高级检索

机车车辆大型长直弦梁焊接变形预测

张月来, 何清和, 朱嘉翌, 梁归慧, 曾炯萌, 邓德安

张月来, 何清和, 朱嘉翌, 梁归慧, 曾炯萌, 邓德安. 机车车辆大型长直弦梁焊接变形预测[J]. 焊接学报, 2023, 44(9): 106-112. DOI: 10.12073/j.hjxb.20221213001
引用本文: 张月来, 何清和, 朱嘉翌, 梁归慧, 曾炯萌, 邓德安. 机车车辆大型长直弦梁焊接变形预测[J]. 焊接学报, 2023, 44(9): 106-112. DOI: 10.12073/j.hjxb.20221213001
ZHANG Yuelai, HE Qinghe, ZHU Jiayi, LIANG Guihui, ZENG Jiongmeng, DENG Dean. Prediction of welding deformation in large long straight beams for locomotive[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2023, 44(9): 106-112. DOI: 10.12073/j.hjxb.20221213001
Citation: ZHANG Yuelai, HE Qinghe, ZHU Jiayi, LIANG Guihui, ZENG Jiongmeng, DENG Dean. Prediction of welding deformation in large long straight beams for locomotive[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2023, 44(9): 106-112. DOI: 10.12073/j.hjxb.20221213001

机车车辆大型长直弦梁焊接变形预测

详细信息
    作者简介:

    张月来,博士,高级工程师;主要从事轨道交通车辆制造材料及焊接技术研究工作;Email:zhangyuelai.zz@crrcgc.cc

  • 中图分类号: TG 404

Prediction of welding deformation in large long straight beams for locomotive

  • 摘要: 基于MSC.Marc 通用有限元软件平台开发高效的增强移动热源模型,并采用热-弹-塑性有限元法和增强移动热源模型,对长度为13 832 mm的机车车辆大型长直结构焊接变形进行了数值模拟. 同时测量了长直结构的焊接变形,并与数值模拟结果进行比较,验证了所开发的有限元计算模型对长直结构焊接变形的准确性与可行性,随后,采用所开发的计算方法分析了不同焊接顺序对机车车辆大型长直结构焊接变形的影响. 结果表明,焊接顺序对焊接变形的模态和大小均有显著影响,通过调整焊接顺序能够大幅减小焊接变形,试验结果指导了大型长直结构的实际生产,并且缩短了工艺开发周期.
    Abstract: An efficient enhanced moving heat source model was developed based on the MSC. Marc finite element software platform. The thermo-elastic-plastic finite element method, along with the enhanced moving heat source model, was employed to numerically simulate the welding deformation of a large-scale long straight rolling stock structure measuring 13832 mm in length. Simultaneously, the welding deformation of the long and straight structure was measured experimentally and compared to the numerical simulation results. This comparison verified the accuracy and feasibility of the developed finite element calculation model for welding deformation in such structures. Subsequently, the developed computational method was used to investigate the impact of different welding sequences on the welding deformation of large long straight structures in rolling stock. The calculation results demonstrate that the welding sequence significantly affects both the mode and magnitude of welding deformation. By adjusting the welding sequence, substantial reduction in welding deformation can be achieved. This study provides guidance for the production of large long straight structures and reduces the process development cycle.
  • 碳纤维增强热塑性复合材料(carbon fiber reinforced plastic, CFRP)在轨道交通、先进能源等领域具有广泛应用前景[1-3],然而其生产成本高,难以实现单一碳纤维结构件的应用. 为实现低成本和轻量化制造,越来越多采用碳纤维与金属材料的异质混合结构件,这样必涉及碳纤维与高强钢等轻质材料之间的连接[4].

    由于热塑性碳纤维树脂基体可以重熔,因此碳纤维与钢的连接可通过焊接实现[5],其中激光焊[6]是近年来发展迅速的连接技术,它利用高能量光束迅速熔化材料,使其快速凝固成形;由于其热输入小,焊后变形小,且焊接时间短,效率高,可获得柔性接头,十分适合钢/碳纤维异种材料之间的焊接.在金属/碳纤维激光连接时[7],上层的钢吸收光束能量后,能量通过热传导的方式使碳纤维树脂发生熔化,形成接头. Xia等人[8]研究发现,激光功率较低时,碳纤维的熔化宽度不足,连接界面处存在间隙,无法形成有效接头;Su等人[9]指出,热输入在改变碳纤维熔化宽度的同时,改变了接头的断裂形式;Hao等人[10]进一步认为,过度的热输入致使碳纤维在发生过量熔化的同时,使其受到了一定程度上的损伤. 因此,在激光焊中,如何进行碳纤维熔化宽度的识别与预测,从而有效控制碳纤维的熔化宽度,一直是自动化焊接研究的重点与难点.

