CN115449771A - 模具涂层生成方法、装置、设备、存储介质和程序产品 - Google Patents
模具涂层生成方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115449771A CN115449771A CN202211148870.4A CN202211148870A CN115449771A CN 115449771 A CN115449771 A CN 115449771A CN 202211148870 A CN202211148870 A CN 202211148870A CN 115449771 A CN115449771 A CN 115449771A
- Authority
- CN
- China
- Prior art keywords
- coating
- verified
- parameters
- phase
- test
- 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.)
- Pending
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 775
- 239000011248 coating agent Substances 0.000 title claims abstract description 737
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 174
- 238000013461 design Methods 0.000 claims abstract description 43
- 238000007607 die coating method Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims description 66
- 238000005457 optimization Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 37
- 239000008199 coating composition Substances 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004381 surface treatment Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 28
- 238000005240 physical vapour deposition Methods 0.000 description 17
- 239000010408 film Substances 0.000 description 15
- 239000000463 material Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000001755 magnetron sputter deposition Methods 0.000 description 11
- 239000000758 substrate Substances 0.000 description 11
- 238000012795 verification Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011056 performance test Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000005728 strengthening Methods 0.000 description 6
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000011247 coating layer Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000010301 surface-oxidation reaction Methods 0.000 description 4
- 229910010037 TiAlN Inorganic materials 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009501 film coating Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007373 indentation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 239000007888 film coating Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007550 Rockwell hardness test Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- JLKIGFTWXXRPMT-UHFFFAOYSA-N sulphamethoxazole Chemical compound O1C(C)=CC(NS(=O)(=O)C=2C=CC(N)=CC=2)=N1 JLKIGFTWXXRPMT-UHFFFAOYSA-N 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
- C23C14/548—Controlling the composition
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
- C23C14/542—Controlling the film thickness or evaporation rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mounting, Exchange, And Manufacturing Of Dies (AREA)
Abstract
本申请涉及模具表面处理技术领域,特别是涉及一种模具涂层生成方法、装置、设备、存储介质和程序产品。该方法包括:根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;获取根据涂层参数生成的测试涂层的测试涂层性能值;若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。本申请能够提高PVD涂层的性能。
Description
技术领域
本申请涉及模具表面处理技术领域,特别是涉及一种模具涂层生成方法、装置、设备、存储介质和程序产品。
背景技术
模具是工业生产中必不可缺的基础装备,在汽车、家电、交通、国防等关键领域应用广泛,模具的整体强化处理和表面强化处理都是提高模具寿命的重要途径。
以物理气相沉积法(PhysicalVapor Deposition,PVD)表面镀膜技术为例,PVD是一种常见的模具表面强化手段,其是通过PVD涂层实现对模具表面镀膜的。但是,相关技术中在进行PVD镀膜时,生成的PVD涂层的性能难以得到保证。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高PVD涂层性能的模具涂层生成方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种模具涂层生成方法,该方法包括:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数
生成目标模具的模具涂层。
在其中一个实施例中,根据预设涂层设计方法获取目标模具的涂层参数,包括:
