钢-铝固液相复合板界面层厚度建模

D0I:10.13374/j.issm1001-053x.1999.0M.011 第21卷第4期 北京科技大学学报 Vol.21 No.4 1999年8月 Journal of University of Science and Technology Beijing Aug.1999 钢-铝固液相复合板界面层厚度建模 张鹏”杜云慧” 康永林”张奇志)崔建忠” 巴立民功 1)北京科技大学材料科学与工程学院，北京1000832)东北大学，沈阳3)鞍山汽车配件厂，鞍山 摘要采用人工神经网络方法建立了钢铝固液相复合中助焊剂质量分数、铝液温度、模具温 度、压力与界面层厚度间的关系模型，并结合最大剪切强度的复合工艺参数得出了钢铝固液 相压力复合的最佳界面层厚度为10.0μm. 关键词人工神经网络：固液相复合：界面层厚度：钢-铝 分类号TG11191 在钢-铝固液相复合研究中，助焊剂质量分 2人工神经网络建模 数、铝液温度、模具温度及压力对复合板界面层 厚度均有影响"，呈现复杂的非线性关系，而复 人工神经网络目前已开始应用于复杂非线 合板界面层厚度与复合板力学性能又息息相 性系统的建模、估计、预测、诊断和自适应控制 关.复合板界面层主要是由脆硬的FeAl,和 等领域P~).BP网络是一种前馈式全连接多层 Fe,Al,相构成的，当界面层厚度控制在某一范围 神经网络，具有较强的联想记忆和推广能力，可 内时，脆硬的FeAl和FeAl,相呈棒状分布，可 以任意精度逼近任何非线性连续函数.本文采 以增强复合界面的结合性能，而当界面层厚度 用一个的3层BP网络结构，如图1所示， 超出该范围时，脆硬的FeAl,和Fe,Al,相呈片状 分布，会使界面层脆化，从而强烈地破坏复合 板界面的结合，严重时可导致复合板沿复合界 面开裂.因此，可以说复合板界面层厚度对固液 相复合成败与否举足轻重，建立复合板界面层 厚度与固液相复合工艺参数之间的关系对固液 相复合研究非常重要，然而，目前广泛应用的传 统统计-回归方法根本无法确定它们之间的非 图IBP网络结构 线性关系，本文首次尝试在实验数据基础上采 I层为输入层，采用线性单元，4个输入亦 用人工神经网络方法建立固液相复合板界面层 即其输出分别为助焊剂质量分数(Z)、铝液温度 厚度与复合工艺参数之间的关系模型. (Z)、模具温度(Z)和压力(Z).Ⅱ层为中间隐层， 采用非线性单元，其第广个单元的输入八，是通 1实验 过I层各单元的输出加权求和而得，其输出Y 是由其输入N经过一个非线性函数x)求得.山 将营口轴瓦厂生产的1.2mm厚08A1钢板 层为输出层，只有一个非线性单元，其输入N是 进行脱脂、除锈和打毛处理，在沸腾的氟钛酸钾 由Ⅱ层各单元的输出y,加权求和而得，其输出 助焊剂水溶液中浸镀后烘干，与经精炼的工业 界面层厚度(H)亦由其输入N经过非线性函数 纯铝液(99.99%)在四柱万能液压机上加压进行 x)求得，输入层和中间隐层以及中间隐层和输 固液相复合，温度精度为±1℃，最后利用线切割 出层之间的权值分别为'和W 技术制备试样.试样磨制后对复合板界面层厚 人工神经网络的学习算法如下， 度进行电镜观测，实验结果用人工神经网络进 (1)选取学习率n=0.1,动量相示数a=0.1 行建模研究 Z,=y=-1.(2)置V和w为-0.5~0.5之间的 1998-09-12收稿张鹏男，31岁，博士后 随机数.(3)从输入层到输出层逐层计算每个单 *国家"863"高科技资助项目(N0.863-715-009-060) 元输出

第 21 卷 第 4 期 1 9 9 9 年 8 月 北 京 科 技 大 学 学 报 J o u r n a l o f U n i v e r s ity o f s e i e n e e a n d Te e h n o l o g y B e ji i n g V 6 1 . 2 1 N 0 . 4 A u g . 1 9 9 9 钢 一铝 固液相复合板界面层厚度建模 张 鹏 l) 杜云 慧 ` , 康永林 1) 张奇志 2) 崔建忠 2) 巴 立 民 3) l) 北京科技大学材料科学与工程学院 , 北京 10 0 0 83 2) 东北 大学 , 沈阳 3) 鞍 山汽车配件厂 , 鞍 山 摘 要 采用 人工神经 网络方 法建立 了钢 一 铝 固液相 复合 中助 焊剂 质量 分数 、 铝液 温度 、 模 具温 度 、 压 力与界 面层厚度 间的关 系模 型 , 并 结合 最大 剪切 强度 的复合 工 艺参数得 出 了钢 一 铝 固液 相压力 复合 的最佳界面层 厚度 为 10 .0 “ m . 