摘要：以7075-T6高强铝合金为研究对象,探明其在复杂应变路径加载后的力学性能,设计了可调节变形量的复杂应变装配模型,并基于GTN本构模型进行了单向拉伸和复杂应变路径加载下单向拉伸的仿真模拟,研究了不同变形量对仿真试样的位移-载荷曲线和真实应力-真实应变曲线的影响,分析了f_(O)、f_(N)、f_(C)、f_(F)这4个孔洞体积分数对复杂应变路径加载下试样的真实应力-真实应变曲线的影响。结果表明:在施加复杂应变路径后,试样断裂处所受的应力减小,应变大幅减小;fO和fC主要影响曲线的颈缩阶段,f_(N)主要影响曲线的屈服阶段,而fF对曲线的影响较小。结果显示,相较于单向拉伸的仿真结果,复杂应变路径加载下的真实应力-真实应变曲线能更准确地反映汽车覆盖件在冲压生产过程中的损伤演化过程。

摘要：为了探究孪生诱发塑性(TWIP)钢在弯曲等大变形下的微观组织变化,需要制备给定大变形材料试样,然而在实际试验中很难精准确定合适的力学性能试验参数。针对四点弯作用下的TWIP钢试样制备条件,分别基于弹性模型、Ramberg模型和Chaboche模型,采用有限元仿真模拟了试样在不同位移条件下的变形过程,获得了与给定大变形相匹配的试验参数。基于得到的试验参数开展了24次试验,结果表明试件实际变形与仿真计算结果具有较好的一致性。基于Chaboche模型的有限元仿真能够有效获取材料大变形试验的力学参数,而合适的材料参数是决定仿真结果精确性的关键因素。

摘要：针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。

摘要：流体边界层的运动特性对管道能量交换系数变化有重要影响,基于时均分部对自激振荡腔室进行划分,分析脉冲射流剪切层中边界层的流速变化。以流体流速和努塞尔数表示壁面换热性能,并分析了自激振荡腔室出流管道剪切涡流演变规律。结合自激振荡腔室有限元模型,采用大涡模拟数值方法,分析截切层涡流的演变及其对换热的影响。计算得到不同自振腔出口管长与自振腔腔长的比值下热流道的边界层近壁面流速与努塞尔数。研究结果表明:剪切层射流在与壁面碰撞后生成回流涡,继续沿管道向下运动,并在下游管道继续运动过程中多次重复这一过程,破环边界层,在维持大尺度拟序涡结构的涡核稳定的基础下加强了管道换热效果;随着自振腔出口管长与自振腔腔长的比值的增大,壁面湍流的强度先增大后减小,当比值大于1.6时,湍流强度明显开始减小,比值在1.2~1.6范围内综合性能系数可提高12%~35.5%。