获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;
将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;
对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;
将满足第二性能指标的涂层参数作为目标模具的涂层参数。
在其中一个实施例中,获取多个不同的单相涂层成分,包括:
获取实验微板的各个目标区域,以及各个目标区域对应的各个目标成分;
根据各个目标区域对应的目标成分制备单相试验涂层;
获取各个目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
在其中一个实施例中,根据各个目标区域对应的目标成分制备单相试验涂层,包括:
采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层。
在其中一个实施例中,试验涂层性能值包括纳米压痕测试数据和纳米划痕测试数据。
在其中一个实施例中,对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数,包括:
将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;
将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
在其中一个实施例中,仿真模型包括分析模型和优化模型;
将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值,包括:
将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值;
各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
在其中一个实施例中,将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值,包括:
获取初始几何模型、施加载荷类型和约束条件;
针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;
将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
在其中一个实施例中,各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值,包括:
获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;
将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
在其中一个实施例中,将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值,包括:
将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
在其中一个实施例中,测试涂层的测试涂层性能值至少包括测试涂层的硬度性能值、耐磨性能值和结合强度值。
第二方面,本申请还提供了一种模具涂层生成装置,该装置包括:
设计模块,用于根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多相涂层成分、多相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
性能测试模块,用于获取根据涂层参数生成的测试涂层的测试涂层性能值;
筛选模块,用于若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
上述模具涂层生成方法、装置、设备、存储介质和程序产品,模具涂层设计方法根据多种单相涂层成分、多种单相涂层厚度设计出满足模具测试指标的多元多层涂层参数,多元多层涂层中的多层交替可以使得层与层之间的结构不连续,从而避免缺陷连续生长或柱状晶生长等,且多元多层涂层可以通过涂层成分、厚度、力学性质的匹配,来调控涂层层间、涂层基间的应力,避免出现应力的突变,提高了模具涂层性能;而后,对多个测试涂层进行实际的性能测试,通过实际的性能测试更能够较为准确地模拟该测试涂层制备于目标模具上时目标模具性能的变化,使得实验结果更为可靠,对多个测试涂层进行进一步筛选,得到对于目标模具效果更优的测试涂层。
附图说明
图1为一个实施例中模具涂层生成方法的应用环境图;
图2为一个实施例中模具涂层生成方法的流程示意图;
图3为一个实施例中模具涂层设计方法的流程示意图;
图4为另一个实施例中确定单相涂层成分的流程示意图;
图5为一个实施例中对各个待验证涂层进行验证的流程示意图;
图6为一个实施例中对得到优化涂层性能值的流程示意图;
图7为一个实施例中对分析模型得到仿真涂层性能值流程示意图;
图8为一个实施例中对优化模型得到优化涂层性能值流程示意图;
图9为一个实施例中创建待验证涂层的初始几何模型的示意图;
图10为一个实施例中模具涂层生成的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本实施例提供的模具涂层生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102和服务器104均可以独立执行该模具涂层生成方法,也可以共同执行该模具涂层生成方法,例如,终端102根据预设涂层设计方法从服务器104获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;从服务器104获取根据涂层参数生成的测试涂层的测试涂层性能值;若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
模具是工业生产中必不可缺的基础装备,在汽车、家电、交通、国防等关键领域应用广泛,模具的整体强化处理和表面强化处理都是提高模具寿命的重要途径。以物理气相沉积法(PhysicalVapor Deposition,PVD)表面镀膜技术为例,PVD是一种常见的模具表面强化手段,其是通过PVD涂层实现对模具表面镀膜的。但是,由于模具的PVD涂层在基体上形成的薄膜通常为硬质膜,硬度远高于基体,膜材料与基体材料性质差异大,膜内层与层之间、膜与基体之间的应力分布复杂,特别是在模具成形工作中其应力场、温度场呈周期性变化,导致生成的PVD的单层二元涂层结合强度低,不抗高温氧化,性能难以得到保证,因此,亟需一种能够保证PVD涂层性能的设计方法。
在一个实施例中,如图2所示,提供了一种模具涂层生成方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,根据预设涂层设计方法获取目标模具的涂层参数。
其中,预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法。
其中,多种单相涂层成分,例如,TiAlSiM-N(M为添加的组元Cr,Ta,V,Zr等)、TiAlSiN、TiAlN以及TiN;多种单相涂层的厚度可以依据经验或实验数据确定,例如,在0.01um到5um范围内随机选取的n种不同厚度,以选取10种厚度为例,具体可以为第一厚度、第二厚度……第十厚度。根据涂层设计方法对多种单相涂层成分、多种单相涂层厚度进行随机组合,以其中一种随机组合方式为例进行说明,以TiAlSiCr-N选取第一厚度、以TiAlSiN选取第二厚度、以TiAlN选取第三厚度、以TiN选取第七厚度,将第七厚度的TiN涂层制备于目标模具上方,将第二厚度的TiAlSiN涂层制备于TiN涂层上方,将第三厚度的TiAlN涂层制备于TiN涂层上方,将第一厚度的TiAlSiCr-N涂层制备于上方TiAlN涂层,以此生成一种多元多层的涂层参数;故,根据涂层设计方法对应的组合方式能够生成多种不同的多元多层涂层参数,再根据设计方法筛选出满足模具测试指标的涂层参数,将该涂层参数作为目标模具的涂层参数,因此所得到的目标模具的涂层参数为至少一个。
