海歸學者發起的公益學術平臺
分享信息，整合資源
交流學術，偶爾風月
"海歸學者發起的公益學術平臺
分享信息，整合資源
交流學術，偶爾風月
摩擦攪拌焊接（FSW）是一種相對較新的固態焊接工藝，現已廣泛應用於航空航天、造船、汽車和其他行業。
在此過程中，憑壓力將具有肩部和焊銷的旋轉剛性工具插入接頭中。工具和工件之間的摩擦產生的熱量使合金軟化但不熔化。軟化的材料圍繞工具銷流動並在銷釘後面形成接頭。由於摩擦攪拌焊接不涉及熔化，因此避免了常見的熔焊問題，例如凝固裂紋和揮發性合金元素的損失。儘管有許多優點，但它的成功取決於許多複雜物理過程的耦合，這些過程會影響溫度的三維分佈、材料的塑化速度、應變速率以及其他機械和冶金變量。溫度和速度場，應變速率和其他參數的變化可能導致在靠近焊銷尖端處的部件形成空隙。焊接部件中的空隙影響接頭的機械性能和服役性能。
該研究使用兩種機器學習算法，即神經網絡和決策樹算法，研究了鋁合金摩擦攪拌焊接中的空隙形成。來自美國賓夕法尼亞州立大學的Tarasankar DebRoy 領導的研究小組，分析了同行評審文獻中108個獨立的實驗數據。他們研究了原始焊接參數和潛在的致因變量，如溫度、刀具銷上的最大剪切應力、扭矩和應變速率等。他們發現：
影響鋁合金攪拌摩擦中孔洞形成的變量依次為刀具銷附近的溫度、刀具銷上的最大剪應力、扭矩和應變速率，影響程度依次遞減。
預測孔洞最簡單的方法是將原始焊接參數和材料特性輸入神經網絡，神經網絡能夠提供一種分類方案，輸出二元結果(有孔洞和無孔洞)。
該方法對孔隙形成的預測精度為83.3%。
在預測攪拌摩擦焊接過程中孔洞形成的四個潛在致因變量：
溫度、工具銷上的最大剪應力、扭矩和應變速率均優於原始焊接參數。
當這些致因變量由降階分析模型計算並作為ML算法的輸入數據集時，神經網絡和DT算法的孔隙形成預測的準確率分別為93.3%和90%。
當空洞形成與潛在的致因變量相關時，即通過建立力學數值模型，計算了針尖附近的局部溫度、針尖上的最大剪應力、扭矩和應變速率，結果表明，神經網絡和DT方法均能較好地預測缺陷的形成，預測精度為96.6%。
該文近期發表於npj Computational Materials 5: 68 (2019)，英文標題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文PDF。
"海歸學者發起的公益學術平臺
分享信息，整合資源
交流學術，偶爾風月
摩擦攪拌焊接（FSW）是一種相對較新的固態焊接工藝，現已廣泛應用於航空航天、造船、汽車和其他行業。
在此過程中，憑壓力將具有肩部和焊銷的旋轉剛性工具插入接頭中。工具和工件之間的摩擦產生的熱量使合金軟化但不熔化。軟化的材料圍繞工具銷流動並在銷釘後面形成接頭。由於摩擦攪拌焊接不涉及熔化，因此避免了常見的熔焊問題，例如凝固裂紋和揮發性合金元素的損失。儘管有許多優點，但它的成功取決於許多複雜物理過程的耦合，這些過程會影響溫度的三維分佈、材料的塑化速度、應變速率以及其他機械和冶金變量。溫度和速度場，應變速率和其他參數的變化可能導致在靠近焊銷尖端處的部件形成空隙。焊接部件中的空隙影響接頭的機械性能和服役性能。
該研究使用兩種機器學習算法，即神經網絡和決策樹算法，研究了鋁合金摩擦攪拌焊接中的空隙形成。來自美國賓夕法尼亞州立大學的Tarasankar DebRoy 領導的研究小組，分析了同行評審文獻中108個獨立的實驗數據。他們研究了原始焊接參數和潛在的致因變量，如溫度、刀具銷上的最大剪切應力、扭矩和應變速率等。他們發現：
影響鋁合金攪拌摩擦中孔洞形成的變量依次為刀具銷附近的溫度、刀具銷上的最大剪應力、扭矩和應變速率，影響程度依次遞減。
預測孔洞最簡單的方法是將原始焊接參數和材料特性輸入神經網絡，神經網絡能夠提供一種分類方案，輸出二元結果(有孔洞和無孔洞)。
該方法對孔隙形成的預測精度為83.3%。
在預測攪拌摩擦焊接過程中孔洞形成的四個潛在致因變量：
溫度、工具銷上的最大剪應力、扭矩和應變速率均優於原始焊接參數。
當這些致因變量由降階分析模型計算並作為ML算法的輸入數據集時，神經網絡和DT算法的孔隙形成預測的準確率分別為93.3%和90%。
當空洞形成與潛在的致因變量相關時，即通過建立力學數值模型，計算了針尖附近的局部溫度、針尖上的最大剪應力、扭矩和應變速率，結果表明，神經網絡和DT方法均能較好地預測缺陷的形成，預測精度為96.6%。
該文近期發表於npj Computational Materials 5: 68 (2019)，英文標題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文PDF。
Conditions for void formation in friction stir welding from machine learning
Yang Du, Tuhin Mukherjee & Tarasankar DebRoy
Friction stir welded joints often contain voids that are detrimental to their mechanical properties. Here we investigate the conditions for void formation using a decision tree and a Bayesian neural network. Three types of input data sets including unprocessed welding parameters and computed variables using an analytical and a numerical model of friction stir welding were examined. One hundred and eight sets of independent experimental data on void formation for the friction stir welding of three aluminum alloys, AA2024, AA2219, and AA6061, were analyzed. The neural network-based analysis with welding parameters, specimen and tool geometries, and material properties as input predicted void formation with 83.3% accuracy. When the potential causative variables, i.e., temperature, strain rate, torque, and maximum shear stress on the tool pin were computed from an approximate analytical model of friction stir welding, 90 and 93.3% accuracies of prediction were obtained using the decision tree and the neural network, respectively. When the same causative variables were computed from a rigorous numerical model, both the neural network and the decision tree predicted void formation with 96.6% accuracy. Among these four causative variables, the temperature and maximum shear stress showed the maximum influence on void formation.
