数据的拟合程度，检验结果如表5所示，由表可知所建立的响应面模型的拟合度为99.62％，大于95％，因此可以用于参数优化当中。
表5方差分析检验结果
绘制响应面模型的平面等线图如图1所示。由图1可以看出，当焊接电流越小且焊接速度越大时，产生的焊接变形量就越小，反之则越大。可以根据最小二乘法估计模型参数，最终得出响应面模型方程：
变形量＝0.29779+0.00876253*A+0.91165*B-0.18844*B2
-0.00898202*A*B-0.041963*B3+0.00244528*A*B2
式中：A为焊接电流(A)，B为焊接速度(mm/s)。
步骤四，利用QGA求解响应面模型获得最优参数：
将所得相应曲面方程作为二元三次方程，确定焊接电流、焊接速度的范围后，输入至QGA算法当中，利用QGA求解以获得最值，其中，量子遗传算法迭代次数为200次，种群数量为100，量子长度为40，从而进一步得到最优工艺参数。由于QGA算法是一种求最大值的算法，因此采用取负的方法来求得最小焊接变形量，具体方法为：将响应面模型取负后，代入量子遗传算法进行最大值求解，所得结果再进行一次取负，即可得出变形量的最小值。此时，所对应的解也就是最优工艺参数。迭代过程示意图如图2所示。最终得出结果为：当焊接电流为140A，焊接速度为3mm/s时，所获得的焊接变形量最小，最小变形量为0.74mm。
步骤五，最优工艺参数的验证：
重复步骤二，将所得工艺参数作为实际生产参数，运用相同的生产条件进行验证。经测量，实际生产的最大变形量为0.73mm，与QGA计算结果的误差为1.37％，因此，符合误差要求，能够进一步的运用于实际生产当中，从而提高生产效率。
Claims (9)
1.一种双相高强钢焊接参数优化方法，其特征在于，以获得最小焊接变形量为目标，使用响应面法与量子遗传算法结合的方法对采用I型坡口的双相高强钢双面TIG焊接工艺参数进行优化，具体包括以下步骤：
步骤一，焊接材料及初始工艺参数的确定：根据焊件材料的牌号选定焊接用焊丝，根据TIG焊接的特性以及材料的焊接性选取焊接参数，参数至少包括焊接电流与焊接速度，利用均匀化设计的方法，将焊接电流与焊接速度参数组合为多组焊接参数，其余焊接参数选用默认值；
步骤二，实施焊接与焊后变形量的测量：通过自动TIG焊接机器手进行焊接，焊接前进行工件预焊接，采用双面焊接完成待工件冷却至室温，然后测量工件的最大变形量；
步骤三，建立响应面模型：将每组工件的焊接电流、速度与其相对应的最大变形量分别列出，并利用最小二乘法计算模型各参数、得出对应的响应面模型，然后利用方差分析法检验所建立的响应面模型与实际数据的拟合程度，当拟合度不小于设定百分值时视为合格；
步骤四，利用量子遗传算法求解响应面模型获得最优参数：将所得相应曲面方程作为二元方程，确定焊接电流和焊接速度的自变量范围后，通过设定的量子遗传算法迭代次数、种群数量、量子长度数据，将响应面模型取负后，代入量子遗传算法进行最大值求解，所得结果再进行一次取负、得出变形量的最小值，得到最优工艺参数；
步骤五，最优工艺参数的验证：重复步骤二，将所得工艺参数作为实际生产参数，运用相同的生产条件进行验证，测量实际生产的最大变形量与量子遗传算法计算所得变形量进行对比，两者误差小于设定百分值时，则视为优化方法可行。
2.根据权利要求1所述的双相高强钢焊接参数优化方法，其特征在于，针对DP780双相高强钢焊接，步骤一中选定的焊接用焊丝型号为ER69-1。
3.根据权利要求2所述的双相高强钢焊接参数优化方法，其特征在于，针对DP780双相高强钢焊接，步骤一中的焊接电流为140A～195A，焊接速度为0.8mm/s～3mm/s。
4.根据权利要求3所述的双相高强钢焊接参数优化方法，其特征在于，针对DP780双相高强钢焊接，步骤四中设定的量子遗传算法迭代次数为200次，设定的种群数量为100，设定的量子长度为40。
5.根据权利要求1至4任一权利要求所述的双相高强钢焊接参数优化方法，其特征在于，步骤三中利用方差分析法检验所建立的响应面模型与实际数据的拟合程度，当拟合度不小于95%时视为合格。
6.根据权利要求1至4任一权利要求所述的双相高强钢焊接参数优化方法，其特征在于，步骤五中测量实际生产的最大变形量与量子遗传算法计算所得变形量两者的误差小于5%时，则视为优化方法可行。
7.根据权利要求1至4任一权利要求所述的双相高强钢焊接参数优化方法，其特征在于，步骤二中测量工件的最大变形量采用立式光学计进行测量。
8.根据权利要求1至4任一权利要求所述的双相高强钢焊接参数优化方法，其特征在于，步骤二中采用双面焊接过程中，焊接两个面的时间间隔不超过30s。
9.根据权利要求1至4任一权利要求所述的双相高强钢焊接参数优化方法，其特征在于，步骤二中工件预焊接的预焊接点位于工件其中一面上的焊缝两个端点以及中点位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910764059.0A CN110614416B (zh) | 2019-08-19 | 2019-08-19 | 一种双相高强钢焊接参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910764059.0A CN110614416B (zh) | 2019-08-19 | 2019-08-19 | 一种双相高强钢焊接参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110614416A CN110614416A (zh) | 2019-12-27 |
| CN110614416B true CN110614416B (zh) | 2021-02-05 |
Family