步骤204,获取根据涂层参数生成的测试涂层的测试涂层性能值。
其中,若对测试涂层进行性能测试是通过终端102实现,则终端102需要被配置为能够对涂层进行性能测试的装置,以获取测试涂层的测试涂层性能值,例如多功能涂层性能自动测试仪;或者是终端102直接从外部测试仪获取测试涂层性能值。具体地,测试涂层性能值可以包括耐磨性能、结合强度、硬度性能等等。
步骤206,若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
其中,预设的第一性能指标可以是根据经验值设定的数据范围,也可以是在多个测试涂层性能值中选取最优值的选取规则;具体地,终端102需要被配置为能够植被涂层的设备,以生成目标模具的模具涂层。
上述模具涂层生成方法,模具涂层设计方法根据多种单相涂层成分、多种单相涂层厚度设计出满足模具测试指标的多元多层涂层参数,多元多层涂层中的多层交替可以使得层与层之间的结构不连续,从而避免缺陷连续生长或柱状晶生长等,且多元多层涂层可以通过涂层成分、厚度、力学性质的匹配,来调控涂层层间、涂层基间的应力,避免出现应力的突变,提高了模具涂层性能;而后,对多个测试涂层进行实际的性能测试,通过实际的性能测试更能够较为准确地模拟该测试涂层制备于目标模具上时目标模具性能的变化,使得实验结果更为可靠,对多个测试涂层进行进一步筛选,得到对于目标模具效果更优的测试涂层。
在一个实施例中,测试涂层的测试涂层性能值至少包括测试涂层的硬度性能值、耐磨性能值和结合强度值。
将测试涂层应用到目标模具中进行性能检验时,本实施例中采用的目标模具材料为H13模具钢;具体地,在测试涂层的硬度性能值时,例如,参照HB5147-1996《金属表面洛氏硬度试验方法》,采用TH310表面洛氏硬度计测量涂层表面洛氏硬度,施加载荷为30N,保持时间为3s,在涂层表面随机选取10个点测其硬度值并取平均值。在测试涂层的耐磨性能值时,例如,参照GB/T12444-2006金属材料磨损试验方法,使用CETRUMT-3MO型多功能摩擦磨损试验机对涂层表面进行测试,对磨介质为Al2O3球,载荷100N,滑动速率10mm/s,单次有效滑动距离6mm,磨损时间2h,使用TRIB分析软件对实验数据进行处理。在测试涂层的结合强度时,例如,使用WDH-50A型电子万能试验机对涂层和基体之间的结合强度进行检测,使用的胶水型号是FM1000,并按照ASTMC633标准执行检测,以0.013~0.021mm/s的拉伸速率进行拉伸,记录断裂前的最大试验拉伸力,涂层的结合强度等于最大试验力与试样截面积的比值。
在一个实施例中,参照图3,步骤202中根据预设涂层设计方法获取目标模具的涂层参数,包括:
步骤2021,获取多个不同的单相涂层成分以及多个不同的单相涂层厚度。
其中,多个不同的单相涂层成分以及多个不同的单相涂层厚度参照上述步骤202中示例;
具体地,在获取多个不同的单相涂层成分以及多个不同的单相涂层厚度时,可以采用以下两种方式中的任一种:方式(1)从预设的材料库中获取满足预设第一筛选条件的单相涂层成分以及单相涂层厚度,直接作为多个不同的单相涂层成分以及多个不同的单相涂层厚度;方式(2)从预设的材料库中获取满足预设第一筛选条件的单相涂层成分以及单相涂层厚度,按照各个单相涂层成分和单相涂层厚度分别制备多个样本涂层,对样本涂层进行性能测试,以确定出满足预设第二筛选条件的样本涂层。
步骤2022,将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数。
其中,将各个单相涂层成分以及各个单相涂层厚度进行组合的方式,例如全排列法,假定共m个单相涂层成分、n个述单相涂层厚度(m和n均为正整数),将m个单相涂层成分、n个述单相涂层厚度进行全排列,得到个待验证涂层参数。具体地,当m个单相涂层成分中的任一单相涂层成分被赋予不同的厚度时即构成了各个不同的单相涂层结构,因此,m个单相涂层成分共构成了m×n个不同的单相涂层结构,对m×n个进行全排列组合,得到个不同的多元多层涂层结构,即个不同的待验证涂层参数。
步骤2023,对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数,将满足第二性能指标的涂层参数作为目标模具的涂层参数。
其中,在对各个待验证涂层参数进行验证时,通过仿真软件对待验证涂层参数进行验证,以模拟该待验证涂层参数对应的涂层的力学性能;具体地,力学性能是指材料在不同环境(例如,温度、介质、湿度等)下,承受各种外加载荷(例如,拉伸、压缩、弯曲、扭转、冲击、交变应力等)时所表现出的力学特征,例如,弹性模量、阻尼系数、屈服应力等。
其中,满足第二性能指标的涂层参数至少通过以下两种方式中任一种获得:方式(a)将多个待验证涂层参数的仿真涂层性能值进行比较,筛选出性能最优的涂层参数,将最优的涂层参数与第二性能指标进行比较;也可以是方式(b)根据多个待验证涂层参数的性能规律进行进一步优化,得到优化后的涂层参数,将优化后的涂层参数与第二性能指标进行比较。
本实施例中,通过将各个单相涂层成分以及各个单相涂层厚度进行组合,得到了多样性的多元多相涂层组合方式,实现了建立大规模的实验数据来源的效果,通过获取更为丰富的实验样本,提升了目标模具的涂层参数的可靠性。
为了进一步提升获取到的多个不同的单相涂层成分以及多个不同的单相涂层厚度的有效性,本实施例以步骤2021中的方式(2)的设计思路来获取多个不同的单相涂层成分以及多个不同的单相涂层厚度,进一步地,为了衡量数据处理复杂度和数据可靠性的平衡,本实施例采用控制变量法,控制所有不同单相涂层成分的厚度相同,在相同厚度下测试各个不同单相涂层成分的性能。具体地,如图4所示,在一个实施例中,步骤2021获取各个不同的单相涂层成分,包括:
步骤20211,获取实验微板对应的各个目标区域,以及各个目标区域对应的各个目标成分。
其中,实验微板是在实验过程中制备PVD涂层的基体,根据实验微板的尺寸、位置确定在实验微板上制备涂层时的各个目标区域,其中,各个目标区域对应的各个不同的目标成分,各个目标成分即为各个单相涂层成分。
步骤20212,根据各个目标区域对应的目标成分制备单相试验涂层。
其中,对各个目标区域同时进行制备动作所生成的涂层即为单相试验涂层,在本实施例中,单相试验涂层的单相薄膜晶圆直径为10mm。具体地,为了得到均匀的涂层,本实施例采用磁控溅射镀膜方法制备单相试验涂层,基于该制备方法得到的涂层无相变,化合物成分稳定、涂层均匀性更好,并且,磁控溅射镀膜方法能够精准的控制各靶材的含量、溅射位置,便于制备出各元素含量不同的薄膜涂层。
步骤20213,获取各个目标区域内涂层的各个试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
其中,试验涂层性能值至少包括薄膜硬度指标、涂层硬度均匀性、膜基界面附着失效临界载荷以及表面抗氧化温度中的一项;具体地,通过外部测试装置对该单相试验涂层中各个目标区域内涂层进行性能测试,得到各个试验涂层性能值;具体地,获取试验涂层性能值的测试方式可以采用纳米压痕方式和纳米划痕方式,纳米压痕参数为加载载荷7500μN,加载速率和卸载速率均为1000μN/s,加载时间和卸载时间均为7.5s,保载时间为2s;纳米划痕参数为最大加载力100mN,力值分辨率为3nN,最大位移50um,位移分辨率为0.01nm。与试验涂层性能值对应的第三性能指标至少包括:薄膜硬度指标≥250、涂层硬度均匀性5%以内、膜基界面附着失效临界载荷≥80N以及表面抗氧化温度≥1000℃中的一项。进一步地,为了便于实验人员观察试验涂层性能值,还可以通过网格差值法生成试验涂层性能值对应的云图,例如,薄膜硬度云图、断裂韧性云图以及薄膜结合强度云图等等。
