一种高温合金的蠕变曲线预测方法

1.本发明属于材料科学与工程的技术领域，涉及一种高温合金的蠕变曲线预测方法。


背景技术：

2.高温合金以优异的高温综合性能，在过去几十年里被深入研究并得到了迅猛发展，被广泛应用于制造航空发动机、工业燃气轮机热端涡轮叶片等高温部件。金属蠕变是指金属材料在应力作用下，随着时间的作用发生应变变形的现象。
3.高温合金在服役过程中通常因为发生蠕变变形而失效，从而导致服役安全和经济损失等问题。为了解决该问题，需要一种能够准确预测高温合金蠕变时间的方法，尤其是一种能够准确预测高温合金不同蠕变条件下某一蠕变应变对应的蠕变中断时间，即可实现对高温合金服役时间的控制，在避免达到蠕变失效之前对其进行最大程度地使用。然而，现有的预测高温合金蠕变时间的方法虽然有很多，但是准确度不高，实用性不强。
4.例如：1982年r.m.evans等人提出的“θ投影法”通过对蠕变曲线的描述，从而实现对任意蠕变条件下某一蠕变应变对应的蠕变中断时间的预测。该方法认为材料在蠕变过程中会发生材料软化和材料硬化的过程，将两个过程用指数方程表示并进行叠加即可得到θ投影法方程。然而该方法并没有考虑在实际加载过程中蠕变真应力的变化，甚至该方程对于蠕变应变量较大的蠕变曲线并不适用。近年来，材料基因工程的迅猛发展让我们意识到机器学习在数据挖掘方面的巨大潜力。对于预测蠕变曲线这类受多种条件影响的非线性曲线，机器学习具有非凡的表现力。
5.中国专利cn102331377a公开了一种评估t/p92钢的蠕变性能的方法，显然是基于“θ投影法”，测量的也只是较低温度和较低应力下的蠕变曲线，蠕变应变量较小，并不适合不小于900℃高温的高温合金蠕变曲线测量。
6.中国专利cn105628511a公开了一种高温合金蠕变寿命预测方法，该方法虽然是在θ投影法的基础上，引入蠕变过程中材料形状变化导致真应力变化这一因素，得到修正θ投影法，具体形式为：ε＝θ1*(1-exp(θ2*(1+θ5*ε)*t))+θ3*(exp(θ4*(1+θ5*ε)*t)-1)，但是蠕变应变量较小，并不适合是蠕变应变量较大的高温合金蠕变寿命预测。
7.故而，虽然近年来建立了各种形式的修正θ方程，在表达蠕变曲线方面取得了较好的效果，但是θ方程参数对蠕变的变形过程非常敏感，与应力以及温度的关系比较分散，故而用θ影射法预测蠕变寿命需要大量的试验数据。
8.中国专利cn106568655a公开了一种预测耐热合金蠕变寿命的方法，其中包括建立在arrhenius定律基础上的蠕变寿命预测模型，在一定范围内只需通过三组蠕变试验数据即可实现有效的蠕变寿命预测；然而其能预测的应力条件较小，并未考虑较大蠕变应变量与蠕变时间的预测不同温度和应力条件下的蠕变曲线，从而也不能够获得对应温度和应力下的蠕变中断时间。
9.综上，现有技术并未考虑可以借助机器学习对高温合金不同条件下的蠕变曲线进
行预测，也未考虑较大蠕变应变量与蠕变时间的预测不同温度和应力条件下的蠕变曲线，以获得对应温度和应力下的蠕变中断时间。


技术实现要素：

10.本发明所要解决的技术问题是现有技术中“θ投影法”和修正“θ投影法”都不能够对蠕变应变量较大的高温合金蠕变寿命预测，而建立在arrhenius定律基础上的蠕变寿命预测模型也是如此；如何设计预测方法才能够获得较大蠕变应变量与蠕变时间的预测不同温度和应力条件下的蠕变曲线需要亟待解决。
11.为解决上述技术问题，本发明提供如下技术方案：
12.一种高温合金的蠕变曲线预测方法，具体包括如下步骤：
13.s1、构建数据集：收集高温合金在不同温度和应力条件下高温合金的高温蠕变曲线，每条高温蠕变曲线包括蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间和蠕变应变量的数据，将这些数据构成数据集；
14.s2、将所述步骤s1中构建的数据集，结合拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)进行拟合，求出公式中的待定系数，得到拉森-米勒参数方程，其中t为蠕变温度，tf为蠕变断裂寿命，σ为蠕变应力，通过该方程可以求出任意蠕变条件下的蠕变断裂寿命；
15.s3、将所述步骤s1中数据集内的蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间作为输入数据，蠕变应变量作为输出数据，选取bp神经网络构建得到蠕变曲线预测模型bp model；
16.s4、将所述步骤s2所获得的拉森-米勒参数方程和所述步骤s3中获得的蠕变曲线预测模型bp model模型结合，得到预测不同温度和应力条件下的蠕变曲线，从而获得对应温度和应力下的蠕变中断时间。
