CN113076570A - 一种增材修复与再制造反演设计与逆向规划方法 - Google Patents

一种增材修复与再制造反演设计与逆向规划方法 Download PDF

Info

Publication number
CN113076570A
CN113076570A CN202110257078.1A CN202110257078A CN113076570A CN 113076570 A CN113076570 A CN 113076570A CN 202110257078 A CN202110257078 A CN 202110257078A CN 113076570 A CN113076570 A CN 113076570A
Authority
CN
China
Prior art keywords
repair
performance
additive
remanufacture
base material
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.)
Granted
Application number
CN202110257078.1A
Other languages
English (en)
Other versions
CN113076570B (zh
Inventor
王晓明
朱胜
孙金钊
高雪松
肖猛
杨柏俊
李壬栋
任智强
韩国峰
赵阳
常青
王文宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202110257078.1A priority Critical patent/CN113076570B/zh
Publication of CN113076570A publication Critical patent/CN113076570A/zh
Application granted granted Critical
Publication of CN113076570B publication Critical patent/CN113076570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Abstract

本发明公开了一种增材修复与再制造反演设计与逆向规划方法，通过实验与模型计算获得“基体材料→修复材料→修复工艺→性能”的关联数据；采用Qt编程架构在Windows操作***下开发增材修复与再制造数据库；基于深度学习神经网络架构，建立“使役性能→修复工艺→修复材料”逆向反演映射关系，以使役性能、损伤建基体材料为输入，修复材料与工艺为输出，实现损伤零件增材修复与再制造修复材料与工艺的快速准确确定。本发明针对现场增材修复与再制造实际过程，实现“使役性能→修复工艺→修复材料”的反演设计与逆向规划；打破传统“成分→工艺→性能”的正向设计与实际增材修复与再制造的逆向过程脱离问题，解决了装备损伤件现场快速修复***的难题。