本实施例中,通过在实验微板上一次性制备包含各个单相涂层成分的单相试验涂层,实现了在短时间内获得大量实验数据的效果,分别对各个目标区域内的测试涂层进行实际的性能测试,筛选出满足第三性能指标的目标成分,提高了单相涂层成分的数据有效性。
进一步地,在一个实施例中,采用高通量磁控溅射镀膜方式,根据目标区域对应的目标成分制备单相试验涂层。
本实施例中,通过高通量磁控溅射镀膜方式,高通量筛选方式以自动化操作***执行试验过程,以灵敏快速的检测仪器采集实验结果数据,以计算机分析处理实验数据,在同一时间检测数以千万的样品,利用磁控溅射在同一单相薄膜上设置多组实验方案并采集实验数据,经过一次实验设置出大量的对照组,有效节约了时间成本。
在一个实施例中,如图5所示,步骤2023对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数,将满足第二性能指标的涂层参数作为目标模具的涂层参数,包括:
步骤20231,将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值。
其中,对于每一个待验证涂层参数,将待验证涂层参数输入至仿真模型中,仿真模型根据即可对该待验证涂层参数对应的涂层进行模拟分析,以得到该待验证涂层参数对应涂层的力学性能,该力学性能作为该待验证涂层参数的仿真涂层性能值,其中,仿真涂层性能值至少包括薄膜硬度指标、膜基界面附着失效临界载荷以及表面抗氧化温度中的一项,与仿真涂层性能值对应的第二性能指标至少包括薄膜硬度指标、膜基界面附着失效临界载荷以及表面抗氧化温度中的一项;进一步地,参照步骤2023中的方式(a)和方式(b),仿真模型输出的各个待验证涂层参数对应的优化涂层性能值也包括两种类型:类型(a)将多个待验证涂层参数的仿真涂层性能值进行比较,筛选出性能最优的涂层参数,将最优的涂层参数作为优化涂层性能值;类型(b)根据多个待验证涂层参数的性能规律进行进一步优化,得到优化涂层性能值。
步骤20232,将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
本实施例中,将各个待验证涂层参数均输入至仿真模型中进行仿真实验,相比于传统技术中的“设计-制备-检验”过程,本实施例的测试步骤更具有针对性,形成了“筛选单相涂层--验证单相涂层性能--根据各个单相涂层组合得到多元多层涂层--对多元多层涂层参数进行仿真验证--对验证后的多元多层涂层参数进行制备并再次进行实际验证”的设计过程,通过多级测试验证,提高了最终生成的目标模具涂层的性能;且,对待验证涂层参数的仿真过程基于计算机软件实现,验证速度较快,适用于于大规模数据量的多个待验证涂层参数的验证。
由获取待验证涂层参数的过程可知待验证涂层参数中的变量(即单相涂层成分、单相涂层厚度)是离散型变量,由于对于离散型变量来说,变量个数与实验耗时密切相关,大量的离散样本才能得到较好的实验效果,因此,若能够分析出输入变量与仿真涂层性能值之间的响应关系,那么便可以缩短实验耗时,且更容易得到优化的涂层参数。故,为了获得上述步骤2023中的类型(b),具体地,在一个实施例中,仿真模型包括分析模型和优化模型;如图6所示,步骤2023中将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值,包括:
步骤0231,将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值。
其中,分析模型用于对待验证涂层参数进行仿真实验。
步骤0232,各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
其中,优化模型用于对各个待验证涂层参数、各个待验证涂层参数的仿真涂层性能值输入至优化模型进行分析,以得到待验证涂层参数与仿真涂层性能值之间的相关性(或响应关系)。具体地,优化模型输出的各个待验证涂层参数对应的仿真涂层性能值即为类型(b)中的仿真涂层性能值。
在一个实施例中,如图7所示,步骤0231中将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值,包括:
步骤2311,获取初始几何模型、施加载荷类型和约束条件。
其中,初始几何模型是根据涂层几何体确定的;施加载荷类型即为对涂层施加的载荷类型,包括静态载荷和动态载荷。
步骤2312,针对于任一待验证涂层参数,根据待验证涂层参数和约束条件对初始几何模型进行处理,得到处理后的几何模型。
其中,以分析模型为有限元分析软件为例,有限元分析软件的分析过程包括:步骤1、建立或导入几何模型;定义材料属性(或自定义编辑添加);对模型进行网格划分;步骤2、选择施加载荷类型、建立约束条件;分析计算;步骤3、查看分析结果;判断分析结果正确性。
具体地,应用于本实施例中的任一待验证涂层参数,构建有限元模型的过程具体包括:
Sa,定义材料属性和类型单元。
其中,首先定义单元编号选择壳单元的类型,然后在涂层所包含的单相涂层个数确定的情况下,依次设置各个单相涂层的成分和厚度。具体地,涂层截面信息和4个节点进行定义,对于多层壳单元,设置涂层的厚度、材料和方向等,在每个层结构上沿厚度方向使用截面输入命令定义1、3、5、7或9个积分点,使用函数工具将涂层的厚度设置为坐标或节点的函数。
Sb,建立待验证涂层的初始几何模型。
其中,待验证涂层即为待验证涂层参数对应的涂层。建立有限元模型时,首先我们把三维压入模型简化成了二维模型,方便了建模,也减少了计算量。可以将压头等效成一个与其具有相同投影面积和深度比值的圆锥形压头。圆锥形压头以金刚石制成,其弹性模量为1140GPa,相对于被压材料待验证涂层的弹性模量高一个量级,因此,模型中把金刚石压头简化为刚性接触体。考虑到在压痕过程中,只有在压头下附近区域里的被测材料受载荷影响大,而远处材料受载荷作用的影响很小,趋近于零。在有限元建模时,可以只取局部材料,即模型中的材料尺寸比实际试验中的小,这样可以减小模型的单元数目。由于圆锥压头压入被测材料的过程是个典型的轴对称问题,因此,可用二维有限元模型来模拟此问题。同时考虑到结构和载荷的对称性,缩短计算时间,仅取薄膜/基底体系的右半部分进行有限元模拟计算。
具体地,如图9所示,依次创建关键点、线、面。其中1、2、3、4关键点是涂层部分,5、6关键点是压头部分。其中6号关键点可通过旋转坐标系,使用工作坐标系创建6号关键点。建立关键线L1、L2、L3、L4和L5,基于关键线,建立关键面。
Sc,对建立的有限元模型划分网格。
其中,在有限元分析中,网格划分情况直接关系到计算结果的正确性与精确性。通常情况下,网格越细,分析结果越精确,但会增加计算时间,且需要更大的存储空间。划分网格时可以首先将模型的网格类型选择为四边形网格划分,指定网格划分方法为映射网格划分;然后选择模型中除圆周以外的所有线,将选择的线组成一个线组,用线组分割上步骤生成的圆面,并将分割的面粘接在一起;接着删除之前的线组,选择模型中的所有线,重新将所选择的线组成一个新的线组;最后通过新的线组来控制网格密度,进行网格划分、生成单元和节点;
Sd,为有限元模型中的节点添加约束,以得到处理后的几何模型。
具体地,首先,定义接触对,包括:目标面:lines,类型:Rigid/Pilot,选择关键线L5,压头设置为刚体,6号关键点设置为控制点,定义接触对:采用面面接触方式,关键线L1设置为接触面,摩擦系数0.15。而后施加边界条件和载荷条件,选择三个节点施加约束,对于第一个节点限制X、Y、Z方向的移动;对于第二个节点限制X,Z方向的移动;对第三个节点限制Z方向的移动,具体地,在4号线上的节点x方向约束,在3号线上的节点x、y方向约束,在6号关键点施加y方向位移。
步骤2313,将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
