本科生毕业设计 (论文)外文翻译摸板.doc

PAGE — PAGE 41 — 本科生毕业设计 (论文) 外 文 翻 译 原 文 标 题 Modeling high-temperature mechanical properties of austenitic stainless steels by neural networks 译 文 标 题 用神经网络模拟奥氏体不锈 钢的高温力学性能 共 5 页 第 PAGE 1 页 译文标题 用神经网络模拟奥氏体不锈钢的高温力学性能 原文标题 Modeling high-temperature mechanical properties of austenitic stainlesssteels by neural networks 作 者 P.L. Narayana , Sang Won Lee 译 名 P.L.斯瓦米，桑元李 国 籍 美国 原文出处 /10.1016/matsci.2020.109617 采用人工神经网络(ANN)模型对18Cr-12Ni-Mo奥氏体不锈钢的成分、温度和力学性能之间的复杂关系进行了研究。该模型对训练和不可见测试数据集的成分-性能和温度-性能相关性的估计精度分别为97%和91%。与现有模型的计算结果相比，人工神经网络的预测结果更准确。利用相对重要指数(I .)定量估计了合金元素在室温和高温下对力学性能的有效响应RI)。该模型的计算结果对研究人员和设计人员都有一定的指导意义。因此，该技术将有助于开发具有理想性能的奥氏体不锈钢元件。 奥氏体不锈钢(ASS)因其在高温(高达900°C)下的强度和抗氧化性相结合，在核电、石化工厂和高温工业应用中具有重要意义[1,2]。这些钢构件的主要功能必须在其整个生命周期内都能令人满意地发挥。然而，对发电行业材料失效的回顾表明，81%的材料失效是由于部件高温暴露造成的，而且是机械故障。其中，65%的破坏与材料的短期破坏有关(与拉伸、压缩、弯曲和剪切破坏有关)，少数破坏(~9%)是由于长期暴露(即蠕变)[3]。[4]钢的组成、显微组织、加工条件和使用温度影响其力学性能。 因此，设计具有理想性能的合金是一项具有挑战性的任务。然而，实验试验的增加促进了在合金设计的任何阶段，从原材料到测试最终产品的各种成本因素的重要作用。简而言之，在钢铁生产中，相当一部分成本是由于原材料投资、工程(设计、工装和测试)和加工的能源成本，最后是劳动力成本[5,6]。 铁矿石、煤炭和各种合金元素等原材料是钢铁生产成本差异的主要因素。根据OECD Steel Committee, 2011[7]，铁矿石和煤炭的预计成本分别为175美元/吨和240美元/吨。一般用于奥氏体不锈钢生产的各种合金元素[8]的大致显著成本($/kg)如图1所示。 此外，钢铁生产的能源消耗主要与天然气和电力有关。然而，与1980年以来的原材料不同，全球天然气储量显著减少了26%[6]，而钢铁生产的平均电力成本为0.106美元/千瓦时(OECD Steel Committee, 2011[7])。与其他两个因素相比，劳动力成本在钢铁生产主要成本中所占的比例要小得多。美国和日本的劳动力成本平均为22美元/小时，其他国家如印度(1美元/小时)、中国(1.1美元/小时)和俄罗斯(1.6美元/小时)的钢铁生产工资最低[6]。然而，制造业的每小时劳动力成本自90年代以来显著增加。 因此，新技术在整个钢铁生产的任何阶段都表现出显著的成本效益，具有相当重要的意义。很明显，为了使时间和成本消耗最小化，仍然需要使用实用的计算工具[9]。这些方法应该在与应用相关的钢铁生产中发挥重要作用，并通过减少设计期间的试验次数，使成本和时间最小化。这种方法的重要性包括将相互依赖的参数关联起来，使研究人员容易理解这种复杂的关系，有助于指导实际的实验[10]。 使用神经网络来预测许多合金系统的机械响应已被报道[11-13]。特别是，人工神经网络模型已用于预测as[14]的摩擦学性能、蠕变强度[15]和高拉伸性能[16]。然而，复合材料和使用温度对as拉伸性能的影响尚不清楚。本研究的主要目的是建立一个神经网络模型来估计18Cr-12Ni-Mo合金的短期拉伸性能(屈服强度(YS)，拉伸强度(UTS)， %延伸率(% El)和%面积收缩率(% RA))随化学成分和使用温度的变化。该模型还被用于评估复合材料和使用温度对拉伸性能的影响。在此基础上，利用相对重要性指数(IRI)估计了机械性能对输入变量的响应。2.材料和方法 2.1。数据收集和模型变量描述 在本研究中，18Cr-12Ni-Mo原子团数据收集自日本国家材料科学研究所(NIMS)[17]。用碱性电弧炉生产了各种18Cr-12Ni-Mo合金锭。表1列出的钢的组成(指定为ADA到ADF) 用于