Description

一种增材修复与再制造反演设计与逆向规划方法
技术领域
本发明属于增材修复与再制造技术领域，尤其涉及一种增材修复与再制造反演设计与逆向规划方法。
背景技术
能源、机械、航空等领域大型重载关重件的现场维修再制造，以及远海、隧道等特殊环境下零部件的现场快速修复，是长期制约我国重大工程运行效能/效益的关键“瓶颈”问题。与传统正向设计由材料性能决定产品功能模式相反，现场增材修复与再制造反演设计针对修复产品使役性能需求，推演出材料结构组织和成分，进而选用合适加工工艺的逆向推演过程。
目前，增材修复与再制造的研究主要针对的是“成分→工艺→性能”的正向设计，这是因为此过程的内在关系为线性，可以通过物理模型的推导建立内在响应关系。然而对于“使役性能→修复工艺→材料属性”的反演过程却是非线性的，反演设计与逆向规划难度大，目前仍缺乏相关研究。因此如何实现增材修复与再制造反演设计与逆向规划，从而满足装备特定环境的现场抢修是现今存在的重大技术难题。
发明内容
有鉴于此，本发明提出一种增材修复与再制造反演设计与逆向规划方法，基于增材修复与再制造数据库(包含损伤零件基体材料、修复材料、使役性能、微观结构、修复工艺数据)，结合深度学习神经网络架构实现增材修复与再制造反演设计与逆向规划。
为此，本发明提出了以下技术方案：
一种增材修复与再制造反演设计与逆向规划方法，该方法包括以下步骤：
获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据；所述源数据至少包括基体材料、修复材料、修复工艺和修复后性能数据；
基于所述关联数据建立增材修复与再制造数据库；
基于所述增材修复与再制造数据库，建立基于深度学习神经网络架构的逆向反演映射关系模型，所述逆向反演映射关系模型反映“使役性能→修复工艺→修复材料”逆向反演映射关系，所述逆向反演映射关系模型以基体材料、使役性能为输入，以修复材料与工艺为输出；
确定损伤零件的基体材料和修复后使役性能；
将所述损伤零件的基体材料和修复后使役性能输入所述逆向反演映射关系模型，得到所述损伤零件的增材修复与再制造修复材料与工艺。
进一步地，获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据，包括：
考虑损伤零件在材料种类、表现形式、处理工艺方面的多样性，针对增材修复与再制造过程中异质材料界面匹配、熔池冶金行为的差异，针对不同热源的修复工艺，开展增材修复与再制造实验，获得“基体材料→修复材料→修复工艺→性能”的关联数据。
进一步地，获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据，包括：
通过增材修复与再制造过程中不同工艺热源模型、组织演化模型以及性能预测模型，获得“基体材料→修复材料→修复工艺→性能”的关联数据。
进一步地，基于所述关联数据建立增材修复与再制造数据库，包括：
采用Qt编程架构在Windows操作***下开发增材修复与再制造数据库。
进一步地，所述修复后使役性能由未损伤零件的使役性能决定，修复后使役性能不低于未损伤零件使役性能的90％。
进一步地，修复材料包括多种集约化修复材料；
修复工艺包括电弧、激光、等离子；
性能包括硬度、屈服强度、抗拉强度、摩擦磨损。
本发明具有以下有益效果：
本发明打破传统增材修复与再制造领域“成分→工艺→性能”的正向设计传统思路，基于增材修复与再制造实际过程，建立增材修复与再制造数据库并融合深度学习神经网络架构，实现了“使役性能→修复工艺→材料属性”的反演设计与逆向规划，解决了装备损伤件现场快速修复***的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中增材修复与再制造反演设计与逆向规划方法的流程图；
图2是本发明实施例中逆向反演映射关系模型的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1，其示出了本发明实施例中一种增材修复与再制造反演设计与逆向规划方法的流程图，该方法包括以下步骤：
步骤1：获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据；所述源数据至少包括基体材料、修复材料、修复工艺和修复后性能数据。
本发明数据来源分为实验数据与模型计算数据，目的是通过实验与模型计算获得“基体材料→修复材料→修复工艺→性能”的关联数据。基体材料涉及铁基、铝基、钛基等常见损伤件材料，修复材料包括多种集约化修复材料，修复工艺包括电弧、激光、等离子等，性能包括硬度、屈服强度、抗拉强度、摩擦磨损等。
数据来源一：实验数据
前期考虑损伤件在材料种类、表现形式、处理工艺等方面的多样性，针对修复再制造过程中异质材料界面匹配、熔池冶金行为的差异，针对激光、电弧、等离子等不同热源的修复工艺，本发明实施例中设计与制备了7种集约化铁基、铝基、钛基合金粉末或丝材，选取14种代表性基材进行了增材修复试验，并获得了基体材料、修复材料、修复工艺及性能的基础数据，如表1所示。
表1
Figure BDA0002967898750000041
Figure BDA0002967898750000051
数据来源二：模型计算数据
通过增材修复与再制造过程中不同工艺(激光、电弧、等离子等)热源模型、微观组织模型、性能预测模型获取修复材料、工艺、微观组织及性能数据。
1、热源模型：
(1)电弧热源：
前半球：
Figure BDA0002967898750000052
后半球：
Figure BDA0002967898750000053
式中，Q＝ηUI，η热源效率。x、y、z表示坐标位置，a、b、c为热源椭球体形状的半轴长，f1、f2分别为前后椭球的热量分布函数，f1+f2＝2。
(2)激光热源：
Figure BDA0002967898750000054
式中，f为热量分布函数；a、c、z、μ为空心形状参数，x、y、z表示坐标位置。
2、微观组织模型：
(1)晶粒尺寸：
Figure BDA0002967898750000055
