XiaoMi-AI文件搜索系统
World File Search System抗拉强度
拉伸强度和抗拉强度的实验量化...
欠匹配铝焊缝的抗拉强度和延展性的实验量化 1. 目标。a. 本项目将通过实验测试具有欠匹配焊缝的铝制船舶结构连接细节，以更好地了解这些连接的能力，并创建测试数据库以供将来的设计方法验证。2. 背景。a. 铝结构可为许多船舶提供高达 50% 的结构重量节省潜力，从而降低燃料消耗并提高许多时间敏感或吃水受限应用的经济性。b. 设计铝结构的一个关键挑战是处理用于组装结构的欠匹配熔焊。与大多数钢材不同，船用铝合金在焊缝热影响区 (HAZ) 的强度会降低，达到原材料强度的 50%。然而，对焊接铝船舶结构的拉伸强度的研究很少。初步评估得出结论，目前的方法不足以设计复杂的连接。海洋工程和土木工程界已就此问题进行了更广泛的研究，但这些研究并未涉及海洋细节。c. 欠匹配焊缝的主要问题是，在极端拉伸载荷下，塑性变形会集中在欠匹配区域，导致这些区域出现高应变并最终发生延性失效。鉴于其余
应变速率对Sn-9Zn-xAg-ySb拉伸行为的影响
1) 在研究范围内，抗拉强度和屈服强度随应变速率增加而增加。2) 屈服强度的变化趋势与抗拉强度非常相似。3) 延展性随应变速率增加而降低。4) 应变敏感性m对于Sn-9Zn-0.2Ag-0.6Sb为0.0831，对于Sn-9Zn-0.2Ag-0.8Sb为0.1455，对于Sn-9Zn-0.6Ag-0.2Sb为0.1274，对于Sn-9Zn-0.8Ag-0.2Sb为0.1346。5) 所有m值都小于0.3，因此本文研究的无铅焊料均不会出现超塑性行为。6) 需要进一步研究这些焊料合金在不同温度和应变速率下的拉伸性能，以更详细地了解热力学硬化响应。
使用微喷射冷却焊接 DOCOL 1200M
在土木工程和运输工具中，AHSS 钢发挥着重要作用 [1÷5]。为了提高车辆支撑结构元件的可用性，目标是在保持车辆重量的同时提高其强度。使用 AHSS 钢等新材料需要对这些元件的连接技术进行变革。首先，传统的焊接方法无法获得预期的效果，即获得耐用且高强度的焊接接头，其抗拉强度接近原生材料的抗拉强度。所分析的由 AHSS 钢制成的结构元件的强度高达 1200 MPa，比 MAG 工艺中获得的焊缝强度高出约 40%。首次决定检查新开发的使用微喷射冷却的技术是否适用于焊接 DOCOL 1200M 钢，是否会影响焊接接头的可用质量，最重要的是，提高获得的焊缝的抗拉强度 [6,7]。本文旨在介绍选定的测试结果及其分析，以选择新开发的用于连接由 AHSS（先进高强度钢）制成的移动平台元件薄壁结构的技术的焊接参数。
具有双相 α+α′ 微观结构的 Ti-6Al-2Sn-4Zr-2Mo-Si 合金的极限抗拉强度与延展性的出色平衡：实验研究和机器学习中微观结构因素的影响
本研究重点系统研究 Ti 6Al 2Sn 4Zr 2Mo Si 钛合金，并表征 ¡ + ¢ (等轴和双峰) 和 ¡ + ¡ A (双相) 微观结构。它对双相 ( ¡ + ¡ A ) 微观结构的突出优势提供了更多见解，尤其是其出色的加工硬化和强度-延展性平衡。讨论了形成等轴、双峰和双相微观结构所需的热处理条件及其对晶粒尺寸和相比例的影响。它展示了如何通过热处理温度、保温时间和可能的时效过程来控制微观结构参数。研究了这些微观结构因素对每种合金拉伸性能的影响，特别是对强度 (屈服应力、极限拉伸强度)、延展性 (塑性伸长率) 和加工硬化性能的影响。将双相 ( ¡ + ¡ A ) 微观结构与等轴和双峰微观结构进行比较，并展示其优势，突出双相微观结构具有更好的强度-延展性平衡和优异的加工硬化性能。事实上，双相 ( ¡ + ¡ A ) 微观结构的变形微观结构比双峰 ( ¡ + ¢ ) 微观结构表现出更均匀的应变分配。因此，这项工作证明了优化的双相 ( ¡ + ¡ A ) 微观结构在室温下增强拉伸性能的潜力。最后，使用梯度增强回归树的机器学习模型来量化微观结构因素（微观结构类型、晶粒尺寸和相对比率）对机械性能的重要性。[doi:10.2320 / matertrans.MT-MLA2022009]
通过物理信息机器学习和 Shapley 加法解释预测定向能量沉积中的拉伸强度
在定向能量沉积 (DED) 中，局部材料微观结构和抗拉强度由零件上每个空间位置经历的热历史决定。虽然先前的研究已经调查了热历史对机械性能的影响，但仍然需要一种物理上可解释、简约且具有良好预测精度的抗拉强度预测模型。本文研究了一种基于 Shapley 加性解释 (SHAP) 模型解释的数据驱动预测模型来解决这一问题。首先，将从先前的实验工作中翻译出来的物理上有意义的热特征用作神经网络的输入，以进行抗拉性能预测。然后计算各个输入特征的 SHAP 值，以量化它们各自对抗拉性能预测的影响，并使用累积相对方差 (CRV) 度量降低模型复杂性。对实验获得的 Inconel 718 (IN718) 抗拉强度的预测表明，通过开发的方法量化的特征影响可以通过先前研究的结果来验证，从而证实了神经网络预测逻辑的物理可解释性。此外，基于CRV的模型复杂度降低表明，简约模型只需要不到10%的原始特征即可达到与先前文献报道相同的拉伸强度预测精度，从而证明了基于SHAP的特征降低方法在改进DED过程表征方面的有效性。
沉积 Fe 合金的组织与力学性能...