关键词 人工神 经网络 : 固液相复 合 ; 界 面层 厚度 ; 钢 一 铝 分类号 T G 11 1 . 9 1 在钢 一 铝 固液相复合研 究中 , 助焊剂质量分 数 、 铝液温度 、 模具温度及压 力对复合板界 面层 厚度 均有影响 `, , , 呈现复杂的非线性关系 , 而 复 合 板 界面层 厚度 与复合板 力学性 能又 息息相 关 . 复合 板 界面 层主 要 是 由 脆硬 的 eF IA , 和 Fe Z A I , 相构成的 , 当界面层厚度控制在某一 范 围 内时 , 脆 硬的 eF 1A 3 和 eF 冰1 , 相 呈 棒状分 布 , 可 以 增强复合 界面的结合性能 , 而 当界 面 层 厚度 超 出该范 围时 , 脆硬 的 eF IA , 和 eF Z IA , 相 呈 片状 分布 , 会 使界面层 脆化 `21 , 从而 强 烈 地破坏复合 板界面 的结合 , 严 重 时可 导致 复合板沿 复合界 面开 裂 . 因此 , 可 以说复合板界面 层厚度对 固液 相复合成败与否 举足轻重 , 建立 复合板 界 面 层 厚度与固液相复合工 艺参数之间的关系对 固 液 相复合研究非 常重 要 . 然而 , 目前广 泛应用的传 统统计 一 回归方法 根本无法确定它们 之 间 的非 线 性关系 , 本文首次尝试在实验数据基础 上采 用人工神经网络方法建立 固液相 复合 板界 面层 厚度 与复合工 艺参数之间 的关系模型 . 2 人工神经 网络建模 人工 神经 网络 目前 已 开 始应用 于 复杂非线 性系统 的建模 、 估计 、 预测 、 诊 断和 自适 应控制 等领域 `, 一 ” . B P 网络 是 一 种前馈式 全连 接多层 神经 网络 , 具 有较强的联想记 忆和推广 能力 , 可 以 任意 精度逼近任 何非 线性连续 函数 . 本文 采 用 一 个 的 3 层 B P 网络 结构 , 如图 1 所 示 . 1 实验 将营 口 轴瓦 厂 生产 的 1 . 2 m m 厚 08 A I 钢 板 进行脱脂 、 除锈和 打毛处 理 , 在沸腾的氟钦酸钾 助焊剂水 溶液 中浸镀 后烘干 , 与经精 炼的工 业 纯铝 液 ( 9 . 9 % )在四 柱万 能液压 机上 加 压 进行 固液相复合 , 温度精度为月 ℃ , 最后 利用线切 割 技术 制备试样 . 试样磨制后 对复合板 界面 层厚 度进行 电镜观测 , 实验结果 用人 工 神经 网 络 进 行建模研 究 . 19 9 8 一 0 -9 12 收稿 张鹏 男 , 31 岁 , 博 士 后 * 国家 ” 8 63 , `高科 技资助 项 目(N o 名6 3 一 7 1 5 一 0 0 9 一 0 6 0 ) 图 1 B P 网络结构 I 层 为输 入 层 , 采用 线性单元 , 4 个输入 亦 即其输 出分 别 为助焊 剂质量分数 (Z l ) 、 铝 液温度 (乙 ) 、 模具温度 (乙 )和 压 力(乙 ) . H 层 为 中间 隐 层 , 采用 非 线性 单元 , 其第j 个 单元的 输入 凡 是 通 过 I 层 各单元 的输 出加权求和 而 得 , 其输 出 万 是 由其输入 玛 经过 一个非线性 函数力)求得 . 1 层 为输 出层 , 只 有一 个非 线性单元 , 其输 入N 是 由 H 层 各单元 的输 出 芍加权求和 而 得 , 其输 出 界 面 层 厚 度 (扔 亦 由其输入 N 经 过 非 线性函 数 力)求得 . 输入层 和 中间隐层 以及 中 间隐层和 输 出层 之 间的权值分别 为 岭 和 玛 . 人 工 神 经网 络 的学 习算法如 下 . ( l) 选取 学习 率 叮= 0 . 1 , 动量相 示数 a = 0 . 1 乙 = 姚二 一 1 . (2 )置 环 , 和 玛 为一 .0 5 一 .0 5 之 间的 随 机数 . ( 3) 从输入 层到 输 出层 逐层 计 算每个单 元输 出 . DOI: 10. 13374 /j . issn1001 -053x. 1999. 04. 011