式中，Qin为晶界扩散激活能；d为晶粒尺寸；l0为初始相邻晶粒间中心点距离；γ0为材料参数；T为绝对温度；R为玻尔兹曼常数。
(2)相体积分数：
Figure BDA0002967898750000056
式中，T为绝对温度；Tsus为相转变温度；ν为材料参数。
(3)位错密度：
Figure BDA0002967898750000061
Figure BDA0002967898750000062
Figure BDA0002967898750000063
式中，ρ为瞬时位错密度，ρi为初始位错密度，ρmax为位错饱和状态时的位错密度。因此，初始阶段的正则化位错密度
Figure BDA0002967898750000064
为0，饱和状态正则化位错密度
Figure BDA0002967898750000065
为1；A、n为材料参数；C为影响位错运动的扩散系数；C0为绝对零度是位错运动扩散系数；
Figure BDA0002967898750000066
为应变速率；R为玻尔兹曼常数；Qdis为位错热激活能。
3、性能预测模型：
Figure BDA0002967898750000067
式中，σw为总的强度贡献总和；σi为纯材料的强度贡献；σdis为位错密度变化导致的强度贡献；σr为第二相强化对强度的贡献；σss为固溶强化的贡献；AA、BB、Cdis、Css、ω、ω1、ω2、ω3、ω4、ω5、β1、β2、β3、γ为材料参数，Hv为维氏硬度。
步骤2：基于所述关联数据建立增材修复与再制造数据库；
基于步骤1中的实验与模型计算数据，采用Qt编程架构在Windows操作***下开发增材修复与再制造数据库，包含损伤零件基体材料、修复材料、修复工艺、性能关联数据。
步骤3：基于所述增材修复与再制造数据库，建立基于深度学习神经网络架构的逆向反演映射关系模型；
以步骤2建立的增材修复与再制造数据库为数据基础，基于深度学习神经网络架构(图2)，建立反映“使役性能→修复工艺→修复材料”逆向反演映射关系的逆向反演映射关系模型，该逆向反演映射关系模型以基体材料、使役性能为输入，以修复材料与工艺为输出。
步骤4：确定损伤零件的基体材料和修复后使役性能；
修复后零件的使役性能由未损伤的件的使役性能最终决定，要求修复后零件性能不低于未损伤零件性能的90％。
步骤5：增材修复与再制造过程的反演设计与逆向规划；
将步骤4获得的所述损伤零件的基体材料和修复后使役性能输入所述逆向反演映射关系模型，得到所述损伤零件的增材修复与再制造修复材料与工艺，从而实现损伤零件增材修复与再制造修复材料与工艺的快速准确确定。
本发明打破传统增材修复与再制造领域“成分→工艺→性能”的正向设计传统思路，基于增材修复与再制造实际过程，建立增材修复与再制造数据库并融合深度学习神经网络架构，实现“使役性能→修复工艺→材料属性”的反演设计与逆向规划，解决了装备损伤件现场快速修复***的难题。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种增材修复与再制造反演设计与逆向规划方法，其特征在于，所述方法包括以下步骤：
获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据；所述源数据至少包括基体材料、修复材料、修复工艺和修复后性能数据；
基于所述关联数据建立增材修复与再制造数据库；
基于所述增材修复与再制造数据库，建立基于深度学习神经网络架构的逆向反演映射关系模型，所述逆向反演映射关系模型反映“使役性能→修复工艺→修复材料”逆向反演映射关系，所述逆向反演映射关系模型以基体材料、使役性能为输入，以修复材料与工艺为输出；
确定损伤零件的基体材料和修复后使役性能；
将所述损伤零件的基体材料和修复后使役性能输入所述逆向反演映射关系模型，得到所述损伤零件的增材修复与再制造修复材料与工艺。
2.根据权利要求1所述的一种增材修复与再制造反演设计与逆向规划方法，其特征在于，获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据，包括：
考虑损伤零件在材料种类、表现形式、处理工艺方面的多样性，针对增材修复与再制造过程中异质材料界面匹配、熔池冶金行为的差异，针对不同热源的修复工艺，开展增材修复与再制造实验，获得“基体材料→修复材料→修复工艺→性能”的关联数据。
3.根据权利要求1或2所述的一种增材修复与再制造反演设计与逆向规划方法，其特征在于，获取并整理源数据，得到“基体材料→修复材料→修复工艺→性能”的关联数据，包括：
通过增材修复与再制造过程中不同工艺热源模型、组织演化模型以及性能预测模型，获得“基体材料→修复材料→修复工艺→性能”的关联数据。
4.根据权利要求1所述的一种增材修复与再制造反演设计与逆向规划方法，其特征在于，基于所述关联数据建立增材修复与再制造数据库，包括：
采用Qt编程架构在Windows操作***下开发增材修复与再制造数据库。
5.根据权利要求1所述的一种增材修复与再制造反演设计与逆向规划方法，其特征在于，所述修复后使役性能由未损伤零件的使役性能决定，修复后使役性能不低于未损伤零件使役性能的90％。
6.根据权利要求1所述的一种增材修复与再制造反演设计与逆向规划方法，其特征在于，修复材料包括多种集约化修复材料；
修复工艺包括电弧、激光、等离子；
性能包括硬度、屈服强度、抗拉强度、摩擦磨损。
CN202110257078.1A 2021-03-09 2021-03-09 一种增材修复与再制造反演设计与逆向规划方法 Active CN113076570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110257078.1A CN113076570B (zh) 2021-03-09 2021-03-09 一种增材修复与再制造反演设计与逆向规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110257078.1A CN113076570B (zh) 2021-03-09 2021-03-09 一种增材修复与再制造反演设计与逆向规划方法