    目前,由于激光参量组合繁多,所以需要通过人力进行大量的重复性试验,以获取相应参数下的碳纤维熔化宽度. 因此,需要通过建立某种数学模型预测激光参量对于碳纤维熔化宽度的影响,其中由于激光复杂的光电物理现象以及材料的热物理性质差异,激光参量与碳纤维熔化宽度的关系往往不是简单的线性关系,而是一种较为复杂的多元非线性回归问题[11]. 此时,利用反向传播及梯度优化算法的人工神经网络[12]为解决复杂的多元非线性回归问题提供了思路. 邹丽等人[13]开发了一种粗糙集与径向基函数神经网络集成的焊接疲劳寿命预测模型;邱广宇等人[14]利用最小二乘法,提出了一种预测焊接接头疲劳寿命的卷积神经网;Hamidinejad等人[15]使用人工神经网络 (artificial neural network,ANN)回归模型成功预测了搅拌摩擦焊中优化参数对于接头最终强度的影响;Campbell等人[16]建立了一种神经网络模型,用于预测在交替保护气体频率下接头的有效喉道长度;Nagesh等人[17]利用ANN的反向传播原理,成功的预测了熔池的几何尺寸与焊缝表面形貌的关系.

    文中探索了一种基于多层感知机(multi-layer perceptron,MLP)和支持向量机 (support vector machine,SVM)的神经网络为研究对象的碳纤维熔化宽度预测模型,并使用基于元启发式新型智能优化算法(angle of arrival, AOA)对神经网络初始权重进行优化,并用于指导激光热源的光路搭建及模型设计,从而更好的确立合格的实际工业过程中的钢/CFRP激光焊工艺.

    试验所用材料为含30%短纤维丝的聚己二酰己二胺66 (Polyadiohexylenediamine-66,PA66)树脂碳纤维和双相钢780 (Dual Phase Steel-780,DP780),尺寸分别为75 mm × 30 mm × 2.0 mm和75 mm × 30 mm × 1.6 mm.

    试验前,用砂纸去除待连接工件表面氧化层,并用丙酮清洗.如图1所示,双相钢搭接在碳纤维上,搭接宽度30 mm,并使用夹具固定. 激光器型号为YLS-4000-CL,最大输出功率为4.0 kW,光束波长1 064 nm,光斑直径0.3 mm,光束发散角α<0.15 rad,同时,使用氩气保护焊缝,使用压缩空气保护激光头. Zhang等人[18]研究发现,沿着钢/CFRP宽度方向上的温度场会影响界面气泡的形成,从而对接头的力学性能产生影响;Tan等人[19]研究了光束扫描速率对钛/CFRP界面的影响,发现界面宽度方向上,树脂的粘接比例会影响界面的力学性能;Hussein等人[20]研究了304不锈钢/聚甲基丙烯酸甲酯界面的温度场模型,阐明了界面处树脂熔融温度宽度区间与力学性能之间的关系;Arkhurst等人[21]使用激光连接了镁合金/CFRP,结果发现沿着宽度方向上的异质界面特性会对接头界面的力学性能造成最为重要的影响;此外,之前的工作中发现[7],在接头的形成过程中,熔融的碳纤维树脂裹挟着碳纤维丝沿着宽度方向在钢表面铺展,并在一定温度的作用下形成钢/碳纤维界面的化学连接,而在接头的失效过程中,外力作用导致裂纹产生在钢/CFRP的接触界面,也就是宽度方向. 随着外力的进一步作用,裂纹沿着钢/CFRP界面不断拓展,直至接头完全失效. 可见,对于金属/CFRP连接界面,其沿着界面宽度方向上的相关特性会对接头的力学性能产生重要影响. 因此,试验后使用金相显微镜测量双相钢/碳纤维界面宽度,如图2所示. 优化焊接工艺参数见表1,并且文中所采用的离焦量均为非负值.

    图  1  钢/碳纤维激光焊示意图
    Figure  1.  Schematic of steel/CFRP laser welding
    图  2  钢/碳纤维界面测量
    Figure  2.  Measurement of steel/CFRP interface
    表  1  焊接工艺参数
    Table  1.  Welding parameters
    激光功率
    P/kW
    离焦量
    L/mm
    焊接速率
    v/(mm·s−1)
    0.8,0.85,0.9,0.95 1.00,4,820,25,30,35,40
    下载: 导出CSV 
    | 显示表格

    多层感知机[22]是一种基于生物神经元、细胞、触点等提出的,以监督式学习为主的多层非线性映射系统,包含输入层、隐含层以及输出层. 将试验得到的特征输入及输出置于其中,利用正向、反向传播和梯度下降,不断的对多层非线性映射系统内部层与层之间的权重及偏差进行更新修正. 正向传播过程为

    $$ {y_i} = {f_1}(\sum\nolimits_{i = 1}^{{p}} {{\omega _{ij}}} {{{x}}_i} + {b_i}) $$ (1)