·358· 北京科技大 学学报 1999年第4期 N=VZ,j=1.2 (1) (5)若Z满足要求或达到指定学习次数，则 r1 Y=f(N) (2) 结束学习. N=ΣW,Y (6)逐层计算各单元的学习信号6. (3) n=(D-H)f(N) (7) H=f(N) (4) 6,=W,ouf(N),j=1,2 (8) fx)=(1-er(1+e) (5) (⑦)按梯度下降方向自修正权值 以上各式将阀值归入和W中，它们与固 W(什1)=W)+n6a+a[W(0-形(t-1)] (9) 定为一1的输入相连接 W(t+1)=W()+6,Z+a['()-V(t-1)](10) (4)计算系统误差.设有P个学习样本，则 (8)转(3). 系统的均方误差为 (D.-HY 用25个样本训练网络，4个样本检验网络 E= 2p1 (6) 的推广能力.训练68×10次时，训练样本和检验 其中，D.表示第n个学习样本，通常称之为导师 样本的相对误差最大值稳定在4.4%，结果如表 信号，H,表示相应的网络实际输出值. 1所示，可见此时己建立了正确的固液相复合板 界面层厚度与复合工艺参数之间的关系模型. 表1人工神经网络训练与预测点 Hlμm 样本号 w(助焊剂)/% t/℃ tw/℃ p/MPa 相对误差% 期望值 输出值 4 750 300 60 12.8 12.9 0.7 2 4 770 100 15 12.6 12.5 0.8 800 100 30 12.2 12.4 1.6 4 5 170 100 60 9.5 9.4 1.l 6 750 100 45 9.5 9.3 2.2 6 6 770 100 30 9.6 9.2 4.3 6 770 200 45 9.9 9.6 3.1 8 6 770 300 45 10.1 10.1 0 9 6 770 400 15 10.0 10.0 0 10 6 800 100 45 9.5 9.4 1.1 11 7 730 200 45 82 8.2 0 12 7 770 100 45 9.5 9.5 0 13 8 750 100 45 9.4 9.2 2.2 14 8 770 100 45 9.5 9.9 4.0 15 9 730 300 15 6.5 6.5 16 9 740 400 30 9.0 9.1 1.l 17 9 770 100 45 9.5 9.9 4.0 18 10 770 100 45 5.2 5.l 2.0 19 o 800 200 60 51 5.2 1.9 20 11 750 100 60 4.8 4.8 0 2 770 200 4.8 4.9 2.0 22 11 800 300 30 5.2 5.l 2.0 23 12 730 100 心 4.7 4.5 4.4 24 12 770 300 45 4.8 4.9 2.0 25 农 800 400 60 4.9 5.0 2.0 G7T3 770 400 10.1 10.2 1.0 6 730 100 45 9.5 9.2 3.3 11 730 400 9.8 4.8 0 29 1 750 200 45 4.8 4.8 0 *检验样本

一 3 5 8 - 北 京 科 技 大 学 学 报 19 99 年 第 4 期 、少尹尹. 、产, , 上`, 峥月`J 了 J `. 、口了. 、性娜子 、 戈 = 艺叱 ,乙 , j 二 l , 2 = f( 戈 ) : 艺城耳 户 1 ( 5) 若 Z 满足 要 求或达到指定学 习次数 , 则 结束学 习 . (6 )逐层 计算各单元的学 习信号 咨 . 踢 = (D 一万) . 厂义的 ( 7 ) 4 = 琳咨了义叼 , j = 1, 2 (8 ) (7) 按梯度 下 降方 向自修正 权值 . 砚 (+t l ) = 琳 ()t + 叮丙万+ a 【琳 ()t 一 琳 ( t一 1)」 ( 9 ) 玛 (什 l ) = 巩 ()t + 叮成乙+ a 【玲()t , 巧(t 一 l )〕 ( 10) ( 8 )转 ( 3 ) . 用 2 5 个样本 训练 网络 , 4 个样本检验 网络 的推广能力 . 训 练 6 x8 1 03 次时 , 训练样本和 检验 样本的相对误差 最大值 稳定在 4 .4 % , 结果如表 1 所示 , 可 见此时己建立了 正 确的固液相复合 板 界面层厚度与复合工 艺 参数之 间的关系模 型 . 间X . N H 只八刃) fx( ) = ( l 一 e 一 x/ ( l + e 一` ) 以上各式将 阀值 归入 巧和 叽 中 定为 一 l 的输入 相连接 . 它们与 固 (4 ) 计算 系统误差 . 设有 尸 个 学习样 本 , 则 系统 的均方误 差 为 . E 一 命睿 `D 一 , ) 2 ( 6 ) 其 中 , nD 表示第 n 个学 习样本 , 通常称之 为导师 信号 . nH 表示相应 的网 络实 际输 出值 . 