《表2 不同应变条件下材料参数值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于人工神经网络的超细晶纯钛热变形本构模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图10为变形温度对人工神经网络模型和Arrhenius本构方程模型精度的影响。由图10可以得出，神经网络模型的预测精度高于本构方程模型。随着温度的升高，两者的平均相对误差均有不同程度的升高。在较低的温度时（250，350℃），本构方程模型的相对误差稳定在7%，神经网络模型的相对误差稳定在1%。当温度升高时，本构方程模型预测值的相对误差急剧升高，在450℃时相对误差达到22.3%，模型稳定性较差。这是因为在变形过程中除了发生加工硬化之外还有动态回复和再结晶，这些皆由扩散控制，对温度较为敏感。另外在变形时，大部分形变能变为热能使材料内部温度发生变化。本构方程并不能反映这些影响，所以随着温度的升高本构方程模型误差升高[22]。神经网络模型直接模拟流变应力与实验参数之间的关系，消除了隐性的影响因素，模型较为稳定，平均相对误差为3%，这与Liu[23]用神经网络模型预测高速钢热压缩过程中流变应力的研究结果一致。