17.优选地，所述步骤s1中的数据集至少包含6条不同测试条件下的高温蠕变曲线。
18.优选地，所述步骤s2中的拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)，利用数学分析软件，按最小二乘法回归，将蠕变应力、蠕变温度以及蠕变断裂寿命输入，求出公式中的待定系数c
lm
。
19.优选地，所述步骤s2中的拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)＝c
0,lm
+c
1,lm
*lgσ+c
2,lm
*lg2σ+c
3,lm
*lg3σ，利用数学分析软件，按最小二乘法回归，将蠕变应力、蠕变温度以及蠕变断裂寿命输入，求出公式中的待定系数c
lm
、c
0,lm
、c
1,lm
、c
2,lm
、c
3,lm
，得到拉森-米勒参数方程，其中t为蠕变温度，tf为蠕变断裂寿命，σ为蠕变应力。
20.优选地，所述步骤s2中bp model模型的神经网络结构为4-16-8-8-1。
21.优选地，所述高温合金的蠕变曲线预测方法蠕变应变量为0-10％，对高温合金蠕变曲线预测的精度比现有技术提高了30％，蠕变断裂时间的预测值与实测值的相对误差降低到20％。
22.本发明与现有技术相比，具有以下有益效果：
23.上述方案中，本发明的目的是提出一种基于机器学习的可准确描述高温合金蠕变曲线的预测方法，该方法可在数据集覆盖的蠕变测试条件和蠕变断裂寿命范围内，对高温合金的蠕变曲线做出快速预测。
24.本发明将拉森-米勒参数方程得到的任意蠕变条件下的蠕变断裂寿命作为机器学
习模型的一个输入，有效提高了蠕变曲线预测的精度。
25.本发明包括预测蠕变某一蠕变条件下的蠕变断裂时间和某一蠕变应变对应的蠕变中断时间，对材料科学领域一些复杂且数据条件较少的机器学习问题具有借鉴意义。
26.本发明所述高温合金的蠕变曲线预测方法蠕变应变量为0-10％，对高温合金蠕变曲线预测的精度比现有技术提高了30％，蠕变断裂时间的预测值与实测值的相对误差降低到20％。
27.总之，本发明所述蠕变曲线预测方法能够获得较大蠕变应变量与蠕变时间的预测不同温度和应力条件下的蠕变曲线，可对高温合金的服役时间进行有效评估，减小危害，降低成本，利于工业大规模生产和推广使用。
附图说明
28.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。
29.图1为本发明实施例1中marm247lc高温合金预测方法所获得的不同蠕变条件下的蠕变时间-应变曲线图；
30.图2为bp model模型的结构示意图；
31.图3为本发明实施例1中marm247lc高温合金预测方法所获得的合金蠕变实验曲线与经典θ投影法预测曲线以及模型bp model预测曲线对比图，其中：(a)900℃/250mpa，(b)950℃/200mpa，(c)950℃/225mpa，(d)1000℃/125mpa；
32.图4为本发明实施例1中使用bp model模型预测不同条件下的marm247lc合金蠕变曲线图；
33.图5为本发明实施例2中dz125高温合金预测方法所获得的合金蠕变实验曲线与经典θ投影法预测曲线以及模型bp model预测曲线对比图，其中：(a)980℃/207mpa，(b)1000℃/180mpa；
34.图6为本发明实施例2中使用bp model模型预测不同条件下的dz125高温合金蠕变曲线图；
35.图7为本发明实施例3中cmsx-4高温合金预测方法所获得的合金蠕变实验曲线与模型bp model预测曲线对比图，其中：(a)850℃/490mpa，(b)900℃/360mpa；
36.图8为本发明实施例3中使用bp model模型预测不同条件下的cmsx-4高温合金蠕变曲线图。
具体实施方式
37.下面将结合本发明实施例，对本发明实施例中的技术方案和解决的技术问题进行阐述。显然，所描述的实施例仅仅是本发明专利的一部分实施例，而不是全部实施例。
38.实施例1
39.一种marm247lc高温合金的蠕变曲线预测方法，其特征在于，具体包括如下步骤：
40.s1、构建数据集：收集marm247lc高温合金在不同温度和应力条件下高温合金的高
温蠕变曲线，每条高温蠕变曲线包括蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间和蠕变应变量的数据，将这些数据构成数据集；