    隐含层的输出将会作为输出层的输入,继续进行前向传播,即

    $$ {y_k} = {f_2}(\sum\nolimits_{k = 1}^s {{\omega _{jk}}} {y_i} + {b_k}) $$ (2)

    式中:x是输入层输入;y是隐含层输出;f是隐含层神经元的激活函数;ps分别是输入和输出层的神经元个数;ωb分别是输入层与隐含层之间的权重与偏差;i是隐含层的第i个节点;jk指隐含层与输入层第j个与第k个神经元.

    通过神经网络的正向传播,由实际得到的特征输入,得到了输出值, 即预测值. 再利用预测值与实际得到的特征输出,计算均方误差值(mean squared error, MSE),即

    $$ M_{\mathrm{MSE}} = \frac{{\sum\nolimits_i^m {{{({y_{{{k}}i}} - {y_{li}})}^2}} }}{m} $$ (3)

    式中:yk指输出特征值;yl指实际特征值;yki指输出的第i个特征值;yli指实际得到的第i个特征值.

    基于均方误差值,利用梯度下降法[23],不断修正反向传播神经网络(back propagation,BP)层与层之间的权重及偏差,对网络进行训练.

    采用的感知机网络有三层,分别为输入层、隐含层及输出层,层与层之间的连接方式为全连接.其中,输入层包含3个神经元,分别对应离焦量、激光功率、光束扫描速率,隐含层包含5个神经元;输出层的单神经元对应PA66碳纤维的界面宽度. 最后,由于传统BP神经网络对初始权重较为敏感[23],初始随机的权重和偏差会导致在网络局部最优收敛,每次的求解结果差异性较大. 所以,需要引入额外的算法优化神经网络的初始权重和偏差,提高模型的预测精度和泛化能力[24-25].

    Abualigah等人[26]提出了一种基于元启发式新型智能优化算法AOA,其利用基本的乘除加减算数运算实现算法的寻优过程. 整个AOA优化算法可以被分为以下3个过程:初始化阶段、探索阶段和开发阶段. 在初始化阶段中,参数范围内随机设置初始解X,每次迭代的最佳候选解被确定为当前的最优解,XN × n的矩阵,即

    $$ X = \left( {\begin{array}{*{20}{c}} {{x_{11}}}& \ldots &{{x_{1n}}} \\ \vdots & \ddots & \vdots \\ {{x_{N1}}}& \cdots &{{x_{Nn}}} \end{array}} \right) $$ (4)

    AOA算法的初始化阶段,在[0,1]中取随机数r,并将r与数学优化器加速函数MOA进行比较.若r大于等于MOA,则选择探索阶段,进行参数的迭代寻优.反之,若r小于MOA,则选择开发阶段,即

    $$ MOA(I) = M_{\min} + I \times \frac{{M_{\max} - M_{\min}}}{{{M_{I}}}} $$ (5)

    式中:I为当前迭代次数;MI为最大迭代次数;$M_{\max}/M_{\min} $为加速函数的最大/最小值.

    探索阶段主要利用除法机制和乘法机制两个搜索机制作为搜索策略,参考式(6). 在[0,1]中任取一个随机数r0. 若r0 > 0.5,选择最外层除法策略,反之选择乘法策略.

    $$ {f_{{\mathrm{MOP}}}}(t) = 1 - \frac{{{C^{\tfrac{1}{a}}_{I}}(t)}} {{{M^{\tfrac{1}{a}}_{I}}(t)}} $$ (6)

    式中:$ {f_{{\mathrm{MOP}}}}(t) $为t次迭代时的函数值;a为敏感参数.

    利用AOA算法求解由BP神经网络中权重及偏差所构成的高维参数空间,寻找目标神经网络中初始权重及偏差最优解,从而实现对BP神经网络的优化,得到AOA-BP优化神经网络,如图3所示.

    图  3  AOA算法优化BP神经网络
    Figure  3.  Flowchart of AOA algorithm to optimize BP neural network

    图4展示了AOA算法对神经网络初始权重及偏差的优化迭代过程. 在迭代初期 (0 ~ 23代),算法迭代曲线的函数值下降较慢,基本保持在0.042 5不再变化;当迭代达到第25轮时,摆脱了局部最优的束缚,算法迭代曲线的函数值骤然下降,降低至0.033,进一步探索全局的最优解;最后,在经过30轮的迭代,算法迭代曲线的函数值降到最低0.032,表明AOA寻找到了BP神经网络最优的初始权重及偏差. 随后,将优化的权重及偏差输回BP神经网络中,为后续的回归训练过程建立网络基础结构.

