本發(fā)明涉及機(jī)械加工，具體而言，尤其涉及一種基于離散元法dem（discret?element?method）的硬質(zhì)合金粉末粘結(jié)鍵的參數(shù)標(biāo)定方法。

背景技術(shù)：

1、隨著粉末冶金技術(shù)的進(jìn)步以及對先進(jìn)機(jī)械加工工藝要求的提高，尤其現(xiàn)代金屬粉末3d打印，集機(jī)械工程、cad、逆向工程技術(shù)、分層制造技術(shù)、數(shù)控技術(shù)、材料科學(xué)、激光技術(shù)于一身，使得粉末冶金制品技術(shù)成為跨更多學(xué)科的現(xiàn)代綜合技術(shù)。因此，采用先進(jìn)的數(shù)值模擬方法對金屬粉末的物理力學(xué)性質(zhì)進(jìn)行研究成為必要。

2、離散元法dem廣泛應(yīng)用于模擬顆粒間相互作用。dem采用拉格朗日方法進(jìn)行建模，將整個系統(tǒng)看作是由離散的剛體顆粒組成，根據(jù)牛頓第二運(yùn)動定律計算顆粒間或顆粒與壁面的碰撞，用于分析離散的不連續(xù)體以及通過顆粒構(gòu)成的連續(xù)體，分析求解復(fù)雜離散系統(tǒng)的運(yùn)動規(guī)律與力學(xué)特性、熱量傳遞、顆粒間化學(xué)鍵的鍵合和斷裂以及響應(yīng)外部場變化的本構(gòu)行為。被廣泛應(yīng)用于巖土、礦冶、農(nóng)業(yè)、食品、化工、制藥和環(huán)境等領(lǐng)域。其優(yōu)勢在于，不需要考慮網(wǎng)格劃分，特別適合分析兩個物體間的接觸，不考慮物體的變形，計算速度快?？梢郧宄磻?yīng)顆粒的真實運(yùn)動情況并能求解其受力情況。而且作為粉末冶金技術(shù)數(shù)值模擬基礎(chǔ)的金屬粉末顆粒物性參數(shù)是數(shù)值模擬研究的基本依據(jù)。對金屬粉末冶金數(shù)值模擬研究具有至關(guān)重要的作用，因此準(zhǔn)確合理的粉末顆粒模型參數(shù)是保證數(shù)值模擬結(jié)果高精度的必要條件。

3、目前，建立虛擬鍵細(xì)觀參數(shù)與材料模型的宏觀力學(xué)響應(yīng)間的聯(lián)系仍然是一個持續(xù)的挑戰(zhàn)。對于需研究的材料對象，仍需根據(jù)材料的實際力學(xué)性能來標(biāo)定出粘結(jié)鍵的參數(shù)。針對普遍存在的非規(guī)則排列顆粒集合體，粘結(jié)鍵微觀參數(shù)的標(biāo)定過程可以采用試錯法，參數(shù)反求，或者采用一些統(tǒng)計學(xué)方法來改進(jìn)標(biāo)定過程，如響應(yīng)曲面法等。然而，粘結(jié)鍵參數(shù)與宏觀力學(xué)響應(yīng)間為復(fù)雜的非線性關(guān)系，當(dāng)待標(biāo)定參數(shù)較多時，采用上述的單一標(biāo)定方式存在效率低，模擬力學(xué)響應(yīng)的相對誤差無法保證等問題。此外，少有文獻(xiàn)探究粘結(jié)鍵參數(shù)對宏觀力學(xué)響應(yīng)的影響顯著性，其對于待標(biāo)定參數(shù)的調(diào)控策略至關(guān)重要。盲目調(diào)控待標(biāo)定參數(shù)不僅降低了效率，標(biāo)定的準(zhǔn)確性也會降低。為了提升dem仿真結(jié)果的準(zhǔn)確性，研究人員嘗試了許多校準(zhǔn)參數(shù)的方法，但都沒有研究出標(biāo)準(zhǔn)化的參數(shù)標(biāo)定流程。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于bp神經(jīng)網(wǎng)絡(luò)的硬質(zhì)合金離散元參數(shù)標(biāo)定方法，為達(dá)此目的，本發(fā)明采用以下技術(shù)方案：