Publications (2)

Publication Number Publication Date
CN113076570A true CN113076570A (zh) 2021-07-06
CN113076570B CN113076570B (zh) 2023-05-16

Family

ID=76612185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110257078.1A Active CN113076570B (zh) 2021-03-09 2021-03-09 一种增材修复与再制造反演设计与逆向规划方法

Country Status (1)

Country Link
CN (1) CN113076570B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114872325A (zh) * 2022-04-27 2022-08-09 河北水利电力学院 增材再制造方法、装置、电子设备、存储介质和程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5561173A (en) * 1990-06-19 1996-10-01 Carolyn M. Dry Self-repairing, reinforced matrix materials
CN1807685A (zh) * 2005-12-09 2006-07-26 浙江工业大学 金属表面的纳米涂层工艺
US20160325372A1 (en) * 2015-05-05 2016-11-10 Caterpillar Inc. Low heat input weld repair of cast iron
CN108446414A (zh) * 2017-12-22 2018-08-24 北京工业大学 一种由3d打印多孔结构随机缺陷的逆向预测方法
US20190001437A1 (en) * 2017-06-30 2019-01-03 Norsk Titanium As Solidification refinement and general phase transformation control through application of in situ gas jet impingement in metal additive manufacturing
US20200269318A1 (en) * 2019-02-26 2020-08-27 Ut-Battelle, Llc Additive manufacturing process for producing aluminum-boron carbide metal matrix composites
CN111781584A (zh) * 2020-07-14 2020-10-16 中国人民解放军陆军装甲兵学院 一种基于目标辐射o2吸收相关k分布法的被动测距方法
CN111859577A (zh) * 2020-07-27 2020-10-30 江苏科技大学 一种激光增材修复的直接分层方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5561173A (en) * 1990-06-19 1996-10-01 Carolyn M. Dry Self-repairing, reinforced matrix materials
CN1807685A (zh) * 2005-12-09 2006-07-26 浙江工业大学 金属表面的纳米涂层工艺
US20160325372A1 (en) * 2015-05-05 2016-11-10 Caterpillar Inc. Low heat input weld repair of cast iron
US20190001437A1 (en) * 2017-06-30 2019-01-03 Norsk Titanium As Solidification refinement and general phase transformation control through application of in situ gas jet impingement in metal additive manufacturing
CN108446414A (zh) * 2017-12-22 2018-08-24 北京工业大学 一种由3d打印多孔结构随机缺陷的逆向预测方法
US20200269318A1 (en) * 2019-02-26 2020-08-27 Ut-Battelle, Llc Additive manufacturing process for producing aluminum-boron carbide metal matrix composites
CN111781584A (zh) * 2020-07-14 2020-10-16 中国人民解放军陆军装甲兵学院 一种基于目标辐射o2吸收相关k分布法的被动测距方法
CN111859577A (zh) * 2020-07-27 2020-10-30 江苏科技大学 一种激光增材修复的直接分层方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114872325A (zh) * 2022-04-27 2022-08-09 河北水利电力学院 增材再制造方法、装置、电子设备、存储介质和程序产品

Also Published As

Publication number Publication date
CN113076570B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Zhao et al. Modelling of the hot deformation behaviour of a titanium alloy using constitutive equations and artificial neural network
Olson Designing a new material world
Babbar et al. Application of hybrid nature-inspired algorithm: Single and bi-objective constrained optimization of magnetic abrasive finishing process parameters
Chen et al. A BIM-integrated fuzzy multi-criteria decision making model for selecting low-carbon building measures
EP3611672A1 (en) Material selection and optimization process for component manufacturing
CN113076570A (zh) 一种增材修复与再制造反演设计与逆向规划方法
Heimann Better quality control: stochastic approaches to optimize properties and performance of plasma-sprayed coatings
Tianshuai et al. Detail fatigue rating method based on bimodal weibull distribution for DED Ti-6.5 Al-2Zr-1Mo-1V titanium alloy
Taheri Amiri et al. Optimization of Time, Cost, and Quality in Critical Chain Method Using Simulated Annealing (RESEARCH NOTE)
EP1672578A1 (en) Method and system for analyzing the risk of a project
Trabal et al. An adaptive floating node based formulation for the analysis of multiple delaminations under high cycle fatigue loading
Quan et al. Modelling the hot flow behaviors of AZ80 alloy by BP-ANN and the applications in accuracy improvement of computations
Manson Future directions for low cycle fatigue
Wang et al. Metal failure effects predicted accurately with a unified and explicit criterion
McClung et al. An integrated software tool for high fidelity probabilistic assessments of metallic aero-engine components
Vorel et al. Material-Technological Modelling of Controlled Cooling of Closed die Forgings from Finish Forging Temperature
CN109033576A (zh) 一种颗粒复合材料裂纹疲劳扩展分析方法
JP2011163923A (ja) ニッケル基合金材料劣化予測装置およびニッケル基合金材料劣化予測方法
CN115146512A (zh) 一种以增材制造构件服役性能为驱动的材料多次迭代混合设计方法
Furrer Development and industrial application of integrated computational materials engineering
Huang et al. A physically based methodology for predicting anisotropic creep properties of Ni-based superalloys
Sukiennik et al. Applying lean management solutions in the context of the organisational culture of energy sector enterprises
Wu et al. Composition, heat treatment, microstructure and loading condition based machine learning prediction of creep life of superalloys
Isaksson et al. Virtual contextual validation of technologies and methods for product development
CN106950933B (zh) 质量一致性控制方法及装置、计算机存储介质

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