其中,载荷类型包括静态载荷和动态载荷;将静态载荷类型和动态载荷类型输入至有限元分析软件中,即可得到计算结果,即待验证涂层参数的仿真涂层性能值。在本实施例中,有限元分析软件中的分析计算中仅拥有平动自由度,该单元适合于分析具有线性、大角度转动或非线性大应变特性的应用问题,非线性分析中考虑了壳厚度的变化,在模拟复合材料薄膜时的精度由一阶剪切变形理论(Mindlin-Reissner壳理论)控制。
具体地,通过几何非线性分析求解非线性求解结果,表示出应力、总应变、弹性应变和塑性应变等参数指标。通过获取薄膜涂层***不同应变速率下的应力-应变关系,将0.2%应变对应的应力作为薄膜涂层的屈服强度,屈服强度越大,力学性能越好。
在一个实施例中,将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
具体地,在有限元分析软件中,使用KEYOPT(8)=2命令流来存储中间面的应力、应变等薄膜结果,利用KEYOPT(9)=1来从用户子程序中读取出初始厚度数据。
本实施例,通过分析软件进行仿真模拟,可以随时方便快捷地调整实验方案,缩短实验周期。
在根据有限元分析得到各个待验证涂层参数、各个待验证涂层参数的仿真涂层性能值后,为了分析出输入变量与仿真涂层性能值之间的相应关系,应用响应曲面方程对这些待验证涂层参数进行拟合,可得输出响应值与各输入变量间的二次多项式函数表达式,即响应曲面方程,可以用该方程代替有限元仿真结果;然后通过蒙特卡罗模拟法调用该方程,对输出响应变量进行很多次的模拟,得到输出响应变量的各种统计参数,以及对输出响应变量相对于各输入变量进行概率灵敏度分析。具体地,如图8所示,步骤0232中各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值,包括:
步骤2321,获取输入变量、输出变量。
其中,输入变量为用户定义的输入变量,在本实施例中,输入变量分别为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值。
步骤2322,将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
其中,以优化模型为蒙特以蒙特卡罗模型为例进行说明,将仿真涂层性能值作为y,将待验证涂层参数作为变量z,可知,仿真涂层性能值y与待验证涂层参数z之间存在相关性,即,y=f(z)。具体地,待验证涂层参数z为:{I1(x1,y1),I2(x2,y2),I3(x3,y3),I4(x4,y4)……In(xn,yn)},z中的变量为x和y,其中,Ii表示待验证涂层中的第i层,xi表示第i层单相涂层成分,yi表示第i层单相涂层厚度。
具体的,输入变量为用户定义的输入变量,针对于待验证涂层参数来说,输入变量分别为单相涂层成分x和单相涂层厚度y。蒙特卡罗法利用一个随机数发生器,产生(0,1)之内的随机数,并将随机数通过直接或间接抽样转换为符合随机变量(x,y)概率分布的抽样值,可选的,在本申请中,蒙特卡罗模型采用的随机数发生器采用直接抽样法。
示例性的,第一次抽样得到的抽样值为:{I11(x11,y11),I21(x21,y21),I31(x31,y31),I41(x41,y41)……In1(xn1,yn1)},
第二次抽样得到的抽样值为{I12(x12,y12),I22(x22,y22),I32(x32,y32),I42(x42,y42)……In2(xn2,yn2)},
第N次抽样得到的抽样值为{I1N(x1N,y1N),I2N(x2N,y2N),I3N(x3N,y3N),I4N(x4N,y4N)……InN(xnN,ynN)}
其中,Iij表示第j次抽样得到的抽样值得到的第i个单相涂层,xij表示第j次抽样得到的抽样值得到的第i个单相涂层的单相涂层成分,yij表示第j次抽样得到的抽样值得到的第i个单相涂层的单相涂层厚度。
反复独立抽样(模拟)N次,当模拟次数足够多时,即可将得到的仿真涂层性能值y的概率分布及数字特征近似与实际情况相同。
在确定了仿真涂层性能值y的概率分布及数字特征后,确定满足预设优化条件的仿真涂层性能值y,将满足预设优化条件的仿真涂层性能值y对应的待验证参数作为优化涂层性能值。
获取实验微板对应的各个目标区域,以及各个目标区域对应的各个目标成分;采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层;获取各个目标区域内涂层的各个试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分;获取多个不同的单相涂层厚度;将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;获取初始几何模型、施加载荷类型和约束条件;针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值;获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值;将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数;将满足第二性能指标的涂层参数作为目标模具的涂层参数;获取根据目标模具的涂层参数生成的测试涂层的测试涂层性能值;若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。相比于“设计-制备-检验”,本实施例在设计过程中的测试步骤更具有针对性,形成了“筛选单相涂层--验证单相涂层性能--根据各个单相涂层组合得到多元多层涂层--对多元多层涂层参数进行仿真验证--对验证后的多元多层涂层参数进行制备并再次进行实际验证”,通过多级测试验证,提高了最终生成的目标模具的涂层性能。且多元多层涂层中的多层交替可以使得层与层之间的结构不连续,从而避免缺陷连续生长或柱状晶生长等,提高模具的表面性能,且多元多层涂层可以通过涂层成分、厚度、力学性质的匹配,来调控涂层层间、涂层基间的应力,避免出现应力的突变,从而提高模具涂层的综合性能。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本实施例还提供了一种用于实现上述所涉及的模具涂层生成方法的模具涂层生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个模具涂层生成装置实施例中的具体限定可以参见上文中对于模具涂层生成方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种模具涂层生成装置100,包括:获取模块110、性能测试模块120和筛选模块130,其中:
获取模块110,用于根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多相涂层成分、多相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
性能测试模块120,用于获取根据涂层参数生成的测试涂层的测试涂层性能值;
筛选模块130,用于若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
在一个实施例中,该装置还包括设计模块,设计模块包括:
获取子模块,用于获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;
组合子模块,用于将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;
验证子模块,用于对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;
筛选子模块,用于将满足第二性能指标的涂层参数作为目标模具的涂层参数。
在一个实施例中,获取子模块包括:
划分单元,用于获取实验微板的各个目标区域,以及各个目标区域对应的各个目标成分;
制备单元,用于根据各个目标区域对应的目标成分制备单相试验涂层;
测试单元,用于获取各个目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
