基于BP神经网络的AI-Cu-Mg-Sc-Zr合金均匀化电导率预测模型

本文主要探讨了基于BP神经网络的AI-Cu-Mg-Sc-Zr合金均匀化电导率预测方法。研究团队通过电导率测量和X线衍射物相分析，深入研究了这种合金在不同均匀化处理条件下的电导率及其组织变化。原始合金在铸态时，由于固溶体过饱和度高，导致电导率较低。当在360℃以下进行均匀化处理时，不稳定但过饱和的固溶体会析出平衡相θ和S，这降低了基体固溶体的过饱和度，进而促使电导率上升。然而，随着均匀化温度超过360℃，平衡相会逐渐溶解回固溶体基体，使得基体固溶体过饱和度上升，电导率反而下降。 作者们利用Levenberg-Marquardt算法，这是一种优化算法，对均匀化热处理温度和时间这两个关键参数与电导率之间的关系进行了训练，构建了一个高度非线性的BP神经网络模型。BP神经网络是一种模拟人脑工作方式的计算模型，特别适合处理复杂的函数映射问题。通过这种方法，他们能够有效地捕捉和预测电导率与均匀化工艺参数之间的复杂关联。 该模型的预测性能表现出色，泛化检测点的电导率相对误差保持在较小范围内，即-0.006到0.006，这证明了模型具有很高的预测精度和较强的泛化能力。这意味着该模型不仅适用于已知的数据，还能很好地预测未知的均匀化条件下的电导率，这对于实际的合金设计和加工具有重要的指导意义。这项研究不仅深化了对AI-Cu-Mg-Sc-Zr合金电导率行为的理解，也为优化此类合金的生产过程提供了科学依据。