腐蚀疲劳被公认为是一种重要现象,在特定条件下,它会导致结构意外开裂和失效。这些条件取决于材料、循环载荷和相关环境的特定组合,而这些组合又分别代表了腐蚀疲劳问题的冶金、机械和物理化学(水溶液中的电化学)成分。自第一次世界大战期间最早的研究以来,尤其是在过去的四十年里,人们在理解腐蚀疲劳现象方面取得了重大进展。然而,尽管取得了进展,研究人员仍远未解决与腐蚀疲劳相关的许多问题。目前,尚未确定有效的预防腐蚀疲劳失效的方法,也无法预测哪些材料和环境的组合会在使用条件下导致强烈的腐蚀疲劳。腐蚀疲劳理论远非全面。人们对腐蚀疲劳裂纹扩展的基本机制知之甚少,对环境加速这种裂纹扩展的机制知之甚少。本文的目的是概述有关腐蚀疲劳裂纹扩展现象及其机制的当前知识状态和当前争议。
众所周知,腐蚀疲劳是海上结构(如海上风力涡轮机)的主要失效机制,这是由于在高度腐蚀的环境中不断施加循环载荷所致。在本研究中,首先回顾和讨论了现有的腐蚀疲劳裂纹扩展 (CFCG) 理论和模型,随后提出了一种新方法来准确描述各种载荷条件和频率下的腐蚀疲劳行为。为了检验所提出方法的有效性,对 S355G10 + M 中强度钢紧凑拉伸 C(T) 试样在不同载荷水平和频率下进行了疲劳裂纹扩展试验。最初使用传统的断裂力学参数 Δ K 分析实验数据,结果表明该参数在阐明频率对 0.2 – 0.5 Hz 范围内 CFCG 速率的影响方面存在局限性。因此,开发了一个新的断裂力学参数,可以更清楚地看到和解释这些影响。此外,使用引入的断裂力学参数开发了一种新的 CFCG 模型,用于根据空气中的短期测试数据预测海水中的裂纹扩展速率。已发现所提出的模型与本研究中的 S355G10 + M 腐蚀疲劳实验数据以及文献中提供的 S355J2 + N 结构钢数据具有很好的相关性。
我们提出了一种新颖的物理信息神经网络建模方法,用于腐蚀疲劳预测中的偏差估计。混合方法旨在将深度神经网络中的物理信息层和数据驱动层合并在一起。结果是一个累积损伤模型,其中物理信息层用于模拟相对容易理解的现象(通过 Walker 模型的裂纹扩展),数据驱动层用于解释难以建模的物理现象(即由于腐蚀导致的损伤累积偏差)。数值实验用于展示所提出的物理信息神经网络在损伤累积方面的主要特征。测试问题包括预测用于飞机机翼面板的 Al 2024-T3 合金的腐蚀疲劳。除了循环载荷外,面板还受到盐水腐蚀。物理信息神经网络使用对输入的全面观察(远场载荷、应力比和腐蚀性指数 - 按机场定义)和对输出的非常有限的观察(仅对一小部分机队进行检查时的裂纹长度)进行训练。结果表明,物理信息神经网络能够学习原始疲劳模型中由于腐蚀而产生的修正,并且预测足够准确,可以对机队中不同飞机的损坏情况进行排名(可用于确定检查的优先顺序)。
本文主要研究循环波形、频率 (f)、载荷水平和微观结构对 da/dN 与 ΔK 对数-对数图中巴黎地区现代正火轧制 (NR) 和热机械控制工艺 (TMCP) 铁素体-珠光体钢的腐蚀疲劳裂纹扩展速率 (CFCGR) 的敏感性。在频率为 0.2 Hz、0.3 Hz 和 0.5 Hz 以及应力比为 0.1 的情况下使用恒幅正弦波 (si) 和梯形波形(本文中通常称为保持时间 (h-t))。还比较了海水 (SW) 中 si 和 h-t 下 S355 TMCP 钢中的裂纹路径。还讨论了微观结构在延缓或加速 SW 中疲劳裂纹扩展中的作用。实验结果表明,在所有检查的载荷水平和频率下,与 si 相对应的 CFCGR 都高于 h-t 的 CFCGR。观察发现,f 和疲劳载荷水平的降低会增加 h-t 的 CFCGR,但对 si 几乎没有影响。通常,0.2–0.5 Hz 范围内的 f 影响很小;对于给定的 f,载荷的增加会导致 CFCGR 降低,在巴黎地区 (PR) 中,对于 SW 中的 si 和 h-t 都是如此。在 si 和 h-t 下,TMCP 钢(例如 S355G8 + M、S355G10 + M)的 CFCGR 低于正火钢(例如 S355J2 + N)。对腐蚀疲劳试样断裂表面的冶金分析表明,主活性裂纹尖端钝化过程是控制的主要因素
摘要。许多结构,如石油平台和风力涡轮机,都是在海洋环境中建造的。这些结构不仅要承受由风、浪和洋流引起的可变周期性载荷,还要承受腐蚀。它们的相互作用会导致腐蚀疲劳,从而缩短结构的使用寿命和完整性。研究界面临着一项挑战,即确定疲劳载荷和腐蚀的复合损伤机制,并将其与海上结构的寿命预测联系起来。本文提出了一种非线性腐蚀疲劳模型来描述基于连续损伤力学的损伤积累。疲劳耐久极限、载荷频率和腐蚀速率是影响疲劳和腐蚀相互作用的基本参数。通过对损伤的非线性积累进行积分,揭示了连续载荷效应。进行了参数研究以展示该模型的能力。初步模拟结果与腐蚀疲劳 S-N 曲线形式的实验数据高度一致。尽管如此,在较短的寿命期内仍观察到偏差,这些偏差有待进一步研究。未来将会进行参数标定以及进一步的验证实验。
