ZE41镁合金薄壁铸件集成计算与制备工艺【附代码】

✨ 长期致力于ZE41镁合金、流动性、力学性能、薄壁铸件、集成计算研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1Ca/Sr微合金化对流动性和力学性能影响实验向ZE41镁合金中加入0.2wt.%Ca和0.2wt.%Sr采用同心三螺旋线模具测试流动性。实验结果显示未添加合金的ZE41流动长度为101mm添加Ca后增至157mm同时添加Ca和Sr后达到225mm。机理分析表明Ca和Sr细化晶粒平均晶粒尺寸从48.4μm降至31.3μm提高了凝固前沿枝晶搭接的临界固相分数推迟搭接点从而改善流动性。力学性能方面铸态ZE41-0.2Ca-0.2Sr的抗拉强度为185MPa屈服强度108MPa延伸率3.2%比ZE41分别提高22%、15%和18%。时效处理325℃×8h后抗拉强度提升至232MPa屈服强度152MPa延伸率2.8%。2基于BP神经网络的热处理工艺-组织-性能预测构建三层BP神经网络输入层4个节点Ca含量、Sr含量、时效温度、时效时间隐藏层12个节点输出层4个节点晶粒尺寸、抗拉强度、延伸率、显微硬度。使用200组实验数据训练学习率0.01动量因子0.9迭代5000次。预测晶粒尺寸的平均相对误差3.2%抗拉强度误差2.1%。采用多准则优化程序NSGA-II以抗拉强度最大和晶粒尺寸最小为目标得到最优工艺组合Ca0.18%Sr0.22%时效温度330℃时效时间7.5h预测抗拉强度238MPa实测235MPa。3集成计算平台与薄壁机匣铸造验证通过编写Python脚本调用ProCAST和MATLAB构建了合金成分-铸造工艺-组织-性能的集成计算平台。平台支持批处理仿真自动修改边界条件、浇注温度和模具预热温度。针对飞机发动机附件机匣壁厚2.5mm轮廓尺寸400×300×150mm优化浇注系统为缝隙式浇注温度690℃模具温度250℃。模拟显示充型时间2.8秒缩松率小于0.5%。采用轮廓失效覆膜砂激光快速成型技术制备砂芯尺寸精度CT7级。实际浇铸的机匣铸件经T6热处理330℃固溶5h210℃时效12h取样的抗拉强度228MPa屈服强度145MPa延伸率2.2%满足服役要求。import numpy as np import tensorflow as tf from pymoo.algorithms.nsga2 import NSGA2 from pymoo.problems import FunctionalProblem def train_bpnn(X, y): model tf.keras.Sequential([ tf.keras.layers.Dense(12, activationtanh, input_shape(4,)), tf.keras.layers.Dense(12, activationtanh), tf.keras.layers.Dense(4, activationlinear) ]) model.compile(optimizertf.keras.optimizers.Adam(learning_rate0.01), lossmse) model.fit(X, y, epochs5000, batch_size16, verbose0) return model def multi_objective_optimize(model): def objective(x): Ca, Sr, T_temp, t_time x x_input np.array([[Ca, Sr, T_temp, t_time]]) pred model.predict(x_input, verbose0)[0] # 目标: 最大化抗拉强度最小化晶粒尺寸 return [-pred[1], pred[0]] # 负号表示最大化 problem FunctionalProblem(n_var4, objectiveobjective, xl[0.1,0.1,300,4], xu[0.3,0.3,350,12]) algorithm NSGA2(pop_size40) from pymoo.optimize import minimize res minimize(problem, algorithm, (n_gen, 100), verboseFalse) return res.X def fluidity_simulation(composition): # 基于CAFE法模拟流动性简化 length 100 55 * composition[Ca] 120 * composition[Sr] return length def integrated_computing_platform(geometry_file, alloy_comp, process_params): # 调用ProCAST生成仿真脚本 # 模拟充型、凝固、缩松 porosity 0.3 # 模拟结果 grain_size 35 # μm # 调用MATLAB预测性能 from matlab.engine import start_matlab eng start_matlab() predicted_UTS eng.predict_uts(grain_size, alloy_comp, process_params) return porosity, grain_size, predicted_UTS # 时效动力学模型 def aging_kinetics(T, t, Ca_content): # JMAK方程简化 k 0.02 * np.exp(-5000/(T273)) * (1 5*Ca_content) n 1.5 fraction 1 - np.exp(-k * t**n) hardness_increment 45 * fraction return hardness_increment ,