41.s2、将所述步骤s1中构建的数据集，结合拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)＝c
0,lm
+c
1,lm
*lgσ+c
2,lm
*lg2σ+c
3,lm
*lg3σ进行拟合，获到待定系数c
lm
、c
0,lm
、c
1,lm
、c
2,lm
、c
3,lm
，得到可以预测蠕变断裂寿命的拉森-米勒参数方程，其中t为蠕变温度，tf为蠕变断裂寿命，σ为蠕变应力，通过该方程可以求出任意蠕变条件下的蠕变断裂寿命；
42.其中的数据集中用于拟合拉森-米勒参数方程的数据以及拟合得到的参数如下表1所示，具体拟合方法为利用1stopt软件的非线性拟合工具，将方程写入，选择需要拟合的数据进行拟合；
43.s3、将所述步骤s1中数据集内的蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间作为输入数据，蠕变应变量作为输出数据，选取bp神经网络构建得到蠕变曲线预测模型bp model，bp model模型的神经网络结构为4-16-8-8-1；
44.s4、利用高温蠕变试验机，获得4条不在建模所用数据集中的蠕变曲线数据，蠕变条件分别为900℃/250mpa、950℃/200mpa、950℃/225mpa、1000℃/125mpa；将这些数据代入所述步骤s2所获得的拉森-米勒参数方程计算4个蠕变测试条件下的蠕变断裂寿命，并将4条蠕变曲线对应的蠕变温度、蠕变应力、蠕变断裂寿命和蠕变时间数据输入模型bp model，分别获得4个蠕变测试条件下的蠕变曲线。
45.图3为4个蠕变测试条件下利用bp model模型预测的蠕变曲线与经典θ投影法方程做出的蠕变曲线以及实验所得蠕变曲线的对比。由图3可以看出，bp model模型大大提高了预测精度。
46.利用bp model模型以及拟合后的拉森-米勒方程可以达到对数据集覆盖范围内不同条件蠕变曲线预测的目的，如图4所示。
47.所述marm247lc高温合金的蠕变曲线预测方法蠕变应变量为0-10％，对高温合金蠕变曲线预测的精度比现有技术提高了30％，蠕变断裂时间的预测值与实测值的相对误差降低到20％。
48.表1用于拟合拉森-米勒参数方程的数据以及拟合得到的参数
[0049][0050]
注：t-蠕变测试温度，σ-蠕变测试应力，t
f-蠕变断裂寿命
[0051]
实施例2
[0052]
一种dz125高温合金的蠕变曲线预测方法，其特征在于，具体包括如下步骤：
[0053]
s1、构建数据集：收集dz125高温合金在不同温度和应力条件下高温合金的高温蠕变曲线，每条高温蠕变曲线包括蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间和蠕变应变量的数据，将这些数据构成数据集；
[0054]
s2、将所述步骤s1中构建的数据集，结合拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)＝c
0,lm
+c
1,lm
*lgσ+c
2,lm
*lg2σ+c
3,lm
*lg3σ进行拟合，获到待定系数c
lm
、c
0,lm
、c
1,lm
、c
2,lm
、c
3,lm
，得到可以预测蠕变断裂寿命的拉森-米勒参数方程，其中t为蠕变温度，tf为蠕变断裂寿命，σ为蠕变应力，通过该方程可以求出任意蠕变条件下的蠕变断裂寿命；
[0055]
其中的数据集中用于拟合拉森-米勒参数方程的数据以及拟合得到的参数如下表2所示，具体拟合方法为利用1stopt软件的非线性拟合工具，将方程写入，选择需要拟合的数据进行拟合；
[0056]
s3、将所述步骤s1中数据集内的蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间作为输入数据，蠕变应变量作为输出数据，选取bp神经网络构建得到蠕变曲线预测模型bp model，bp model模型的神经网络结构为4-16-8-8-1；
[0057]
s4、利用高温蠕变试验机，获得2条不在建模所用数据集中的蠕变曲线数据，蠕变条件分别为980℃/207mpa、1000℃/180mpa；将这些数据代入所述步骤s2所获得的拉森-米勒参数方程计算2个蠕变测试条件下的蠕变断裂寿命，并将2条蠕变曲线对应的蠕变温度、蠕变应力、蠕变断裂寿命和蠕变时间数据输入模型bp model，分别获得2个蠕变测试条件下的蠕变曲线。
[0058]
图5为2个蠕变测试条件下利用bp model模型预测的蠕变曲线与经典θ投影法方程做出的蠕变曲线以及实验所得蠕变曲线的对比。由图5可以看出，bp model模型大大提高了预测精度。