在一个实施例中,制备单元还用于采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层。
在一个实施例中,试验涂层性能值包括纳米压痕测试数据和纳米划痕测试数据。
在一个实施例中,验证子模块包括:
仿真单元,用于将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;
输出单元,用于将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
在一个实施例中,仿真单元包括:
分析子单元,用于将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值;
优化子单元,用于各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,分析子单元还包括:
获取组件,用于获取初始几何模型、施加载荷类型和约束条件;
处理组件,用于针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;
仿真组件,用于将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
在一个实施例中,优化子单元还用于获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;
将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,仿真组件还用于将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
上述模具涂层生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模具涂层生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;将满足第二性能指标的涂层参数作为目标模具的涂层参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取实验微板的各个目标区域,以及各个目标区域对应的各个目标成分;根据各个目标区域对应的目标成分制备单相试验涂层;获取各个目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层。
在其中一个实施例中,试验涂层性能值包括纳米压痕测试数据和纳米划痕测试数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
在一个实施例中,仿真模型包括分析模型和优化模型;处理器执行计算机程序时还实现以下步骤:将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值;各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始几何模型、施加载荷类型和约束条件;针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
在其中一个实施例中,测试涂层的测试涂层性能值至少包括测试涂层的硬度性能值、耐磨性能值和结合强度值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;将满足第二性能指标的涂层参数作为目标模具的涂层参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取实验微板的各个目标区域,以及各个目标区域对应的各个目标成分;根据各个目标区域对应的目标成分制备单相试验涂层;获取各个目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层。
在其中一个实施例中,试验涂层性能值包括纳米压痕测试数据和纳米划痕测试数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
在一个实施例中,仿真模型包括分析模型和优化模型;处理器执行计算机程序时还实现以下步骤:将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值;各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始几何模型、施加载荷类型和约束条件;针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
在其中一个实施例中,测试涂层的测试涂层性能值至少包括测试涂层的硬度性能值、耐磨性能值和结合强度值。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据预设涂层设计方法获取目标模具的涂层参数;预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据涂层参数生成的测试涂层的测试涂层性能值;
若测试涂层性能值满足预设的第一性能指标,则根据涂层参数生成目标模具的模具涂层。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;将各个单相涂层成分以及各个单相涂层厚度进行组合,得到多个不同的待验证涂层参数;对各个待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;将满足第二性能指标的涂层参数作为目标模具的涂层参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取实验微板的各个目标区域,以及各个目标区域对应的各个目标成分;根据各个目标区域对应的目标成分制备单相试验涂层;获取各个目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的试验涂层性能值对应的目标成分确定为单相涂层成分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用高通量磁控溅射镀膜方式,根据各个目标区域对应的目标成分制备单相试验涂层。
在其中一个实施例中,试验涂层性能值包括纳米压痕测试数据和纳米划痕测试数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各个待验证涂层参数均输入至仿真模型中进行仿真实验,得到仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;将各个优化涂层性能值与第二性能指标进行比对,得到满足第二性能指标的涂层参数。
在一个实施例中,仿真模型包括分析模型和优化模型;处理器执行计算机程序时还实现以下步骤:将各个待验证涂层参数分别输入至分析模型,得到分析模型生成的各个待验证涂层参数的仿真涂层性能值;各个待验证涂层参数、各个仿真涂层性能值输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取初始几何模型、施加载荷类型和约束条件;针对于任一待验证涂层参数,将待验证涂层参数和约束条件均输入至初始几何模型,得到处理后的几何模型;将施加载荷类型施加于处理后的几何模型,得到待验证涂层参数的仿真涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取输入变量、输出变量,其中,输入变量为单相涂层成分和单相涂层厚度,输出变量为仿真涂层性能值;将输入变量、输出变量和各个待验证涂层参数均输入至优化模型,得到优化模型输出的优化涂层性能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将施加载荷类型施加于处理后的几何模型的顶面、中间面和底部面;得到待验证涂层参数的仿真涂层性能值。
