郭 雄 高振桓 史衛(wèi)杰 陶 飛 楊照宏

(1.東方電氣集團(tuán)東方汽輪機(jī)有限公司，四川618000；2.長(zhǎng)壽命高溫材料國(guó)家重點(diǎn)實(shí)驗(yàn)室，四川618000)

MM247鑄造高溫合金因其良好的高溫拉伸持久、抗蠕變、抗熱腐蝕性能而被廣泛地應(yīng)用于燃機(jī)透平葉片。其優(yōu)良的綜合性能主要得益于各合金化元素對(duì)組織的沉淀強(qiáng)化、晶界強(qiáng)化及固溶強(qiáng)化作用。由于合金加入的化學(xué)元素種類(lèi)較多，其相組成變得尤為復(fù)雜，且組織結(jié)構(gòu)間相互影響。目前，針對(duì)MM247高溫合金的研究主要集中在以下幾方面：(1)化學(xué)成分對(duì)相結(jié)構(gòu)、組織的影響[1-2]；(2)組織對(duì)合金的強(qiáng)化機(jī)理研究[3-4]；(3)凝固參數(shù)或工藝參數(shù)對(duì)相結(jié)構(gòu)、組織的影響[5-7]；(4)高溫合金性能評(píng)價(jià)[8]。應(yīng)當(dāng)在工藝設(shè)計(jì)初端就充分考慮凝固組織狀態(tài)，以性能為導(dǎo)向進(jìn)行工藝設(shè)計(jì)。

眾所周知，凝固組織決定著力學(xué)性能，但凝固組織又與凝固參數(shù)冷卻速率密切相關(guān)，工藝參數(shù)如澆注溫度、型殼預(yù)熱溫度等直接決定著冷卻速率的大小。因此，要想研究冷卻速率與性能的關(guān)系，就必須先研究凝固組織與冷卻速率的關(guān)系、以及凝固組織與力學(xué)性能的對(duì)應(yīng)關(guān)系。由于高溫合金凝固組織錯(cuò)綜復(fù)雜，本文將以人工神經(jīng)網(wǎng)絡(luò)求解凝固組織與冷卻速率的非線(xiàn)性關(guān)系，并擬合計(jì)算冷卻速率與力學(xué)性能的關(guān)系，為工藝設(shè)計(jì)提供理論支撐。

1 實(shí)驗(yàn)內(nèi)容及方法

1.1 研究對(duì)象及內(nèi)容

本文以某燃機(jī)動(dòng)葉片為研究對(duì)象，通過(guò)ProCAST鑄造軟件計(jì)算并選取了動(dòng)葉片不同壁厚位置的冷卻速率。同時(shí)，對(duì)葉片進(jìn)行精鑄實(shí)驗(yàn)，并解剖相應(yīng)位置，獲取凝固組織信息。隨后，采用MATLAB軟件，對(duì)凝固組織與冷卻速率進(jìn)行神經(jīng)網(wǎng)絡(luò)建模、訓(xùn)練和驗(yàn)證，并最終用于冷卻速率的預(yù)測(cè)。

除此之外，選取額外的若干試樣進(jìn)行力學(xué)性能測(cè)試，獲取室溫拉伸性能，并解剖該試樣，觀(guān)測(cè)凝固組織并利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行冷卻速率的預(yù)測(cè)，建立冷卻速率與性能的關(guān)系。

本文采用的MM247合金，其名義成分(質(zhì)量分?jǐn)?shù)，%)為：Cr 8.2，Co 9.2，Mo 0.5，W 9.4，Al 5.6，Ta 3.2，Ti 0.7，C 0.08，Hf 1.1，Ni余量。

1.2 BP神經(jīng)網(wǎng)絡(luò)建模

目前發(fā)展的神經(jīng)網(wǎng)絡(luò)理論技術(shù)較多，但性能比較優(yōu)良的是BP神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。本文應(yīng)用MATLAB對(duì)凝固組織與冷卻速率的關(guān)系構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)，其工作原理包含以下步驟：

(1)網(wǎng)絡(luò)初始化

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Figure 1 Topological structure diagram ofBP neural network

表1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)組Table 1 Neural network training data set

(2)網(wǎng)絡(luò)訓(xùn)練

通過(guò)對(duì)大量實(shí)驗(yàn)數(shù)據(jù)的自我學(xué)習(xí)和自我調(diào)整，最終建立凝固組織與冷卻速率的非線(xiàn)性關(guān)聯(lián)。訓(xùn)練網(wǎng)絡(luò)需要大量的實(shí)驗(yàn)數(shù)據(jù)，筆者在燃機(jī)葉片上選取了17個(gè)位置點(diǎn)，逐一觀(guān)測(cè)微觀(guān)組織并借用ProCAST計(jì)算了相應(yīng)位置冷卻速率。其中14個(gè)位置點(diǎn)作為網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)樣本，其凝固組織及冷卻速率數(shù)據(jù)如表1所示。

(3)網(wǎng)絡(luò)驗(yàn)證

網(wǎng)絡(luò)訓(xùn)練完成后，為了驗(yàn)證其有效性。本文選取了葉片其他3個(gè)位置點(diǎn)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)。用預(yù)測(cè)值與實(shí)際值進(jìn)行比較，驗(yàn)證偏差量。驗(yàn)證數(shù)據(jù)見(jiàn)表2。

2 結(jié)果與分析

2.1 凝固組織

對(duì)不同工藝參數(shù)澆注的標(biāo)準(zhǔn)試樣進(jìn)行力學(xué)性能測(cè)試，并解剖分析凝固組織，其測(cè)試結(jié)果如表3所示、微觀(guān)組織如圖2～4所示。