    图  4  AOA算法优化迭代过程
    Figure  4.  AOA algorithm optimization the iterative process

    当BP神经网络获取经过AOA算法优化后的权重及偏差后,根据图3的训练流程图,开展神经网络模型的建立. 在训练过程中,为了使得神经网络可以给出较为精确的拟合结果,相应的目标的MSE误差被设定为1 × 10−3. 同时,为了对比AOA对BP神经网络的优化效果,图5分别展示了BP及AOA-BP优化神经网络训练、验证及测试时的损失函数变化曲线. 由图5(a)可知,未经AOA优化的BP神经网络,在训练集中,神经网络不断学习数据的特征,其MSE值不断下降,在网络训练第2代时低于设定的目标误差值1 × 10−3. 相反,神经网络在验证集与测试集中,第一代为误差函数的拐点,当迭代次数大于1 时,MSE值不断增大,上述现象表明,此时的BP神经网络发生了过拟合现象,即数据集在训练集中的误差极小,但在测试与验证集中的误差较大;如图5(b)所示,经过AOA优化的BP神经网络(AOA-BP),在训练过程中,当训练过程迭代27代后,MSE误差函数值在不断减小,训练集的误差大于测试集与验证集,MSE的最小值为0.028 4,表明AOA-BP优化神经网络在整个的训练过程中避免了过拟合的产生.

    图  5  神经网络损失函数曲线
    Figure  5.  Neural network loss function curve. (a) loss function curve of BP neural network; (b) loss function curve of AOA-BP neural network

    经过训练,图6展示了上述两种神经网络的预测值与试验值的对比结果,同时,使用标准差(standard deviation,STD)及平均百分误差(mean absolute percentage error,MAPE) [27]分别表征预测结果误差的稳定性及预测模型的精度,STD和MAPE的值越小,表明所建立模型的预测结果精度和稳定性越高.

    图  6  BP神经网络训练/测试结果对比
    Figure  6.  Comparison of BP neural network results. (a) training; (b) testing

    图6给出了未优化BP神经网络训练集的预测结果,并列举了训练集的STD及MAPE的计算结果,见表2表3. 由表可知,在BP神经网络中,相比训练集,其验证集的STD值较大,说明在训练过程中,训练集中的预测精度较高,但是在训练结束后,模型在验证集中的预测误差较为不稳定. 同时,从图6可以看出BP神经网络在验证集的预测值与试验值有较大的差异,这是因为,BP神经网络在预测过程中发生了过拟合现象. 换言之,BP神经网络在训练集中搜寻到了误差函数的全局较优值,而在测试集中仅收敛在误差函数曲面的局部最优处,表明模型的泛化能力较差,不能够建立出稳定及准确的预测模型.

    表  2  BP神经网络训练集对比
    Table  2.  Training set of BP neural network
    序号 试验数据
    W1/mm
    预测数据
    W2/mm
    标准差
    SSTD
    平均误差
    MMAPE
    1 6.13 5.561 0.32 0.09
    2 7.02 6.827 0.03 0.03
    3 7.25 8.442 1.42 0.08
    4 6.57 7.461 0.79 0.07
    5 3.57 3.879 0.09 0.04
    下载: 导出CSV 
    | 显示表格
    表  3  BP神经网络测试集对比
    Table  3.  Validation set of BP neural network
    序号 试验数据
    W1/mm
    预测数据
    W2/mm
    标准差
    SSTD
    平均误差
    MMAPE
    1 8.54 7.879 0.43 0.04
    2 8.14 7.721 0.17 0.03
    3 9.77 8.117 2.73 0.08
    4 6.61 7.116 0.25 0.04
    5 5.24 5.743 0.25 0.05
    下载: 导出CSV 
    | 显示表格

    图7展示了优化神经网络AOA-BP预测值与试验值的对比结果, 相应的STD及MAPE也被列举在表4表5中. 由表可知,AOA-BP神经网络在训练集与测试集中的STD值和MAPE均较低,且显著低于原始的BP神经网络,表明AOA-BP神经网络所建立的预测模型具有良好的预测精度及泛化能力.