ID=68921878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910764059.0A Active CN110614416B (zh) | 2019-08-19 | 2019-08-19 | 一种双相高强钢焊接参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110614416B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111521495B (zh) * | 2020-04-30 | 2022-10-25 | 江苏师范大学 | 一种双相高强钢焊接粗晶区韧性优化方法 |
| CN112685848B (zh) * | 2020-12-16 | 2022-01-28 | 中建三局第一建设工程有限责任公司 | 一种q690d高强钢厚板多层多道焊焊接参数的优化方法 |
| CN114757660B (zh) * | 2022-06-10 | 2022-09-06 | 苏州翔楼新材料股份有限公司 | 一种基于应用分析的冷轧钢带制备方法及*** |
| CN115870659A (zh) * | 2022-12-23 | 2023-03-31 | 蜂巢能源科技(马鞍山)有限公司 | 一种确定箔材焊接参数的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2954970A1 (en) * | 2014-06-12 | 2015-12-16 | Serra Soldadura, Sau | Method of optimizing welding parameters in resistance welding processes and computer program thereof |
| CN105279291A (zh) * | 2014-06-17 | 2016-01-27 | 武汉科技大学 | 一种面向批量加工的堆焊工艺参数优化方法 |
| CN107598370A (zh) * | 2017-08-28 | 2018-01-19 | 温州大学 | 一种钢/铝激光焊接的工艺优化方法 |
| CN109190152A (zh) * | 2018-07-23 | 2019-01-11 | 桂林电子科技大学 | 一种减小功率循环-谐响应耦合下的应力的csp焊点结构参数优化方法 |
| CN109190273A (zh) * | 2018-09-13 | 2019-01-11 | 合肥工业大学 | 一种产品等离子喷焊修复工艺参数优化方法 |
| CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
-
2019
- 2019-08-19 CN CN201910764059.0A patent/CN110614416B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2954970A1 (en) * | 2014-06-12 | 2015-12-16 | Serra Soldadura, Sau | Method of optimizing welding parameters in resistance welding processes and computer program thereof |
| CN105279291A (zh) * | 2014-06-17 | 2016-01-27 | 武汉科技大学 | 一种面向批量加工的堆焊工艺参数优化方法 |
| CN107598370A (zh) * | 2017-08-28 | 2018-01-19 | 温州大学 | 一种钢/铝激光焊接的工艺优化方法 |
| CN109190152A (zh) * | 2018-07-23 | 2019-01-11 | 桂林电子科技大学 | 一种减小功率循环-谐响应耦合下的应力的csp焊点结构参数优化方法 |
| CN109190273A (zh) * | 2018-09-13 | 2019-01-11 | 合肥工业大学 | 一种产品等离子喷焊修复工艺参数优化方法 |
| CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于响应面法的SPCC与65Mn异种金属激光焊接工艺参数优化;徐茂等;《应用激光》;20170615;第37卷(第03期);362-366 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110614416A (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110614416B (zh) | 一种双相高强钢焊接参数优化方法 | |
| Kobryn et al. | Additive manufacturing of aerospace alloys for aircraft structures | |
| US9689789B2 (en) | Damage evaluation method and maintenance evaluation index decision method | |
| Rao et al. | Experimental investigation on submerged arc welding of Cr–Mo–V steel | |
| Junqueira et al. | Analysis of spot weld distribution in a weldment—numerical simulation and topology optimization | |
