2023年度本科生毕业设计,(论文)外文翻译摸板

下面是小编为大家整理的2023年度本科生毕业设计,(论文)外文翻译摸板,供大家参考。

　

　 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 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 作

　者 P.L. Narayana , Sang Won Lee 译 译

　名 P.L.斯瓦米，桑元李 国 国 籍 美国

　原文出处 https://doi.org/10.1016/j.commatsci.2020.109617

　 共 5 页

　第 2 页 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

　 共 5 页

　第 3 页 (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) 用于建模的列车和试验数据的输入和输出变量的细节。

　计算材料科学 179 (2020)109617

　附录一为补充材料。拉伸试样(直径 10 mm，规格长度 50 mm)从最终棒材型产品中切片。该数据库由用于模型开发的不同测试温度(25°C 至 850°C)下的各种成分和相应的力学性能(附录 2 中列出)组成。

　从可用的数据库,输入目前模型视为(i)组成的钢铁,拥有 15 个不同的合金元素,即 C、硅、锰、磷、年代,镍、铬、钼、铜、钛、铝、B、N 和 Nb +助教和(2)各种测试温度(25°C, 100°C, 200°C, 300°C, 400°C, 500°C, 600°C, 650°C, 700°C, 750°C, 800°C 和 850°C)。将钢的拉伸性能(YS, UTS， % El和% RA)作为模型的输出。可用于建模的实验数据集共有 72 个。从整个数据库中，54 个数据集用于开发神经网络模型，其余 18 个数据集用于检查模型的性能。建模所用的训练数据和试验数据的所有变量细节见表 1。

　建立人工神经网络模型

　神经网络由简单的组件并行工作，而网络组件的灵感来自于人类大脑中连接的神经元的调控。神经网络通常被组织成层(输入层、隐藏层和输出层)。神经网络的基本原理是“经过训练或调整，使特定的输入导向特定的输出目标”。“在基于材料科学的研究中，神经网络建模的详细描述已经在一些研究中报道[18,19]。

　选取输入输出变量后，通过训练得到神经网络的最优结构。模型训练主要是用实验值拟合网络，使计算输出与实验结果[20]一致。众所周知的标准学习算法

　计算材料科学 179 (2020)109617

　backpropagation (BP)方法，使用 sigmoid 激活函数对模型进行训练[21,22]。模型训练主要集中在最小化均方误差(MSE)，输出预测的平均误差(E tr )作为

　在 E tr (y) =输出参数 y 对训练测试数据集预测的平均误差。N =数据集个数，Ti(y) =目标输出，O i (y) =计算出的输出。

　计算机程序设计语言 C 和 Java 都被用于培训程序和图形用户界面设计。图 2给出了包含输入层、隐藏层和输出层的神经网络模型的基本结构设计。输入层和输出层的神经元分别等于输入参数的个数和输出参数的个数。为了进行模型训练，整个实验数据库分为训练和测试数据集。训练数据集用来获得模型的最佳架构，具有适当的隐藏层数、隐藏层中的神经元、动量项、学习率和迭代次数。训练是这样一种方式，MSE 和 Etr 误差值应达到最低。模型开发过程中所涉及的必要步骤如下:(i)隐藏层和神经元的选择，(ii)动量项和学习率的选择，以及(iii)迭代的选择。图 3 显示了本次调查的详细流程图。

　N ANN 模型的显著性 值得注意的是，可以通过使用广泛的和分层堆叠的非线性回归模型(例如，深度高斯过程)来实现非线性变量的相关性。而人工神经网络结构简单，具有通用性和灵活性，可以用于预测和分类。神经网络的主要优点是它们可以使用激活函数，它允许处理给定数据中的非线性、多维依赖关系。因此，当我们有一个具有显著非线性的大数据集时，人工神经网络的表现更好，可以实现更好的拟合和预测。

　现有人工神经网络模型的价值可以通过模型估计来解释，如使用温度对力学(提示(2)RMSE 1

　p

　 共 5 页

　第 4 页 性能的影响。这些预测遵循实验的路径。另一方面，化学成分的影响并不为人所知(除了少数几种主要元素);然而，该模型能够清楚地说明在不同使用温度下，利用相对重要性指数和定量估计的成分对力学行为的影响。利用优化后的重量制备了虚拟钢，并计算了成分和温度对性能的影响。所提出的框架不仅对这些特殊钢材有用，而且也有助于理解复杂的多组分材料科学问题。