    图  7  AOA-BP神经网络结果对比
    Figure  7.  Comparison of BP neural network. (a) training; (b) testing results
    表  4  AOA-BP神经网络训练集对比
    Table  4.  Training set of AOA-BP neural network
    序号 试验数据
    W1/mm
    预测数据
    W2/mm
    标准差
    SSTD (10−3)
    平均误差
    MMAPE(10−3)
    1 7.89 7.857 1.09 2.09
    2 7.69 7.720 0.90 3.90
    3 7.43 7.500 4.9 4.71
    4 6.19 6.219 0.729 2.34
    5 8.38 8.388 0.064 0.477
    下载: 导出CSV 
    | 显示表格
    表  5  AOA-BP神经网络测试集对比
    Table  5.  Validation set of AOA-BP neural network
    序号 试验数据
    W1/mm
    预测数据
    W2/mm
    标准差
    SSTD (10−3)
    平均误差
    MMAPE(10−3)
    1 7.02 7.044 1.09 1.71
    2 3.57 3.597 0.729 3.78
    3 5.62 5.317 5.93 7.35
    4 8.03 8.038 0.064 4.98
    5 6.73 6.728 0.004 0.149
    下载: 导出CSV 
    | 显示表格

    图8展示了神经网络预测模型的多元非线性回归结果. 多元非线性回归结果中的相关系数R值,表明了模型的精度,其值越大,模型精度越高[26],即

    图  8  BP 神经网络的多元回归结果
    Figure  8.  Multiple regression results for BP neural networks. (a) training set; (b) validation set; (c) test set; (d) universal set
    $$ R = \frac{{\sum {({{x - }}\overline x )} (y-\overline y )}}{{\sqrt {\sum {{{({{x - }}\overline x )}^2}\sum {{{(y-\overline y )}^2}} } } }} $$ (7)

    式中:x,$ \overline x $,y,$ \overline {{y}} $分别表示两个变量及其平均值. 而不同集合中的R值则可以反应所建立模型的泛化能力[26]. 其中未经优化BP神经网络的回归结果参考图8 . BP神经网络在训练集中的相关系数R为0.977 47,表明此时的拟合结果良好, 模型精度良好. 然而,在验证集与测试集中的相关系数R却分别为0.919 18与0.943 71,均低于训练集,说明模型陷入了过拟合,所建立模型的泛化能力较差.

    图9为AOA-BP神经网络的多元非线性回归结果,其中训练集的相关系数R为0.962 96,在验证集与测试集中分别为0.970 09和0.988 28,整体的相关系数R为0.961 03,表明AOA算法对BP神经网络权重优化是有效的,模型在训练集以外的集合也表现出良好的预测精度,此时模型的泛化能力良好.

    图  9  AOA-BP 优化神经网络的多元回归结果
    Figure  9.  Multiple regression results for AOA-BP neural networks. (a) training set; (b) validation set; (c) test set; (d) universal set

    在所建立的AOA-BP神经网络预测模型的基础上,采用曲面响应法[27]分析了激光功率、光束扫描速率与离焦量3个激光参量对碳纤维熔化宽度的影响权重, 如图10所示. 图10(a)中碳纤维熔化宽度的极值出现在二维映射图的右下角,说明随着激光功率的提升,以及较低的光束扫描速率,可以促进碳纤维熔化宽度的增大. 同时,当激光功率或光束扫描速率值固定时,可以看到碳纤维熔化宽度变化的较大梯度出现在靠近光束扫描速率的一侧,表明相比激光功率,碳纤维熔化宽度受光束扫描速率的变化影响较大;图10(b)中碳纤维熔化宽度的极值出现在二维映射图的右上角,说明随着离焦量的增大,以及激光功率的增大,碳纤维熔化宽度不断增大,同时碳纤维熔化宽度变化梯度的较大值在靠近离焦量的一侧 ,说明相比激光功率,离焦量是影响碳纤维熔化宽度的主要参量;图10(c)中碳纤维熔化宽度的极值出现在右下角,说明随着离焦量的增大以及光束扫描速率的降低,碳纤维熔化宽度不断上升,其中碳纤维熔化宽度变化梯度的较大值在靠近光束扫描速率的一侧,这说明在这两个特征参量中,光束扫描速率为影响碳纤维熔化宽度变化的主要参量. 总而言之,激光功率、离焦量以及光束扫描速率3个特征参量,对碳纤维熔化宽度影响程度从大到小排序依次为光束扫描速率、离焦量、激光功率.

    图  10  激光工艺参数与碳纤维界面宽度的响应曲面分析
    Figure  10.  Response surface analysis of laser process parameters and carbon fiber interfacial widths. (a) laser power and beam scanning speed; (b) laser power and defocus distance; (c) beam scanning speed and defocus distance

    文中所采用的激光器,其波长为1 064 nm,最小光斑直径为0.3 mm. 在试验过程中,随着离焦量逐渐向正向增大,光斑直径也逐渐增大,致使激光的辐射面积增加. 然而,光斑直径增大后,会导致激光在光斑直径范围内的能量密度值降低. 所以,当离焦量正向扩大时,如果需要保证整体热输入的稳定,可以通过增大激光功率提高光斑直径范围内的能量密度,也可以通过降低光束扫描速率,以提升线性热输入,确保整体热输入的稳定. 同时,整体热输入也会对钢/CFRP界面的宽度产生影响. 在试验中发现,当光束扫描速率越低,且激光功率和离焦量越大时,所获得的钢/CFRP界面宽度较大.然而,当观察表3中9.77 mm的界面时,发现界面存在大量的工艺性气孔,反而恶化了接头性能. 因此,针对DP780钢/PA66 CFRP的连接界面,基于上述整体热输入量调整思路,当把表1中的激光参数先后控制在光束扫描速率20 mm/s、离焦量0 mm、激光功率1 000 W时[7],可以获得界面宽度为5.62 mm (表5)且无气孔、间隙,连接性能较好的钢/CFRP界面.