在其中一个实施例中,测试涂层的测试涂层性能值至少包括测试涂层的硬度性能值、耐磨性能值和结合强度值。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory,MRAM)、铁电存储器(Ferroelectric RandomAccess Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种模具涂层生成方法,其特征在于,所述方法包括:
根据预设涂层设计方法获取目标模具的涂层参数;所述预设涂层设计方法为基于多种单相涂层成分、多种单相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
获取根据所述涂层参数生成的测试涂层的测试涂层性能值;
若所述测试涂层性能值满足预设的第一性能指标,则根据所述涂层参数生成所述目标模具的模具涂层。
2.根据权利要求1所述的方法,其特征在于,所述根据预设涂层设计方法获取目标模具的涂层参数,包括:
获取多个不同的单相涂层成分以及多个不同的单相涂层厚度;
将各个所述单相涂层成分以及各个所述单相涂层厚度进行组合,得到多个不同的待验证涂层参数;
对各个所述待验证涂层参数进行验证,得到满足第二性能指标的涂层参数;
将所述满足第二性能指标的涂层参数作为所述目标模具的涂层参数。
3.根据权利要求2所述的方法,其特征在于,所述获取多个不同的单相涂层成分,包括:
获取实验微板的各个目标区域,以及各个所述目标区域对应的各个目标成分;
根据各个所述目标区域对应的目标成分制备单相试验涂层;
获取各个所述目标区域内涂层的试验涂层性能值,并将满足预设的第三性能指标的所述试验涂层性能值对应的目标成分确定为所述单相涂层成分。
4.根据权利要求2或3所述的方法,其特征在于,所述对各个所述待验证涂层参数进行验证,得到满足第二性能指标的涂层参数,包括:
将各个所述待验证涂层参数均输入至仿真模型中进行仿真实验,得到所述仿真模型输出的各个待验证涂层参数对应的优化涂层性能值;
将各个优化涂层性能值与所述第二性能指标进行比对,得到满足第二性能指标的涂层参数。
5.根据权利要求4所述的方法,其特征在于,所述仿真模型包括分析模型和优化模型;
将各个所述待验证涂层参数均输入至仿真模型中进行仿真实验,得到所述仿真模型输出的各个待验证涂层参数对应的优化涂层性能值,包括:
将各个所述待验证涂层参数分别输入至所述分析模型,得到所述分析模型生成的各个所述待验证涂层参数的仿真涂层性能值;
各个所述待验证涂层参数、各个所述仿真涂层性能值输入至所述优化模型,得到所述优化模型输出的优化涂层性能值。
6.根据权利要求5所述的方法,其特征在于,所述将各个所述待验证涂层参数分别输入至所述分析模型,得到所述分析模型生成的各个所述待验证涂层参数的仿真涂层性能值,包括:
获取初始几何模型、施加载荷类型和约束条件;
针对于任一待验证涂层参数,将所述待验证涂层参数和所述约束条件均输入至初始几何模型,得到处理后的几何模型;
将所述施加载荷类型施加于所述处理后的几何模型,得到所述待验证涂层参数的仿真涂层性能值。
7.根据权利要求5所述的方法,其特征在于,各个所述待验证涂层参数、各个所述仿真涂层性能值输入至所述优化模型,得到所述优化模型输出的优化涂层性能值,包括:
获取输入变量、输出变量,其中,所述输入变量为单相涂层成分和单相涂层厚度,所述输出变量为仿真涂层性能值;
将所述输入变量、所述输出变量和各个所述待验证涂层参数均输入至所述优化模型,得到所述优化模型输出的所述优化涂层性能值。
8.根据权利要求6所述的方法,其特征在于,所述将所述施加载荷类型施加于所述处理后的几何模型,得到所述待验证涂层参数的仿真涂层性能值,包括:
将所述施加载荷类型施加于所述处理后的几何模型的顶面、中间面和底部面;得到所述待验证涂层参数的仿真涂层性能值。
9.一种模具涂层生成装置,其特征在于,所述装置包括:
设计模块,用于根据预设涂层设计方法获取目标模具的涂层参数;所述预设涂层设计方法为基于多相涂层成分、多相涂层厚度进行组合以生成满足模具测试指标的涂层参数的方法;
性能测试模块,用于获取根据所述涂层参数生成的测试涂层的测试涂层性能值;
筛选模块,用于若所述测试涂层性能值满足预设的第一性能指标,则根据所述涂层参数生成所述目标模具的模具涂层。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148870.4A CN115449771A (zh) | 2022-09-21 | 2022-09-21 | 模具涂层生成方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148870.4A CN115449771A (zh) | 2022-09-21 | 2022-09-21 | 模具涂层生成方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115449771A true CN115449771A (zh) | 2022-12-09 |
Family
ID=84305306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148870.4A Pending CN115449771A (zh) | 2022-09-21 | 2022-09-21 | 模具涂层生成方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115449771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933447A (zh) * | 2023-09-17 | 2023-10-24 | 浙江大学高端装备研究院 | 一种评估带涂层汽轮机叶片阻尼结构的可靠性的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111534804A (zh) * | 2020-06-16 | 2020-08-14 | 常州市乐萌压力容器有限公司 | 基于改进灰关联模型的磁控溅射工艺参数优化方法 |
AU2021102360A4 (en) * | 2021-03-26 | 2021-06-24 | Angang Steel Co., Ltd | Autonomous-learning high silicon steel soft magnetic composite iron core intelligent production system and production method |
CN113272622A (zh) * | 2018-12-20 | 2021-08-17 | 罗敦司得有限公司 | 用于操作用于生产层***的涂覆设施的方法 |
CN113987760A (zh) * | 2021-10-09 | 2022-01-28 | 武汉理工大学 | 原子自组装多元涂层的设计制备方法 |
CN114000144A (zh) * | 2021-10-29 | 2022-02-01 | 江苏徐工工程机械研究院有限公司 | 零件及其涂层制备方法 |
CN115049176A (zh) * | 2021-03-09 | 2022-09-13 | 广州汽车集团股份有限公司 | 材料性能评估方法、装置及计算机设备 |
-
2022
- 2022-09-21 CN CN202211148870.4A patent/CN115449771A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113272622A (zh) * | 2018-12-20 | 2021-08-17 | 罗敦司得有限公司 | 用于操作用于生产层***的涂覆设施的方法 |
CN111534804A (zh) * | 2020-06-16 | 2020-08-14 | 常州市乐萌压力容器有限公司 | 基于改进灰关联模型的磁控溅射工艺参数优化方法 |