表 1 人工神经网络训练 与预测点 样本号 w (助焊剂 )/ % t^ 1 /℃ 抽 /℃ P 月叨P a H/ 协m 期望值 输 出值 相对误差o/ ù吕6 `二. … n à 1 7 5 0 77 0 80 0 7 7 0 7 5 0 7 7 0 7 7 0 7 7 0 7 7 0 8 0 0 7 3 0 7 7 0 7 5 0 7 7 0 7 3 0 7 4 0 7 7 0 7 7 0 80 0 7 5 0 7 7 0 8 0 0 7 30 7 7 0 8 0 0 7 70 7 3 0 7 3 0 7 5 0 30 0 10 0 10 0 10 0 10 0 10 0 2 0 0 3 0 0 4 0 0 10 0 2 0 0 10 0 10 0 10 0 3 0 0 4 0 0 10 0 10 0 2 0 0 10 0 20 0 30 0 10 0 30 0 4 0 0 40 0 10 0 4 0 0 2 0 0 12 8 } 2 . 6 1 2 . 2 9 . 5 9 . 5 9 . 6 9 . 9 0 . 7 12 . 4 9 . 4 9 . 3 9 . 2 9 . 6 2 . 2 4 . 3 n àù.且 1 0 . 1 10 . 0 ō、曰乙, . 自 n,OQ 9 . 5 9 . 4 2 . 2 9 . 5 6 . 5 4 . 0 9 . 0 9 . 5 5 2 5 . 1 4 . 8 4 . 8 5 . 2 10 . 1 10 . 0 9 . 4 8 . 2 9 . 5 9 . 2 9 . 9 6 . 5 9 . 1 9 9 5 . 1 5 . 2 4 . 8 4 . 9 5 . 1 4 . 5 4 9 5 . 0 10 . 2 9 . 2 4 . 8 4 . 8 n,O了 4 . 0 2 . 0 2 . 0 2 . 0 4 . 7 4 . 4 9 énU 1 今白 , ù. 1盛召. , 几`人. . ` `二. 4 . 8 2 . 0 2 . 0 .103 0 O 产哎- ù .4.09 9 . 8 4 . 8 6015344560151530巧45 H21256 加21235410n234巧2345678967189 ’26789 * 检验 样本

Vol.21 No.4 张鹏等：钢-铝固液相复合板界面层厚度建模 359 3最佳界面层厚度的确定 艺参数之间的关系模型，为进行钢-铝固液相复 合研究提供了一条可靠的新途径. 复合板界面层的最佳厚度是指复合板界面 (2)钢-铝固液相复合界面层的最佳厚度为 力学性能最好时的界面层厚度，换句话说，与最 10.0μm. 好的复合板界面力学性能对应的复合工艺参数 就是获得最佳界面层厚度的复合工艺参数，由 参考文献 文献[6]可知，与最好的复合板界面力学性能对 】荀玉伟.钢铝固液相复合工艺研究：[硕士论文]沈阳：东 应的复合工艺参数为(7.1%，797℃，392℃，55 北大学，1997 2 Dybkov V I.Interaction of 18-Cr-10Ni Stainless Steel with MPa),即采用助焊剂质量分数为7.1%，铝液温度 Liquid Aluminium.Journal of Materials Science,1990,25: 为797℃，模具温度为392℃及施加压力为55 3615 MPa进行钢-铝固液相复合实验可得到最佳界 3 Hopfield J J.Diagonal Recurrent Neural Networks for 面层厚度.将以上参数代入人工神经网络建立 Dynamics Control.Proc Nat Acad Sci USA,1982,79:2554 的关系模型，得到钢铝固液相复合最佳界面层 4 Psaltis D,Sideris A,Tamanmuya A.Multilayered Neural Network Controller.IEEE Control Syst Mag,1988,8:17 厚度为10.0m. 5 Ren-Guo Song,Qi-Zhi Zhang,Mei-Kuang Tseng.The Ap- plication of Artificial Neural Networks to the Investiga- 4结论 tion of Aging Dynamics in 7175 Aluminium Alloys.Ma- terials Science Engineering,1995,C3:39 (1)人工神经网络作为一种新技术可以准确 6张鹏，崔建忠，杜云慧.