摘要：本研究采用定向能量沉积（DED）工艺在SCM420基体上沉积Fe-8Cr-3V-2Mo-2W工具钢粉末。本研究重点研究了沉积的Fe-8Cr-3V-2Mo-2W的力学性能以及热处理对其的影响。观察了沉积后热处理引起的沉积区域微观结构特征的变化。然后分析了热处理对力学性能的影响，并对沉积材料进行了硬度、磨损、冲击和拉伸试验。将这些性能与商用工具钢粉末M2沉积材料和渗碳试件的性能进行了比较。在沉积的Fe-8Cr-3V-2Mo-2W层中，通过后热处理获得了增加的马氏体相分数，并且碳化物析出量也增加了。这使得热处理后的硬度从48 HRc增加到62 HRc，耐磨性也显着提高。吸收的冲击能量从热处理前的 11 J 降低到热处理后的 6 J，但抗拉强度却从 607 MPa 大幅提高到 922 MPa。与 M2 沉积表面相比，Fe-8Cr-3V-2Mo-2W 沉积物的表面硬度降低了 3%，断裂韧性降低了 76%，但抗拉强度提高了 56%。与渗碳 SCM420 相比，Fe-8Cr-3V-2Mo-2W 沉积物的表面硬度和耐磨性提高了 3%，断裂韧性降低了 90%，抗拉强度提高了 5%。这项研究表明，与渗碳相比，通过 DED 进行的表面硬化可以表现出相似或更优异的机械性能。
（金属）低温应用的材料选择
• 当材料冷却至低温时，其性能会发生显著变化。热导率和电导率等性能可能会增加，屈服强度和极限抗拉强度也会增加，但延展性和韧性通常会降低，对于某些材料来说，甚至会从延展性转变为脆性。
大理石粉和瓷砖粉作为混凝土胶凝材料的应用
摘要 — 人们广泛研究了农业和工业废料作为建筑业原材料的使用。这些产品价格低廉，有助于环境可持续性，因为这样可以减少环境污染。本研究重点研究了新鲜、物理和硬化混凝土的性能，这些混凝土中混合了大理石 (MP) 和瓷砖粉 (TP) 的几种比例，例如 0%、5% (2.5%MP + 2.5%TP)、10% (5%MP + 5%TP)、15% (7.5%MP + 7.5%TP) 和 20% (10%MP + 10%TP) 按重量计算。共浇铸了 60 个混凝土圆柱体，水灰比为 0.45，混合比为 1:1.96:2.14，并养护 7 天和 28 天。这些圆柱体用于检查混凝土的抗压强度和劈裂抗拉强度。试验结果表明:2.5%MP+2.5%TP试样28 d后抗压强度和劈裂抗拉强度分别提高了8.90%和8.30%。
合金和工具钢 - Alro
机械性能 抗拉强度 ..................................................................**150,000 psi（最小） 屈服强度（.2% 偏移） .................................................. 130,000psi（最小） 伸长率 ........................................................................................ 5% 最小 断面收缩率 ........................................................................................ 20% 最小 可加工性 ........................................................................75% of 1212（大约） 洛氏 C 硬度 ............................................................................. **32（最小） 布氏硬度 ............................................................................. **302（最小）
原创文章 基于Python编程的搅拌摩擦焊接头力学性能分析人工智能算法
摘要：在现代计算科学中，机器学习和优化过程之间的相互作用标志着最重要的发展。优化在机械工业中起着重要作用，因为它可以降低材料成本、减少时间消耗并提高生产率。最近的工作重点是对搅拌摩擦焊接工艺进行优化任务，以获得搅拌摩擦焊接接头的最大极限抗拉强度 (UTS)。为此选择了两种机器学习算法，即人工神经网络 (ANN) 和决策树回归模型。输入变量为工具转速 (RPM)、工具移动速度 (mm/min) 和轴向力 (KN)，而输出变量为极限抗拉强度 (MPa)。观察到，在人工神经网络的情况下，训练和测试集的均方根误差分别为 0.842 和 0.808，而在决策树回归模型的情况下，训练和测试集的均方根误差分别为 11.72 和 14.61。因此，可以得出结论，ANN 算法比决策树回归算法提供更好、更准确的结果。