[0059]
利用bp model模型以及拟合后的拉森-米勒方程可以达到对数据集覆盖范围内不同条件蠕变曲线预测的目的，如图6所示。
[0060]
所述dz125高温合金的蠕变曲线预测方法蠕变应变量为0-10％，对高温合金蠕变曲线预测的精度比现有技术提高了65％，蠕变断裂时间的预测值与实测值的相对误差降低到18％。
[0061]
表2用于拟合拉森-米勒参数方程的数据以及拟合得到的参数
[0062][0063][0064]
注：t-蠕变测试温度，σ-蠕变测试应力，t
f-蠕变断裂寿命
[0065]
实施例3
[0066]
一种cmsx-4高温合金的蠕变曲线预测方法，其特征在于，具体包括如下步骤：
[0067]
s1、构建数据集：收集cmsx-4高温合金在不同温度和应力条件下高温合金的高温蠕变曲线，每条高温蠕变曲线包括蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间和蠕变应变量的数据，将这些数据构成数据集；
[0068]
s2、将所述步骤s1中构建的数据集，结合拉森-米勒参数p
lm
(σ)＝103*t*(c
lm
+lgtf)＝c
0,lm
+c
1,lm
*lgσ+c
2,lm
*lg2σ+c
3,lm
*lg3σ进行拟合，获到待定系数c
lm
、c
0,lm
、c
1,lm
、c
2,lm
、c
3,lm
，得到可以预测蠕变断裂寿命的拉森-米勒参数方程，其中t为蠕变温度，tf为蠕变断裂寿命，σ为蠕变应力，通过该方程可以求出任意蠕变条件下的蠕变断裂寿命；
[0069]
其中的数据集中用于拟合拉森-米勒参数方程的数据以及拟合得到的参数如下表1所示，具体拟合方法为利用1stopt软件的非线性拟合工具，将方程写入，选择需要拟合的数据进行拟合；
[0070]
s3、将所述步骤s1中数据集内的蠕变温度、蠕变应力、蠕变断裂寿命、蠕变时间作为输入数据，蠕变应变量作为输出数据，选取bp神经网络构建得到蠕变曲线预测模型bp model，bp model模型的神经网络结构为4-16-8-8-1；
[0071]
s4、利用高温蠕变试验机，获得2条不在建模所用数据集中的蠕变曲线数据，蠕变条件分别为850℃/490mpa、900℃/360mpa；将这些数据代入所述步骤s2所获得的拉森-米勒参数方程计算2个蠕变测试条件下的蠕变断裂寿命，并将2条蠕变曲线对应的蠕变温度、蠕变应力、蠕变断裂寿命和蠕变时间数据输入模型bp model，分别获得2个蠕变测试条件下的蠕变曲线。
[0072]
图7为2个蠕变测试条件下利用bp model模型预测的蠕变曲线与实验所得蠕变曲线的对比。由图7可以看出，bp model模型预测时间误差在
±
10％以内。
[0073]
利用bp model模型以及拟合后的拉森-米勒方程可以达到对数据集覆盖范围内不同条件蠕变曲线预测的目的，如图8所示。
[0074]
所述cmsx-4高温合金的蠕变曲线预测方法蠕变应变量为0-10％，蠕变断裂时间的预测值与实测值的相对误差降低到5％。
[0075]
表1用于拟合拉森-米勒参数方程的数据以及拟合得到的参数
[0076][0077]
注：t-蠕变测试温度，σ-蠕变测试应力，t
f-蠕变断裂寿命
[0078]
综上，本发明所述蠕变曲线预测方法蠕变应变量的数值范围0-10％，对高温合金
蠕变曲线预测的精度比现有技术提高了30％，蠕变断裂时间的预测值与实测值的相对误差降低到20％。
[0079]
上述方案中，本发明的目的是提出一种基于机器学习的可准确描述高温合金蠕变曲线的预测方法，该方法可在数据集覆盖的蠕变测试条件和蠕变断裂寿命范围内，对高温合金的蠕变曲线做出快速预测。
[0080]
本发明将拉森-米勒参数方程得到的任意蠕变条件下的蠕变断裂寿命作为机器学习模型的一个输入，有效提高了蠕变曲线预测的精度。
[0081]
本发明包括预测蠕变某一蠕变条件下的蠕变断裂时间和某一蠕变应变对应的蠕变中断时间，对材料科学领域一些复杂且数据条件较少的机器学习问题具有借鉴意义。
[0082]
本发明所述蠕变曲线预测方法蠕变应变量的数值范围，对高温合金蠕变曲线预测的精度比现有技术提高了30％，蠕变断裂时间的预测值与实测值的相对误差降低到20％。
[0083]
总之，本发明所述蠕变曲线预测方法能够获得较大蠕变应变量与蠕变时间的预测不同温度和应力条件下的蠕变曲线，可对高温合金的服役时间进行有效评估，减小危害，降低成本，利于工业大规模生产和推广使用。
[0084]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。