我们提出了一种新颖的物理信息神经网络建模方法,用于腐蚀疲劳预测中的偏差估计。混合方法旨在将深度神经网络中的物理信息层和数据驱动层合并。结果是一个累积损伤模型,其中物理信息层用于模拟相对容易理解的现象(通过 Walker 模型进行裂纹扩展),数据驱动层用于解释难以建模的物理现象(即由于腐蚀导致的损伤累积偏差)。使用数值实验来展示所提出的物理信息神经网络在损伤累积方面的主要特征。测试问题包括预测飞机机翼面板上使用的 Al 2024-T3 合金的腐蚀疲劳。除了循环载荷外,面板还受到盐水腐蚀。物理信息神经网络使用对输入的全面观察(远场载荷、应力比和腐蚀性指数 - 每个机场定义)和对输出的非常有限的观察(仅对一小部分机队进行检查时的裂纹长度)进行训练。结果表明,物理信息神经网络能够学习原始疲劳模型中由于腐蚀而导致的修正,并且预测足够准确,可以对机队中不同飞机的损坏进行排名(可用于确定检查优先级)。
摘要:使用线材的直接能量沉积 (DED) 工艺被认为是一种可以以可承受的成本生产大型部件的增材制造技术。然而,DED 工艺的高沉积速率通常伴随着较差的表面质量和固有的打印缺陷。这些缺陷会对疲劳耐久性和抗腐蚀疲劳性产生不利影响。本研究的目的是评估相变和打印缺陷对通过线材激光增材制造 (WLAM) 工艺生产的 316L 不锈钢腐蚀疲劳行为的关键影响。为了进行比较,研究了具有规则奥氏体微观结构的标准 AISI 316L 不锈钢作为对应合金。使用 X 射线微断层扫描 (CT) 分析的三维无损方法对打印缺陷的结构评估。通过光学和扫描电子显微镜评估微观结构,而通过循环动电位极化 (CCP) 分析和浸没试验评估一般电化学特性和腐蚀性能。使用旋转疲劳装置检查了在空气和模拟腐蚀环境中的疲劳耐久性。得到的结果清楚地表明,与 AISI 同类合金相比,WLAM 工艺生产的 316L 合金的腐蚀疲劳耐久性较差。这主要与 WLAM 合金的缺点有关,即具有双相微观结构(奥氏体基体和二次 delta-铁素体相)、钝化性降低以及层内孔隙率显著增加,而层内孔隙率是疲劳裂纹的应力增强因素。
2.3 这些铝合金容易疲劳退化;铝结构中已经观察到严重的开裂[8.3, 8.4],由于腐蚀疲劳,在海水中开裂的情况会进一步加剧。5xxx系列合金以其良好的抗一般腐蚀性能而闻名,其未涂漆结构已部署在暴露于海水的位置;尽管如此,这些合金在长时间高于65°C的高温下容易敏化。在这种情况下,Mg 3 Al 2 沉淀物可能沿晶界形成,与铝基体相比起阳极作用[8.5];这可能导致应力腐蚀开裂(SCC)、晶间腐蚀和/或剥落。
对于充分的阴极保护,疲劳裂纹起始阻力略优于在空气中,而疲劳裂纹扩展速率与在空气中大致相同。过度阴极保护略微降低了疲劳裂纹起始阻力,但并未使其低于空气中的水平。应力集中系数为 2.0、3.5 和 5.0 的缺口试样的疲劳阻力随应力集中系数的增加而降低。过度阴极保护通过在裂纹内产生钙质氧化皮沉积物来降低疲劳裂纹扩展速率,从而降低了应力强度因子的有效范围。如果将当前的疲劳起始和裂纹扩展数据与其他关于 ASTM A710 钢在海水中的腐蚀疲劳研究的已发表数据进行比较,则当前结果与那些数据高度一致。
泡沫钽,30 拉伸性能,钛合金,71 三点弯曲试验,113 Ti-15Mo-2.8Nb-0.2Si,151 Ti-29Nb-13Ta-4.6Zr,135 Ti-6Al-4V,151 Ti-6Al-4V ELI,177 Ti-6Al-7Nb,113,177 Ti-Fe-ON 合金,103 Timetal® 21SRx,151 TiOsteum®,3,30 组织反应,钛合金,120 工业纯钛,151,177,196 钛-12钼-6锆-2铁β钛合金,机械和物理性能,3 钛-15钼,71,83,177钛-35铌-7锆-5钽β钛合金,30,52 钛合金,83,103,120 时效处理,52 铸造,113 腐蚀疲劳,177 模块化柄,215 骨科植入物,30 应力腐蚀开裂,166 表面特性,151 钛合金,3 钛粉,30 钛/钛合金,3 TMZF®β钛合金,3 毒性,248 Trabecular Metal™,30