"海歸學者發起的公益學術平臺
分享信息，整合資源
交流學術，偶爾風月
摩擦攪拌焊接（FSW）是一種相對較新的固態焊接工藝，現已廣泛應用於航空航天、造船、汽車和其他行業。
在此過程中，憑壓力將具有肩部和焊銷的旋轉剛性工具插入接頭中。工具和工件之間的摩擦產生的熱量使合金軟化但不熔化。軟化的材料圍繞工具銷流動並在銷釘後面形成接頭。由於摩擦攪拌焊接不涉及熔化，因此避免了常見的熔焊問題，例如凝固裂紋和揮發性合金元素的損失。儘管有許多優點，但它的成功取決於許多複雜物理過程的耦合，這些過程會影響溫度的三維分佈、材料的塑化速度、應變速率以及其他機械和冶金變量。溫度和速度場，應變速率和其他參數的變化可能導致在靠近焊銷尖端處的部件形成空隙。焊接部件中的空隙影響接頭的機械性能和服役性能。
該研究使用兩種機器學習算法，即神經網絡和決策樹算法，研究了鋁合金摩擦攪拌焊接中的空隙形成。來自美國賓夕法尼亞州立大學的Tarasankar DebRoy 領導的研究小組，分析了同行評審文獻中108個獨立的實驗數據。他們研究了原始焊接參數和潛在的致因變量，如溫度、刀具銷上的最大剪切應力、扭矩和應變速率等。他們發現：
影響鋁合金攪拌摩擦中孔洞形成的變量依次為刀具銷附近的溫度、刀具銷上的最大剪應力、扭矩和應變速率，影響程度依次遞減。
預測孔洞最簡單的方法是將原始焊接參數和材料特性輸入神經網絡，神經網絡能夠提供一種分類方案，輸出二元結果(有孔洞和無孔洞)。
該方法對孔隙形成的預測精度為83.3%。
在預測攪拌摩擦焊接過程中孔洞形成的四個潛在致因變量：
溫度、工具銷上的最大剪應力、扭矩和應變速率均優於原始焊接參數。
當這些致因變量由降階分析模型計算並作為ML算法的輸入數據集時，神經網絡和DT算法的孔隙形成預測的準確率分別為93.3%和90%。
當空洞形成與潛在的致因變量相關時，即通過建立力學數值模型，計算了針尖附近的局部溫度、針尖上的最大剪應力、扭矩和應變速率，結果表明，神經網絡和DT方法均能較好地預測缺陷的形成，預測精度為96.6%。
該文近期發表於npj Computational Materials 5: 68 (2019)，英文標題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文PDF。
Conditions for void formation in friction stir welding from machine learning
Yang Du, Tuhin Mukherjee & Tarasankar DebRoy
Friction stir welded joints often contain voids that are detrimental to their mechanical properties. Here we investigate the conditions for void formation using a decision tree and a Bayesian neural network. Three types of input data sets including unprocessed welding parameters and computed variables using an analytical and a numerical model of friction stir welding were examined. One hundred and eight sets of independent experimental data on void formation for the friction stir welding of three aluminum alloys, AA2024, AA2219, and AA6061, were analyzed. The neural network-based analysis with welding parameters, specimen and tool geometries, and material properties as input predicted void formation with 83.3% accuracy. When the potential causative variables, i.e., temperature, strain rate, torque, and maximum shear stress on the tool pin were computed from an approximate analytical model of friction stir welding, 90 and 93.3% accuracies of prediction were obtained using the decision tree and the neural network, respectively. When the same causative variables were computed from a rigorous numerical model, both the neural network and the decision tree predicted void formation with 96.6% accuracy. Among these four causative variables, the temperature and maximum shear stress showed the maximum influence on void formation.
本文系網易新聞·網易號“各有態度”特色內容
媒體轉載聯繫授權請看下方
"