对复合金材料磨损体积损失对哪些结构性的影响

推导并给出了计算复合金材料磨损体积损失的数学公式。利用所制备的复合材料配方，研究了输入变量对复合金材料磨损体积损失的影响。复合金材料的磨损体积损失随滑动距离、刀具横移和旋转速度的增加而显著增加。当夹杂比为50% TiC +50% Al2O3时，复合增强复合金材料的磨损体积损失最小。结果表明，该配方可用于预测复合材料的磨损量，从而降低时间和生产成本。详细研究了FSP参数和杂化比对Al基5083杂化复合材料抗拉强度的影响。

复合金材料利用一个隐层中不同神经元的数量来确定最优模型结构。采用15个神经元进行优化模型结构。利用MSE、MAE和MAPE作为误差评估标准，并选择相关系数(R)来评估所提模型的性能。用15个神经元得到最大R值和最小误差值。推导出了数学公式，并将试验结果与模型进行了比较。显示了复合金材料的误差率。训练集平均误差为11%，测试集平均误差为4%。这表明该模型的预测能力是可以接受的。在此基础上，研究了刀具转动速度、切削速度、碳纳米管(CNT)、氧化铝(Al2O3)、石墨(Gr)、碳化硅(SiC)和氧化锆(ZrO2)的体积分数等因素对强度的影响。

试验结果表明，复合金材料的抗拉强度随碳纳米管厚度、刀具旋转速度和导线速度的增加而显著增加。此外，还研究了不同体积分数的复合增强剂对5083型amhc的影响。当夹杂比为10% Gr + 5% ZrO2时，复合材料的抗拉强度最高。采用人工神经网络不同合金元素对Al-Mg2Si复合材料抗拉强度的影响。输入变量为Al、Mg、Si、铜、锰、铬、磷、铍、硼、锂、钇、钠wt.%，输出为UTS，单位为MPa。在一个隐藏层中使用三个不同的神经元编号(12、13和14)。使用训练数据集70%、验证数据集15%和测试数据集15%。