2、一種基于bp神經(jīng)網(wǎng)絡(luò)的硬質(zhì)合金離散元參數(shù)標(biāo)定方法，包括如下步驟：

3、s1：通過單軸壓縮試驗得到抗壓模量和抗壓強(qiáng)度，通過三點彎曲試驗得到抗彎強(qiáng)度，確定待模擬硬質(zhì)合金試樣的單軸壓縮物理測試結(jié)果，測試公式如下：

4、；

5、其中，cs為抗壓模量，cm為抗壓強(qiáng)度，bs為抗彎強(qiáng)度，fc是峰值軸向力，fb是彎曲破壞載荷，l是跨距，b是寬度，h是厚度，at是試樣的橫截面積，σ是線性部分的軸向應(yīng)力，ε?是線性部分的軸向應(yīng)變。

6、將單軸壓縮試驗抗壓模量、抗壓強(qiáng)度作為離散元模型中粘結(jié)鍵細(xì)觀參數(shù)初步標(biāo)定值，將三點彎曲的抗彎強(qiáng)度作為離散元模型中粘結(jié)鍵細(xì)觀參數(shù)最終標(biāo)定值。

7、s2：構(gòu)建離散元模型，使用商業(yè)離散元軟件edem建立單軸壓縮試樣鍵合粒子模型bpm，考慮到計算效率，在bpm中對顆粒粒徑及幾何區(qū)域較原始模型同步放大相同的倍數(shù)h，獲得系統(tǒng)的精確縮尺模型，所述縮尺模型為高徑比為2的圓柱形，所述圓柱形的縮尺模型的高度為100μm，直徑為50μm，所述顆粒的半徑設(shè)為2μm,接觸半徑為2.2μm，顆粒的填充率為0.6，bond鍵的半徑 r設(shè)為2μm,?與顆粒半徑保持一致，建立對應(yīng)于實際測試的單軸壓縮及三點彎曲的dem虛擬模型。

8、s3：設(shè)定待標(biāo)定參數(shù)及范圍，所述待標(biāo)定參數(shù)為粘結(jié)鍵微觀參數(shù)，包括單位面積法向剛度、單位面積切向剛度、法向臨界力和切向臨界力；采用plackett-burman設(shè)計通過比較粘結(jié)鍵微觀參數(shù)單位面積法向剛度、單位面積切向剛度、法向臨界力和切向臨界力的高低水平間的差異來識別對響應(yīng)的影響顯著性，列出待標(biāo)定參數(shù)的高低水平值，該取值范圍經(jīng)過前期調(diào)試獲得。

9、s4：為考慮待標(biāo)定參數(shù)間的相互作用以細(xì)化訓(xùn)練樣本網(wǎng)絡(luò)，進(jìn)行box-behnkendesign測試，對于每個待標(biāo)定參數(shù)因素選擇三個水平-1、0、+1，取單因素測試值，設(shè)計實驗矩陣，該實驗矩陣包括每個待標(biāo)定參數(shù)和水平的所有可能組合以提供足夠的響應(yīng)信息。

10、s5：dem虛擬實驗，將單因素測試和box-behnken測試的設(shè)計矩陣數(shù)值導(dǎo)入離散元模型中得出相應(yīng)的cs、cm。

11、s6：樣本插值，建立訓(xùn)練集、測試集、驗證集和訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)。

12、s7：驗證bp神經(jīng)網(wǎng)絡(luò)，若不通過，則返回步驟s6調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并繼續(xù)訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)。

13、s8：使用遺傳算法參數(shù)反求，將所訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型作為遺傳算法的適應(yīng)度函數(shù)，將實驗所測得單軸壓縮物理測試結(jié)果cs、cm設(shè)定為遺傳算法的尋優(yōu)目標(biāo)，對四個待標(biāo)定的粘結(jié)鍵微觀參數(shù)進(jìn)行尋優(yōu)。

14、s9：根據(jù)所述遺傳算法的輸出結(jié)果進(jìn)行物料參數(shù)的標(biāo)定。

15、進(jìn)一步的，所述步驟s6的bp神經(jīng)網(wǎng)絡(luò)包含輸入層，隱含層和輸出層，其中，輸入層神經(jīng)元個數(shù) n設(shè)為4，輸出層神經(jīng)元個數(shù) m設(shè)為2，隱藏層中神經(jīng)元的數(shù)量 k通過下式確定：