    为了进一步解释光束扫描速率、离焦量及激光功率3个输入特征对钢—碳纤维界面宽度的影响机理,计算了不同条件下的激光能量密度. 高斯分布通常用来描述激光能量的分布,其表达式为[28]

    $$ I = \frac{{2\eta P}}{{\text{π} r_0^2}}{{\mathrm{e}}^{ - \tfrac{{2({x^2} + {y^2})}}{{r_0^2}}}} $$ (8)

    式中:I 表示激光能量强度;η 表示材料的激光吸收率;P 表示激光功率;r0 表示光斑半径;r 表示到光斑中心的距离;xy 分别表示光斑沿x方向和 y 方向的位置.

    图10可知,激光功率、离焦量与界面宽度呈正相关关系,光束扫描速率与界面宽度呈负相关,其中由于不同特征参数的量纲不同,因此所有特征参数的变化比例被控制在25%,以计算不同条件下的激光能量分布. 如图11所示,仅当光束扫描速率变化时,激光峰值能量从160 J/mm2提升至200 J/mm2,增加了25%;仅当激光功率提升时,激光峰值能量的提升较低,仅有14.2%,其中激光功率与光束扫描速率分别变化时,激光辐射宽度并没有发生变化,仅有激光的峰值能量上升;仅当离焦量增加时,激光能量辐射宽度增大,这有利于光束能量向垂直于光束通道的两侧扩散,但是相应的激光峰值能量下降. 综上所述,3个激光参量发生相同比例的变化时,光束扫描速率所引起的激光峰值能量变化幅度(25%)大于激光功率(14.2%). 在这个过程中,激光能量的辐射宽度并未发生改变,与此同时,离焦量的变化使得激光能量辐射宽度增大,促进了能量在光束通道法向方向的传递,光束能量在钢表面的覆盖区域增大. 上层钢吸收激光能量后,通过热传导的方式将能量传递至下层的碳纤维,使其发生熔化,形成钢/碳纤维连接界面. 因此,钢—碳纤维界面的宽度,取决于界面处所吸收的能量大小.其中上层较大的激光峰值能量有利于能量向下层界面处的传递,增大界面处所获得的能量大小[11]. 而较大的光束覆盖面积,配合适当的激光功率,在保证界面处获得足够熔融能量的同时,可以促进能量向两侧的扩散,增大界面处的熔化面积.

    图  11  不同参数下的激光能量分布
    Figure  11.  Laser energy density distribution with various parameters

    综上所述,通过响应曲面法以及不同条件下激光能量的计算,发现影响钢—碳纤维界面宽度的激光参量权重从大至小依次为光束扫描速率、离焦量、激光功率.

    根据报道[10],在金属和碳纤维的连接中,界面处过高的热输入会导致碳纤维树脂发生热分解,损坏其连接界面,而较低的热输入会导致界面热量不足,碳纤维融化量有限,无法形成有效的接头. 所以,为了实现对钢—碳纤维界面处热输入的精确控制,以获得良好的接头界面,光束扫描速率是首要的目标控制变量,可以使用机器人手臂的水平线性位移速率控制器调整;其次,根据图11,正离焦量的增大,扩大了激光能量的覆盖范围,峰值能量下降且促进了光束能量向两侧的传递,激光能量呈现为扁平状分布.同时,根据激光器的工作原理[28],光子在谐振腔及增益介质内部大量形成后,形成激光束,通过光纤传输到激光器镜头的光学模组中(包含振镜、场镜及准直、保护镜片),最终作用在工件的表面. 所以,通过调整激光器镜头光学模组中的场镜尺寸与准直之比[29],可以获得不同程度上扁平状分布的激光能量. 此外,同样的激光器,使用不同尺寸的光纤芯径时,其激光能量密度数值是不同的,相应的激光能量分布形式也会发生变化[30-33],但是其较高的成本需要额外考虑;最后,在光束扫描速率和离焦量的数值确定后,改变激光器的输出功率,进一步对激光的热输入量进行控制,最终实现对钢—碳纤维界面热量的精确调控,以获得性能良好的钢/碳纤维接头界面.