人工神经网络在钢-铝固液相压 地建立钢-铝固液相复合界面层厚度与复合工 力复合研究中的应用.金属学报.1996,32(12)：1275 Model of the Intermetallic Layer Thickness of Steel-Aluminum Solid to Liquid Bonding Plate Zhang Peng",Du Yunhui,Kang Yonglin,Zhang Qizh?,Cui Jianzhong,Ba Limin 1)Material Science and Engineering School,UST Beijing,Beijing 100083,China 2)Northeastern University,Shenyang 3)Anshan Automobile Fittings Factory ABSTRACT The relationship model of concentration of flux solution,temperature of liquid aluminium,tem- perature of tools,pressure and intermetallic layer thickness under steel-aluminum solid to liquid bonding was established by means of Artificial Neural Networks(ANN)perfectly.The optimum thickness whose value was 10.0 um had been determined according to the bonding parameter values for the optimum shearing strength. KEY WORDS artificial neural networks;solid to liquid bonding;intermetallic layer thickness

V 6 1 . 2 1 N 0 . 4 张鹏等 : 钢 一铝 固液 相 复合 板界面 层厚度 建模 一 3 5 9 - 3 最佳界面层厚度的确定 复合板界面层 的最佳厚度是指复合板 界面 力学性能最好 时的界面层厚度 , 换句话说 , 与最 好 的复合板界面力学性能对应的复合工 艺参数 就是获得最佳界面层厚度 的复合 工 艺参数 . 由 文献 6[ ]可知 , 与最好 的复合板界面力学性 能对 应 的复合工 艺参数 为 ( 7 . 10,0 , 7 9 7 oC , 3 9 2℃ , 5 5 M P a) , 即采用助焊剂质量分数为 7 . 1% , 铝液温度 为 7 9 7℃ , 模具温度 为 3 92 ℃ 及 施 加压 力 为 5 M P a 进行钢 一 铝 固液 相复合 实验可 得到最佳 界 面层厚度 . 将 以上 参数代入人工 神经 网络 建立 的关系模型 , 得到钢 一 铝 固液相复合最佳 界面层 厚度为 or .0 阿 . 4 结论 ( l) 人工神经 网络作为一 种新技术可 以准确 地建 立 钢 一 铝 固 液相 复合界 面 层 厚度与复 合工 艺 参数之间 的关系模型 , 为进行 钢 一 铝 固液相复 合研究提供 了 一 条可 靠 的 新途径 . (2 ) 钢 一 铝 固液相 复合 界面 层 的最佳 厚 度为 1.0 0 拼m · 参 考 文 献 1 荀玉伟 . 钢铝 固液相复合工艺研究:〔硕士论文〕 . 沈阳:东 北大学 , 19 9 7 2 D y bk o v V I . I n t e r a c ti o n o f l s 一 C r 一 1 0N I S ta i n l e s s s te e l w i th L iq u i d A l u m i n i u m . J o u nr a l o f M at e r i a l s S e i e n e e , 1 99 0 , 2 5 : 3 6 15 3 H o Pif e 1d J J . D i a g o n a l R e c u r e n t N e u r a l N e wt o r k s fo r D y n a m i e s C o n t r o l . P r o c N a t A c a d S e i U S A , 1 9 8 2 , 7 9 : 2 