CN115049176A (zh) * | 2021-03-09 | 2022-09-13 | 广州汽车集团股份有限公司 | 材料性能评估方法、装置及计算机设备 |
AU2021102360A4 (en) * | 2021-03-26 | 2021-06-24 | Angang Steel Co., Ltd | Autonomous-learning high silicon steel soft magnetic composite iron core intelligent production system and production method |
CN113066655A (zh) * | 2021-03-26 | 2021-07-02 | 安徽工业大学 | 一种自主学习的高硅钢软磁复合铁芯智能化生产***及生产方法 |
CN113987760A (zh) * | 2021-10-09 | 2022-01-28 | 武汉理工大学 | 原子自组装多元涂层的设计制备方法 |
CN114000144A (zh) * | 2021-10-29 | 2022-02-01 | 江苏徐工工程机械研究院有限公司 | 零件及其涂层制备方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933447A (zh) * | 2023-09-17 | 2023-10-24 | 浙江大学高端装备研究院 | 一种评估带涂层汽轮机叶片阻尼结构的可靠性的方法 |
CN116933447B (zh) * | 2023-09-17 | 2024-01-09 | 浙江大学高端装备研究院 | 一种评估带涂层汽轮机叶片阻尼结构的可靠性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mukhopadhyay et al. | Machine learning based stochastic dynamic analysis of functionally graded shells | |
Alduroobi et al. | Wire EDM process optimization for machining AISI 1045 steel by use of Taguchi method, artificial neural network and analysis of variances | |
Farmaga et al. | Evaluation of computational complexity of finite element analysis | |
Banerjee et al. | Crack modelling and detection in Timoshenko FGM beam under transverse vibration using frequency contour and response surface model with GA | |
Spary et al. | On the indentation size effect in spherical indentation | |
Heinisch et al. | Comparison of design of experiment methods for modeling injection molding experiments using artificial neural networks | |
CN115449771A (zh) | 模具涂层生成方法、装置、设备、存储介质和程序产品 | |
Gusel et al. | Application of genetic programming for modelling of material characteristics | |
CN113158518B (zh) | 一种求解薄基片应力的方法 | |
Shedbale et al. | Evaluation of mechanical properties using spherical ball indentation and coupled finite element–element-free galerkin approach | |
Wu et al. | A physics-informed machine learning model for surface roughness prediction in milling operations | |
CN116882324B (zh) | 一种数据驱动的滑移流近壁区非线性本构流场建模方法 | |
Huber et al. | Determination of Poisson’s ratio by spherical indentation using neural networks—Part I: Theory | |
Zak et al. | Continuous-time identification of gene expression models | |
Hossain et al. | Surface roughness prediction modelling for commercial dies using ANFIS, ANN and RSM | |
CN115935761A (zh) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 | |
Kossa et al. | Powerful calibration strategy for the two-layer viscoplastic model | |
Yu et al. | Offline prediction of process windows for robust injection molding | |
Gavrilenkov et al. | Development and performance evaluation of a software system for multi-objective design of strain gauge force sensors | |
Kolesnikov et al. | Machine Learning-Based Predictive Modeling of Mechanical Properties of Coatings | |
Massimo et al. | Estimation of mass and lengths of sintered workpieces using machine learning models | |
Rajaguru et al. | Numerical modelling methodology for design of miniaturised integrated products-an application to 3D CMM micro-probe development | |
Zhang et al. | GAS-AU: an average uncertainty-based general adaptive sampling approach | |
Dihoru et al. | A neural network for error prediction in a true triaxial apparatus with flexible boundaries | |
Bittner et al. | Modeling, minimizing and managing the risk of fatigue for mechanical 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 |