    (1) 基于AOA-BP优化神经网络,建立了激光功率、离焦量、光束扫描速率与钢/碳纤维界面宽度的预测模型. 训练集的MSE函数值小于验证集和测试集,经过27次迭代,达到最小值0.028 4. AOA-BP优化神经网络在训练集、验证集和测试集中的R值分别为0.962 96,0.970 09,0.988 28,表明所建立预测模型良好的预测精度及泛化能力.

    (2) 响应曲面模型分析结果表明,钢/碳纤维界面宽度与激光功率、离焦量成正比,与光束扫描速率成反比. 影响钢/碳纤维界面宽度的激光参量权重排序从大到小依次为光束扫描速率、离焦量和激光功率. 获得良好钢/碳纤维界面的最佳热输入组合为光束扫描速率20 mm/s、离焦量0 mm和激光功率1 000 W.

  • 图  1   长直弦梁结构模型

    Figure  1.   Long straight beam structure model

    图  2   焊缝位置和接头示意图

    Figure  2.   Schematic of weld position and welded joint. (a) weld position; (b) welded joint

    图  3   焊接变形测量示意图

    Figure  3.   Schematic of welding deformation measurement

    图  4   三维网格模型

    Figure  4.   3D mesh model

    图  5   Q460E钢的温度性能参数

    Figure  5.   Temperature-dependent properties of Q460E steel. (a) thermophysical properties of Q460E; (b) mechanical properties of Q460E

    图  6   增强移动热源模型

    Figure  6.   Enhanced moving heat source model

    图  7   拘束条件示意图

    Figure  7.   Schematic diagram of restraint conditions

    图  8   温度场分布

    Figure  8.   Temperature distribution

    图  9   合成位移分布

    Figure  9.   Displacement distribution

    图  10   弦梁焊接变形和路径曲线

    Figure  10.   Straight beam structure welding deformation and schematic diagram of path curve

    图  11   合成位移、xy方向位移沿路径L分布

    Figure  11.   Distribution of resultant displacement, x & y direction displacement along path L. (a) resultant displacement; (b) y direction displacement; (c) x direction displacement

    表  1   Q460E钢化学成分(质量分数,%)

    Table  1   Chemical composition of Q460E steel

    CMnSiPSVNbAlFe
    0.1510.350.0090.0080.0030.0150.053余量
    下载: 导出CSV

    表  2   CHW-55C1的化学成分(质量分数,%)

    Table  2   Chemical composition of CHW-55C1

    CSiMnMoPSCrNiFe
    0.0840.531.060.120.0100.0100.0700.93余量
    下载: 导出CSV

    表  3   焊接工艺参数

    Table  3   Welding parameters

    焊道气体流量
    Q/(L·min−1)
    焊接电流
    I/A
    电弧电压
    U/V
    焊接速度
    v/(mm·s−1)
    线能量
    q/(J·mm−1)
    打底202402621.7288
    盖面202872811.3709
    下载: 导出CSV
  • [1]

    Liang W, Dean D. Investigating influence of external restraint on welding distortion in LAHS steel thin-plate structures by means of integrated computational approach[J]. Journal of Materials Research and Technology, 2022, 20: 2960 − 2976. doi: 10.1016/j.jmrt.2022.08.048

    [2]

    Li Y, Li Y, Zhang C, et al. Effect of structural restraint caused by the stiffener on welding residual stress and deformation in thick-plate T-joints[J]. Journal of Materials Research and Technology, 2022, 21: 3397 − 3411. doi: 10.1016/j.jmrt.2022.10.127

    [3] 芦凤桂, 邓德安, 王亚琦, 等. 数值模拟技术在激光焊接过程中的应用及发展[J]. 焊接学报, 2022, 43(8): 87 − 94. doi: 10.12073/j.hjxb.20220430001

    Lu Fenggui, Deng Dean, Wang Yaqi, et al. Application and development of numerical simulation technology in laser welding process[J]. Transactions of the China Welding Institution, 2022, 43(8): 87 − 94. doi: 10.12073/j.hjxb.20220430001

    [4]

    Zhu Z, Han Y, Zhang Z, et al. Numerical simulation of residual stress and deformation for submerged arc welding of Q690D high strength low alloy steel thick plate[J]. China Welding, 2021, 30(3): 49 − 58.