　因此，神经网络几乎可以映射任何函数，只要根据给出的训练数据调整其参数。重要的是要注意，对于变量空间中没有训练数据可用的区域，神经网络的输出可能不可靠。但是，通过提供一些数据库来扩展输入变量范围可以提高模型在更广泛的组合范围内的性能。在本研究中，我们使用了 NIMS 提供的 18Cr-12Ni-Mo钢在较宽温度范围内的各种牌号(ADA-ADF)拉伸性能数据库。因此，所开发的模型能够在给定的输入变量范围内关联 18Cr-12Ni-Mo 钢的成分、使用温度和性能。因此，对于大范围的输入变量，该模型可能无法提供更高水平的输入-输出变量关系的精度(这对于任何与 ANN 模型相关的研究都是有效的)。

　最后，实现了该神经网络模型的成本-效率 通过结果的不同阶段，包括作为成分和温度函数的性能预测，不同输入参数的相对重要性，创建虚拟合金系统，最后，定量估计力学性能如图 14 所示。为了使用这个方便的工具，并更好地理解输入输出变量之间的关系，我们提供了最终模型的可执行 GUI 文件(在补充材料中给出)。

　5. 摘要和结论 所设计的神经网络模型能够反映相互因变量(15 个输入变量和 4 个输出变量)之间的相关性，平均精度达到 95%，对于设计应用非常有用。模型预测值与实验值吻合较好，与已有的经验公式吻合较好。训练、实施和评估的模型用于评估各种合金元素对 18Cr-12Ni-Mo 合金拉伸性能的影响，并借助一种新的方法称为相对重要性指数。所开发的模型能够模拟新的虚拟合金，估计的结果可以为指导实际实验提供一定的知识。图形用户界面可以帮助用户方便地访问和理解各种输入参数对模型输出的影响。因此，这种简便的技术是克服设计复杂性和开发具有预期性能的 as 组件的最佳工具。

　 共 5 页

　第 5 页 Modeling high-temperature mechanical properties of austenitic stainless steels by neural networks

　P.L. Narayanaa,b , Sang Won Leea , Chan Hee Parka , Jong-Taek Yeoma,⁎ , Jae-Keun Honga , A.K. Mauryaa,b , N. S. Reddyb,⁎ ABSTRACT

　 An artificial neural network (ANN) model was designed to correlate the complex relations among composition, temperature, and mechanical properties of 18Cr-12Ni-Mo austenitic stainless steels. The developed model was used to estimate the composition-property and temperature-property correlations with 97% and 91% accuracy, for train and unseen test datasets. The ANN predictions are more accurate with experimental results as compared with the calculated properties of the existing model. The effective response of the alloying elements on the mechanical properties at ambient as well as elevated temperatures was quantitatively estimated with the help of the index of relative importance (IRI). The calculated results of the ANN model beneficial for both researchers as well as designers to guide actual experiments. Hence, this proposed technique will be helpful in developing the components of austenitic stainless steel with desired properties. 1. Introduction The austenitic stainless steels (ASS) have got great significance in nu?clear power, petrochemical plants, and high-temperature industrial appli?cations due to their combination of strength and oxidation resistance at elevated temperatures (up to 900 °C) [1,2]. The primary function of these steel components must perform satisfactorily until their entire life period. However, the review of material failures in power generating industries revealed that 81% of material failures are because of high-temperature exposure of components, and they are mechanical. Among them, 65% of the failures are related to short-term material failures (associated with the tensile, compressive, flexural, and shear failures), and few failures (~9%) are due to the long-term exposures (i.e. creep) [3]. Composition, micro?structure, processing conditions, and service temperature influences the mechanical properties of the steels, [4]. Hence, it is a challenging task to design the alloys with the desired properties based on an application with less cost of experimentation. However, the increase in experimental trails promotes the various cost factors that play a significant role in any phase of alloy designing, starting from raw materials to testing the final product. Briefly, in steel production, a considerable fraction of cost is found to be due to the investment in raw materials, engineering (designing, tooling, and testing) and energy cost for processing, and finally for the labor [5,6]. Raw materials such as iron ore, coal, and various alloying elements are the main cost differentiator in stee...

推荐访问： (论文)外文翻译摸板 外文 标签 毕业设计 毕业设计论文英文翻译

---