16、；

17、式中， n,? m分別為輸入層，輸出層神經(jīng)元個數(shù)， l為整數(shù)，在區(qū)間[1,11]內(nèi)取值。

18、進(jìn)一步的，所述插值的計算公式為：

19、；

20、式中,?a,?b,?c,?d均為系數(shù)，k?=?0,?1,?…?,?n-2。

21、進(jìn)一步的，步驟s4、s5、s6和s7中的樣本均按照0.7:0.15:0.15的比例將樣本數(shù)據(jù)劃分為訓(xùn)練集、測試集以及驗證集三個部分。

22、進(jìn)一步的，步驟s9中，采用matlab神經(jīng)網(wǎng)絡(luò)工具箱建立bp神經(jīng)網(wǎng)絡(luò)，輸入向量為單位面積法向剛度、單位面積切向剛度、法向臨界力和切向臨界力監(jiān)測的物理量，輸出向量為單軸壓縮實際力學(xué)性能抗壓模量、抗壓強(qiáng)度，輸入輸出向量均采用matlab自帶函數(shù)mapminmax進(jìn)行歸一化，訓(xùn)練神經(jīng)網(wǎng)絡(luò)前需先確定學(xué)習(xí)率、最大訓(xùn)練次數(shù)、訓(xùn)練誤差和訓(xùn)練算法。

23、進(jìn)一步的，步驟s9中，將所訓(xùn)練的網(wǎng)絡(luò)模型作為遺傳算法的適應(yīng)度函數(shù)，根據(jù)步驟s1中的單軸壓縮物理測試結(jié)果設(shè)定為遺傳算法的尋優(yōu)目標(biāo)，對待標(biāo)定的參數(shù)進(jìn)行尋優(yōu)并與對應(yīng)的單軸壓縮虛擬測試與物理測試的應(yīng)力應(yīng)變曲線進(jìn)行對比。

24、較現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

25、1、本發(fā)明基于離散元理論與方法，建立單軸壓縮試樣及三點彎曲試樣的bpm本構(gòu)模型，并對m08硬質(zhì)合金試樣的力學(xué)性能進(jìn)行數(shù)值模擬，以實際單軸壓縮實驗獲得的cm（抗壓模量）、cs（抗壓強(qiáng)度）為bp神經(jīng)網(wǎng)絡(luò)校正和評價指標(biāo)，對m08硬質(zhì)合金bpm模型參數(shù)進(jìn)行優(yōu)化，克服了現(xiàn)有常規(guī)bpm模型參數(shù)測定難度大的問題，為硬質(zhì)合金顆粒bpm粘結(jié)鍵參數(shù)的標(biāo)定提供了一種全新方法。

26、2、本發(fā)明所采用的bp神經(jīng)網(wǎng)絡(luò)方法，通過結(jié)合實驗設(shè)計(doe)包括單因素測試和box-behnken測試，在考慮待標(biāo)定參數(shù)間的相互作用同時通過樣本插值獲得大量的訓(xùn)練樣本，以用于細(xì)化訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)。此外，為了消除輸入量和輸出量之間量綱不同的影響，加快訓(xùn)練過程的收斂速度，并對訓(xùn)練樣本數(shù)據(jù)進(jìn)行歸一化處理，具有計算速度快且數(shù)值試驗結(jié)果可信度高、穩(wěn)定性高等優(yōu)勢。

27、3、本發(fā)明解決了現(xiàn)有硬質(zhì)合金顆粒數(shù)值模擬bpm模型參數(shù)難以標(biāo)定的關(guān)鍵問題，為硬質(zhì)合金dem數(shù)值模擬研究提供了可靠顆粒模型參數(shù)。

28、綜上，本發(fā)明的技術(shù)方案解決了現(xiàn)有硬質(zhì)合金顆粒bpm模型參數(shù)標(biāo)定難度大、測量精度低的問題，為硬質(zhì)合金顆粒數(shù)值模擬試驗bpm粘結(jié)鍵參數(shù)確定提供有效技術(shù)手段。應(yīng)用本發(fā)明的技術(shù)方案可以簡單、快速準(zhǔn)確的對硬質(zhì)合金顆粒bpm模型參數(shù)進(jìn)行標(biāo)定，具有準(zhǔn)確度高、適用范圍廣、效率高等優(yōu)點。