    [5]

    Deng D, Murakawa H, Liang W. Numerical simulation of welding distortion in large structures[J]. Computer Methods in Applied Mechanics and Engineering, 2007, 196(45-48): 4613 − 4627. doi: 10.1016/j.cma.2007.05.023

    [6]

    Liang X, Chen Q, Cheng L, et al. Modified inherent strain method for efficient prediction of residual deformation in direct metal laser sintered components[J]. Computational Mechanics, 2019, 64(6): 1719 − 1733. doi: 10.1007/s00466-019-01748-6

    [7]

    Qian C, Xuan L, Devlin H, et al. An inherent strain based multiscale modeling framework for simulating part-scale residual deformation for direct metal laser sintering[J]. Additive Manufacturing, 2019, 28: 406 − 418. doi: 10.1016/j.addma.2019.05.021

    [8]

    Deng D, Zhang C, Pu X, et al. Influence of material model on prediction accuracy of welding residual stress in an austenitic stainless steel multi-pass butt-welded joint[J]. Journal of Materials Engineering & Performance, 2017, 26(4): 1494 − 1505.

    [9]

    Deng D, Kiyoshima S. Influence of annealing temperature on calculation accuracy of welding residual stress in a SUS304 stainless steel joint[J]. Acta Metallurgica Sinica, 2014, 50(5): 626 − 632.

    [10]

    Ren S, Li S, Wang Y, et al. Finite element analysis of residual stress in 2.25Cr-1Mo steel pipe during welding and heat treatment process[J]. Journal of Manufacturing Processes, 2019, 47: 110 − 118. doi: 10.1016/j.jmapro.2019.09.019

    [11] 邓德安, 清岛祥一. 用可变长度热源模拟奥氏体不锈钢多层焊对接接头的焊接残余应力[J]. 金属学报, 2010, 46(2): 195 − 200.

    Deng Dean, Kiyoshima S. Numerical simulation of welding residual stresses in a multi-pass butt-welded joint of austenitic stainless steel using variable length heat source[J]. Acta Metallurgica Sinica, 2010, 46(2): 195 − 200.

    [12]

    Pu X, Zhang C, Li S, et al. Simulating welding residual stress and deformation in a multi-pass butt-welded joint considering balance between computing time and prediction accuracy[J]. The International Journal of Advanced Manufacturing Technology, 2017, 93(5): 2215 − 2226.

    [13] 胡兴, 戴培元, 张超华, 等. 合并焊道法对SUS304不锈钢平板对接接头焊接残余应力计算精度和效率的影响[J]. 机械工程学报, 2019, 55(12): 72 − 82. doi: 10.3901/JME.2019.12.072

    Hu Xing, Dai Peiyuan, Zhang Chaohua, et al. Influence of lumped-pass method on calculation accuracy and efficiency of welding residual stress in SUS304 stainless steel butt joints[J]. Journal of Mechanical Engineering, 2019, 55(12): 72 − 82. doi: 10.3901/JME.2019.12.072

    [14]

    John G, Aditya C, Malcolm B. A new finite element model for welding heat sources[J]. Metallurgical Transactions B, 1984, 15(2): 299 − 305. doi: 10.1007/BF02667333

    [15] 魏雷, 魏淳. Q460钢T型接头单边开坡口非对称焊接的数值模拟[J]. 热加工工艺, 2019, 7: 244 − 246. doi: 10.14158/j.cnki.1001-3814.2019.07.063

    Wei Lei, Wei Chun. Numerical simulation of asymmetrical welding of Q460 steel T-joints with single side groove[J]. Hot Working Technology, 2019, 7: 244 − 246. doi: 10.14158/j.cnki.1001-3814.2019.07.063

    [16]

    Deng D, Murakawa H. Prediction of welding distortion and residual stress in a thin plate butt-welded joint[J]. Computational Materials Science, 2008, 43(2): 353 − 365.

    [17]

    Deng D. FEM prediction of welding residual stress and distortion in carbon steel considering phase transformation effects[J]. Materials & Design, 2009, 30(2): 359 − 366.

    [18] 李索, 陈维奇, 胡龙, 等. 加工硬化和退火软化效应对 316 不锈钢厚壁管-管对接接头残余应力计算精度的影响[J]. 金属学报, 2021, 57(12): 1653 − 1666.

    Li Suo, Chen Weiqi, Hu Long, et al. Influence of strain hardening and annealing effect on the prediction of welding residual stresses in a thick-wall 316 stainless steel butt-welded pipe joint[J]. Acta Metallurgica Sinica, 2021, 57(12): 1653 − 1666.

    [19]

    Wei L, Deng D. Influences of heat input, welding sequence and external restraint on twisting distortion in an asymmetrical curved stiffened panel[J]. Advances in Engineering Software, 2018, 115: 439 − 451. doi: 10.1016/j.advengsoft.2017.11.002

图(11)  /  表(3)
计量
  • 文章访问数:  232
  • HTML全文浏览量:  70
  • PDF下载量:  79
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-12-12
  • 网络出版日期:  2023-07-17
  • 刊出日期:  2023-09-24

目录

/

返回文章
返回