5 5 4 4 P s a l t i s D , Si d e r i s A , aT m a n m u y a A . M u l t ilay e r e d N e u r a l N e wt o kr C o n t r o ll e .r I E E E C o n t r o l S y s t M a g , 1 9 8 8 , 8 : 1 7 5 eR n 一 G u o s o n g , Qi 一 Z hi Z h an g , M e i 一 K u an g sT e n g . T h e A P - Pl i e a t i o n o f A rt i if e i a l N e u ar l N e wt o kr s t o th e I n v e s t ig a - ti o n o f A g i n g D y n am i e s i n 7 1 7 5 A l u m i n i u m A l l o y s . M a - t e r i a l s S e i e n e e E n g i n e e r i n g , 1 99 5 , C 3 : 3 9 6 张鹏 , 崔建忠 ,杜 云慧 . 人工神经网络在钢 一 铝 固液相压 力复合研究中的应用 . 金属学报 . 19 9 6, 3 2( l2 ) : 1 2 7 5 M o d e l o f t h e I n t e mr e t a lli c L a y e r T h i e kn e s s o f S t e e l 一 A l u m i n u m S o li d t o L i q u id B o n d i n g P l a t e hZ a n g eP 雌 , , , D u uY n h u i ,’ , aK 馆 oY gln i n , , , hZ a 馆 Qiz h尹, , C u i iJ a nz h o 心 , , B a L im i n , , l ) M at e r i a l S e i e n e e an d E n g i n e e r i n g S e h o o l , U S T B e ij i n g , B e ij i n g 10 0 0 8 3 , C h i n a 2 ) N o hrt e a s te rn U n i v e rs i ty, S h e n y an g 3 ) A n s h an A u t o m o b i l e Fi t i n g s Fac t o yr A B S T R A C T T h e er l at i o n s h iP m o d e l o f e o n e e n t r a t i o n o f if xu s o lut i o n , et m Pe r a trU e o f liq u id a l nUI i n i nUI , t e m - Pe r a 奴叮 e o f t o o l s , Pr e s sur e a n d int e mr e at lli e lay e r t h i e kn e s s un d e r s t e e l 一 a l um i n um s o lid to liq u id b o n d i n g w a s e s at b ll s h e d 勿 m e an s o f A rt iif e i a l N e ur a l N e wt o kr s ( A N N ) Pe r fe e t l y . T h e o Pt im urn ht i e kn e s s w h o s e v a l u e w a s 10 . 0 卿 h a d b e en det emr in e d a e e o r d in g t o ht e b o n d i n g P a r am e t e r v a l u e s fo r ht e op t im um s h e ar in g s t r e n gt h · K E Y W O R D S a rt iif e i a l n e ur a l n e wt o kr s: s o lid t o liq u id b o n d i n g : i n t e mr e t a lli e lay e r ht i e kn e s s