| CN109226933A (zh) | 一种大厚度低合金高强度钢多层多焊道焊接工艺确定方法 | |
| Zhao et al. | The use of TOPSIS-based-desirability function approach to optimize the balances among mechanical performances, energy consumption, and production efficiency of the arc welding process | |
| Hong et al. | Research on gradient additive remanufacturing of ultra-large hot forging die based on automatic wire arc additive manufacturing technology | |
| Casarini et al. | Optimization and influence of GMAW parameters for weld geometrical and mechanical properties using the Taguchi method and variance analysis | |
| Lenin et al. | Process parameter optimization in ARC welding of dissimilar metals | |
| CN115488539B (zh) | 提高搭接角焊缝t型接头疲劳性能的焊接方法 | |
| Sabry | Experimental and statistical analysis of possibility sources–rotation speed, clamping torque and clamping pith for quality assessment in friction stir welding | |
| Upreti et al. | Prediction of angular distortion in TIG welded stainless steel 202 sheets by using mathematical modeling | |
| CN115216618B (zh) | 一种铁路钢轨焊缝接头磨耗的控制方法及装置 | |
| Dhawale | Prediction of weld strength by parametric optimization of resistance spot welding using Taguchi method | |
| JP7245591B2 (ja) | インダイレクトスポット溶接方法 | |
| Sarfcar et al. | Application of grey-based Taguchi method for optimising gas metal arc welding of stainless steels | |
| CN109909645B (zh) | 一种厚板单面填充焊接接头残余应力变形控制方法 | |
| CN106493504A (zh) | 烧结机的星轮齿板在线修复方法 | |
| Jung et al. | Fatigue strength optimisation of friction stir welded A6005-T5 alloy sheets | |
| CN117300349A (zh) | 一种钢/铝异种金属激光焊接工艺参数优化方法 | |
| Zhang | Evolution of computer simulation and optimization with potential for machine learning and artificial intelligence | |
| Chan et al. | Effect of electrode geometry on resistance spot welding of AHSS | |
| Messner et al. | ASME Code Qualification Plan for LPBF 316 SS | |
| Berglund | Simulation of welding and stress relief heat treating in the development of aerospace components |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240205 Address after: 401329 No. 99, Xinfeng Avenue, Jinfeng Town, Gaoxin District, Jiulongpo District, Chongqing Patentee after: Chongqing Science City Intellectual Property Operation Center Co.,Ltd. Country or region after: China Address before: 221000 No. 101, Shanghai Road, Copper Mt. New District, Jiangsu, Xuzhou Patentee before: Jiangsu Normal University Country or region before: China |
|
| TR01 | Transfer of patent right |