用于汽车应用的LM12合金混合金属基复合材料(Hybrid Metal Matrix Composites, HMMCs)的改进:基于统计方法与预测性人工神经网络(Artificial Neural Network, ANN)途径的深入实验分析

《Next Materials》:Improvement of LM12 alloy hybrid metal matrix composites for automotive applications: An in-depth experimental analysis using statistical and predictive ANN approaches

【字体: 大 中 小 】 时间:2026年04月02日 来源:Next Materials CS1.9

编辑推荐:

  在本研究中,研究人员考察了以B4C和Al2O3颗粒增强的LM12铝合金基体混合金属基复合材料(HMMCs)的力学性能与磨损行为。通过实验测定了HMMCs的硬度、屈服强度和抗拉强度。依据ASTM G99标准并按Taguchi实验设计生成27组数据点开展滑动磨损试

  
在本研究中,研究人员考察了以B4C和Al2O3颗粒增强的LM12铝合金基体混合金属基复合材料(HMMCs)的力学性能与磨损行为。通过实验测定了HMMCs的硬度、屈服强度和抗拉强度。依据ASTM G99标准并按Taguchi实验设计生成27组数据点开展滑动磨损试验,采用Taguchi正交阵列进行干滑动磨损实验。对实验获得的磨损结果通过方差分析(Analysis of Variance, ANOVA)进行统计学分析,并建立ANN模型并与统计结果进行验证。研究结果表明:HMMCs的硬度、屈服强度和抗拉强度随Al2O3与B4C增强体质量分数的增加而提高;ANOVA结果显示施加载荷和Al2O3质量分数变化率对HMMCs滑动磨损影响显著,而滑动距离与滑动速度影响最小;主效应图表明各磨损参数增大会使磨损率上升,而Al2O3含量增加有助于提高耐磨性从而降低磨损率;HMMCs中硬质增强颗粒促使形成机械混合层(Mechanically Mixed Layer, MML),对改善耐磨性起关键作用;含低Al2O3(3%)的HMMCs磨损碎片较大,随Al2O3含量升高碎片尺寸减小,归因于断裂前发生塑性变形的受限程度不同。研究人员采用多层感知器(Multi-Layer Perceptron, MLP)模型进行结果预测,证实实验数据间存在强相关性,训练集决定系数R2达0.99,测试集预测磨损率与摩擦系数值的R2为0.98。统计分析结果与ANN模型预测值均在可接受误差范围内吻合。
论文解读:LM12合金/B4C/Al2O3混合金属基复合材料(Hybrid Metal Matrix Composites, HMMCs)的力学及干滑动磨损行为与ANN预测模型研究
研究背景方面,铝合金因比强度高、导热性好被广泛应用于航空航天及汽车领域,但其硬度较低、抗变形能力差限制了其摩擦学应用。传统铝基复合材料(Aluminum Matrix Composites, AMMCs)常采用单一陶瓷颗粒增强,而含有两种及以上增强相的混合金属基复合材料(HMMCs)可通过协同效应获得更优综合性能。LM系列铝合金中LM12因其较高铜含量具备优良强度、疲劳特性及可加工性,但作为HMMCs基体材料的研究相对匮乏,且针对LM12/B4C/Al2O3体系及其磨损行为的ANN预测研究未见报道。因此研究人员选用LM12为基体,恒定添加3 wt% B4C并梯度改变Al2O3(3%、6%、9 wt%),通过搅拌铸造法制备HMMCs,系统表征其微观组织、力学性能,按Taguchi L27正交阵列开展干滑动磨损试验,结合ANOVA分析与MLP人工神经网络建模,探讨各因素对磨损率及摩擦系数的影响规律并验证模型预测能力,为汽车发动机活塞等耐磨部件选材与优化提供实验与理论依据。本文发表于《Next Materials》。
