[发明专利]一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法

权利要求书

1.一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，包括：

对大型复杂薄壁铸件的结构进行分析，计算出大型复杂薄壁铸件各部位的热模数M；

计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，并将计算得到的参数导入ProCAST有限元铸造模拟软件，对大型复杂薄壁高温合金铸件进行充型与凝固模拟，提取出温度梯度G和冷却速度数值R，通过下列公式计算出二次枝晶间距：

式中，λ₂为二次枝晶间距，C_λ为与材料牌号相关的常数，R为冷却速度；

选取上述获得的所述热模数M、所述温度梯度G和所述二次枝晶间距λ₂作为BP神经网络的输入参数，疏松指数作为输出参数，构建BP神经网络预测模型；

采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本，训练上述BP神经网络预测模型，训练后构建大型复杂薄壁高温合金铸件疏松定量预测网络，最后采用疏松定量预测网络实现预测大型复杂薄壁高温合金铸件疏松缺陷指数，即实现大型复杂薄壁高温合金铸件疏松缺陷定量预测；

所述选取上述获得的热模数、温度梯度和二次枝晶间距为BP神经网络的输入参数，其中，输入参数选取遵循以下准则：

参数相关性：输入参数选择必须与疏松形成直接密切相关，且变量间不关联；

训练边缘性：训练样本涵盖整个铸件热模数、温度梯度和二次枝晶间距的上下限范围；

网络适中性：相同预测精度水平下选择隐层节点数最少网络，减少计算时间；

误差合理性：训练过程疏松实验误差与预测误差不小于5％；

采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，其中，

所述训练样本由大型复杂薄壁高温合金铸件各部位的热模数、温度梯度、二次枝晶间距和疏松指数组成训练样本数据；

将所述训练样本数据导入到BP神经网络预测模型，获得该大型复杂薄壁高温合金铸件疏松缺陷定量预测的各神经元的权值系数矩阵Aweig ht。

2.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述对大型复杂薄壁铸件的结构进行分析，其中，采用CAD分析软件UG对大型复杂薄壁铸件结构进行分析，计算出铸件各部位的热模数M。

3.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述计算高温合金的结晶温度间隔、密度、比热容和收缩系数参数，其中，采用热物性计算软件JMatPro计算得到高温合金的结晶温度间隔、密度、比热容和收缩系数参数。

4.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述采用大型复杂薄壁高温合金铸件本体解剖数据作为训练样本训练上述BP神经网络预测模型，是基于widrow-Foff学习规则控制反向传递误差，采用最速下降法进行快速搜索拟合预测，从而构建大型复杂薄壁高温合金铸件疏松定量预测网络。

5.根据权利要求1所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述大型复杂薄壁高温合金铸件为K4169高温合金铸件。

6.根据权利要求5所述的大型复杂薄壁高温合金铸件疏松缺陷定量预测方法，其特征在于，所述K4169高温合金铸件，疏松缺陷定量预测的各神经元的权值系数矩阵Aweig ht公式如下：

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-6任一所述的方法。

8.一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，该程序被处理器执行时可用于执行权利要求1-6任一所述的方法。