表2 神經(jīng)網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)組Table 2 Neural network validation data set

表3 室溫強(qiáng)度及微觀(guān)組織Table 3 Strength at room temperature andmicrostructure

圖2 MM247合金碳化物形貌及尺寸(100×)Figure 2 Morphology and dimension ofMM247 alloy carbide(100×)

(a)試樣B(b)試樣D

從圖2～4可以看出，相比試樣B，試樣D碳化物尺寸、共晶尺寸、二次枝晶間距均要明顯小得多，說(shuō)明增大冷卻速率可以細(xì)化組織。同時(shí)，不同冷卻速率下組織形貌差異也較大。如試樣D碳化物呈現(xiàn)細(xì)長(zhǎng)的草狀，而試樣B則呈現(xiàn)出球狀。

由于組織上的差異，試樣A～D具有明顯不同的室溫力學(xué)性能。其數(shù)值分布范圍相差約60 MPa。而引起凝固組織及力學(xué)性能差異均可用冷卻速率表征。因此，將冷卻速率作為凝固組織與力學(xué)性能間的衡量參量具有重要意義，對(duì)性能的預(yù)測(cè)更是具備現(xiàn)實(shí)意義。

(a)試樣D(50×)(b)試樣B(100×)

2.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練及驗(yàn)證

根據(jù)神經(jīng)網(wǎng)絡(luò)建模原理，程序編制如下：

clear

A=load(‘1.txt’); %加載輸入層數(shù)據(jù)

B=load(‘2.txt’); %加載輸出層數(shù)據(jù)

P=A’;

T=B’;

NodeNum=5; %輸入層單元數(shù)目

TypeNum=1; %輸出層單元數(shù)目

Epochs=10000; %最多迭代次數(shù)

TF1=‘tansig’; %傳遞函數(shù)：正切sigmold函數(shù)

TF2=‘purelin’; %傳遞函數(shù)：線(xiàn)性函數(shù)

net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},‘trainlm’); %建立訓(xùn)練網(wǎng)絡(luò)

net.trainParam.epochs=Epochs; %網(wǎng)絡(luò)訓(xùn)練參數(shù)：訓(xùn)練迭代步數(shù)

net.trainParam.goal=1e-5; %網(wǎng)絡(luò)訓(xùn)練參數(shù)：誤差控制精度

net.trainParam.show=200;

net.trainParam.time=inf; %網(wǎng)絡(luò)訓(xùn)練參數(shù)：時(shí)間

[net,tr]=train(net,P,T); %開(kāi)始訓(xùn)練

P1=load(‘3.txt’); %加載需預(yù)測(cè)輸入層數(shù)據(jù)

P2=P1’;

T1=sim(net,P2); %預(yù)測(cè)

圖5顯示了神經(jīng)網(wǎng)絡(luò)迭代過(guò)程，結(jié)果顯示，經(jīng)過(guò)1400步的迭代，神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂，數(shù)據(jù)訓(xùn)練有效。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)的有效性，我們選取了3組數(shù)據(jù)作為驗(yàn)證，見(jiàn)表4。經(jīng)驗(yàn)證，冷卻速率預(yù)測(cè)值與實(shí)際值相差很小，說(shuō)明神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功，可以作為冷卻速率預(yù)測(cè)的手段。

2.3 冷卻速率與力學(xué)性能的關(guān)系

針對(duì)表3試樣的凝固組織，本文以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行冷卻速率的預(yù)測(cè)。預(yù)測(cè)數(shù)值見(jiàn)表5。

將冷卻速率與力學(xué)性能進(jìn)行擬合，得到如圖6～7所示的關(guān)系。

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程迭代曲線(xiàn)Figure 5 The iterative curve of neural networktraining process

表4 神經(jīng)網(wǎng)絡(luò)驗(yàn)證Table 4 Neural network verification

表5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值Table 5 Neural network predictive values

圖6 屈服應(yīng)力與冷卻速率的關(guān)系Figure 6 Relationship between yield stress and cooling rate

圖7 抗拉強(qiáng)度與冷卻速率的擬合關(guān)系Figure 7 Fitting relationship between tensile strength and cooling rate

從圖中可以看出，當(dāng)冷卻速率增大時(shí)，屈服強(qiáng)度及抗拉強(qiáng)度明顯增大。強(qiáng)度在不同冷卻速率下可相差100 MPa，這主要是因?yàn)楫?dāng)冷卻速率增大后，凝固組織明顯細(xì)化，晶粒尺寸也變小，晶界強(qiáng)化作用明顯加強(qiáng)。

通過(guò)上述擬合關(guān)系，可以在數(shù)值計(jì)算時(shí)求出各處冷卻速率，以云圖的形式顯示各位置的強(qiáng)度，在工藝設(shè)計(jì)端給出強(qiáng)度預(yù)測(cè)，對(duì)工藝優(yōu)化具有重要指導(dǎo)意義。

3 結(jié)論

本文采用ProCAST數(shù)值計(jì)算、顯微組織觀(guān)測(cè)及人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式，研究了凝固組織與冷卻速率及力學(xué)性能的關(guān)系，從而建立了冷卻速率與力學(xué)性能的關(guān)系。主要得到以下結(jié)論：

(1)人工神經(jīng)網(wǎng)絡(luò)在建立復(fù)雜的凝固組織與冷卻速率關(guān)系方面具有明顯的優(yōu)勢(shì)；

(2)冷卻速率作為重要的凝固參數(shù)，其嚴(yán)重影響著相組成及相含量；

(3)建立冷卻速率與力學(xué)性能的關(guān)系，可以在工藝設(shè)計(jì)端準(zhǔn)確預(yù)測(cè)不同位置的力學(xué)性能。