关键技术方法:研究人员以LM12铝合金(含Cu~9.2 wt%)为基体,采用搅拌铸造(Stir Casting)工艺制备四种试样——未增强LM12基体及分别含(3%Al2O3+3%B4C)、(6%Al2O3+3%B4C)、(9%Al2O3+3%B4C)的HMMCs。通过阿基米德法测密度与孔隙率;按ASTM E8/E8M与ASTM E10分别测拉伸性能与布氏硬度(Brinell Hardness Number, BHN);按ASTM G99标准在Pin-on-Disc试验机上开展干滑动磨损试验,选用Taguchi L27正交阵列,输入参数为滑动速度(1、2、3 m/s)、施加载荷(10、20、30 N)、滑动时间(3、5、8 min)及Al2O3质量分数(3%、6%、9%),响应量为磨损率(g/min)与摩擦系数(Coefficient of Friction, COF);采用Minitab进行ANOVA分析各因子贡献率;以MATLAB构建单隐层多层感知器(Multi-Layer Perceptron, MLP)人工神经网络(Artificial Neural Network, ANN),隐层激活函数Tansig、输出层Purelin,Trainlm算法训练,早停法防过拟合,84%数据训练、16%数据测试,R2评估拟合度;磨损表面与磨屑通过光学显微镜与扫描电镜(Scanning Electron Microscope, SEM)观察。
研究结果如下:
3.1 Microstructural studies:光学显微照片显示未增强LM12合金中存在连续杆状β相网络;加入B4C与Al2O3颗粒后β相网络被打断、分散,陶瓷颗粒均匀分布于基体中,阻碍位错运动并促进细化,证实颗粒强化机制及良好界面结合。
3.2 Dry sliding wear characterization:3.2.1 ANOVA analysis:磨损率ANOVA表明施加载荷贡献率39.10%最高,其次为Al2O3质量分数(36.06%),滑动距离(7.82%)与滑动速度(3.04%)影响较小,交互作用不显著;摩擦系数ANOVA显示载荷(42.59%)与Al2O3含量(37.62%)为主要影响因素,模型R-Sq=95.62%,残差<5%,设计可靠。3.2.2 Main and interaction effects of wear parameters:主效应图表明磨损率随载荷、距离、速度增大而升,随Al2O3含量增加下降;载荷由20 N增至30 N时磨损率加速上升,暗示由轻微向严重磨损转变;高Al2O3促进稳定机械混合层(Mechanically Mixed Layer, MML)形成并提高基体与MML硬度,抑制对偶微凸体压入与第三体磨粒磨损。3.2.3 Main and interaction effects for COF:摩擦系数随速度与时间延长略降,随载荷升高明显增大,随Al2O3小幅上升;高速下表层温升使软基体局部软化但硬Al2O3接触对偶降低COF;长时间滑动因MML形成使COF降低。
3.3 Prediction using ANN:MLP模型训练集R2=0.99,测试集R2=0.98,磨损率与COF预测值与实验值吻合良好,证明MLP可有效捕捉输入参数与磨损响应间非线性关系,适用于LM12/B4C/Al2O3HMMCs磨损行为预测。
3.4 Worn surface morphology:低Al2O3(3%)试样磨损面可见明显犁沟与拔出孔洞,呈黏着磨损特征,磨屑大;高Al2O3(9%)试样表面覆盖连续MML,犁沟浅且少,增强颗粒抑制塑性变形,耐磨性提升。
3.5 Analysis of wear debris of LM12 alloy composites:3%Al2O3试样磨屑为大块不规则片层,体现塑性变形主导的韧性磨损;9%Al2O3试样磨屑细小尖锐,体现脆性断裂与有限塑性,硬颗粒限制基体变形并使磨屑在滑动中被二次破碎(chopping action),细磨屑易排出减少三体磨粒磨损。
讨论与结论翻译:研究人员得出如下结论——LM12合金原始组织具连通杆状结构,HMMCs中因增强相加入而被打断;HMMCs硬度、屈服强度及抗拉强度随Al2O3含量增加而提高,优于基体LM12合金;ANOVA表明LM12/B4C/Al2O3复合材料滑动磨损受施加载荷与Al2O3质量分数变化影响最为显著;主效应分析显示磨损率随磨损参数增大而升高,随Al2O3含量升高而降低;硬质增强相尤其Al2O3增量有助提升耐磨性降低磨损率;机械混合层(MML)的形成是改善HMMCs耐磨性的关键,磨损表面SEM证实MML存在;低Al2O3(3%)HMMCs磨损产生较大碎片,暗示发生塑性变形;高Al2O3(9%)使碎片尺寸减小,系硬增强相限制塑性变形促发表面层脆性失效所致;ANN模型训练、验证及测试阶段高决定系数表明多层感知器(MLP)算法可较好学习LM12/B4C/Al2O3HMMCs非线性磨损行为;ANN预测与统计结果偏差极小且在可接受限度内吻合。未来研究可在不同载荷、高温及其他增强相组合条件下进一步探究LM12基HMMCs性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号