高级检索

基于银合金先导润湿的铜磷钎料钎焊钢分析

龙伟民, 董博文, 张青科, 何鹏, 薛鹏

龙伟民, 董博文, 张青科, 何鹏, 薛鹏. 基于银合金先导润湿的铜磷钎料钎焊钢分析[J]. 焊接学报, 2017, 38(1): 1-4. DOI: 10.12073/j.hjxb.20170101
引用本文: 龙伟民, 董博文, 张青科, 何鹏, 薛鹏. 基于银合金先导润湿的铜磷钎料钎焊钢分析[J]. 焊接学报, 2017, 38(1): 1-4. DOI: 10.12073/j.hjxb.20170101
LONG Weimin, DONG Bowen, ZHANG Qingke, HE Peng, XUE Peng. Brazing of carbon steel using Cu-P brazing filler metals based on guide wetting of Ag alloys[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2017, 38(1): 1-4. DOI: 10.12073/j.hjxb.20170101
Citation: LONG Weimin, DONG Bowen, ZHANG Qingke, HE Peng, XUE Peng. Brazing of carbon steel using Cu-P brazing filler metals based on guide wetting of Ag alloys[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2017, 38(1): 1-4. DOI: 10.12073/j.hjxb.20170101

基于银合金先导润湿的铜磷钎料钎焊钢分析

基金项目: 国家国际科技合作专项资助项目(2015DFA50470)

Brazing of carbon steel using Cu-P brazing filler metals based on guide wetting of Ag alloys

  • 摘要: 基于低熔点合金先导润湿的原理,设计制备了一种表面覆盖低熔点银合金层的新型铜磷焊片.采用该焊片钎焊45碳钢,分析了界面反应机理及钎焊接头性能,并和使用普通铜磷焊片钎焊的碳钢接头进行了对比.结果表明,表面覆盖的低熔点银合金早于铜磷合金熔化润湿碳钢基体,并形成反应层,铜磷钎料熔化后与银合金层反应熔合,冷却后形成良好的冶金连接;与使用铜磷钎料直接钎焊的接头相比,银合金先导润湿钎焊的铜磷/碳钢界面化合物层厚度明显减小,抗剪强度超过160 MPa,断裂发生在靠近连接界面的钎焊材料内部,接头强韧性显著改善.
    Abstract: Based on guide wetting mechanism of low melting point alloy, a Cu-P brazing sheet coated with low melting point Ag alloy was prepared, the interfacial reaction mechanisms and properties of the 45 steel joint brazed using the sheet were studied and compared with that brazed joint using common Cu-P brazing alloy. The results revealed that the Ag alloy coating melts before melting of the CuP alloy and wets and reacts with the steel substrate firstly; then the Cu-P alloy melts and fuse with the Ag alloy, forms high-quality metallurgical bonding. The interfacial compounds layer at the joint brazed using Ag alloy coated sheet is far thinner than that brazed with common Cu-P alloy. The shear strength is higher than 160 MPa, the joint fracture inside the braze alloy close to the joint interface, and the strength and toughness are obviously improved.
  • 熔化极活性混合气体保护焊(metal active gas arc welding,简称MAG焊)是一种高效、低成本的焊接技术,被广泛应用于汽车、航天、造船和建筑等领域[1-2]. 随着科技的发展,工业对焊接质量的要求越来越高[3]. 本质上,主要体现在两个方面,其一,调节焊接工艺,使得焊缝综合性能(如抗拉强度、冲击强度等)最优;其二,针对不同的应用场合,调节工艺使得焊缝整体合格的基础上,某种物理性能(如冲击强度等)最优,即更加精细化的应用. 前者,实际就是一个多目标优化的问题,即焊缝多个物理特性整体上达到最优;后者,在多目标优化过程中,可以通过选择不同的非劣解来达到应用要求. 故焊接工艺的多目标优化具有较大的实际应用价值和发展前景.

    文中把焊接电压、送丝速度和焊接速度作为主要工艺调整参数,以焊缝余高、接头抗拉强度和冲击吸收能量作为目标优化参量,来探索相关的普适性规律. 显然,掌握焊缝物理参量同焊接工艺参数内在联系是研究多目标优化必备基础. 目前,为了节约人力和物力,在探究焊缝物理参量同焊接工艺参数的联系时往往采用数学建模的方法. 常用的方法有建立焊缝物理参量同工艺参数的多项式方程、神经网络、克里金插值模型等等[4-7]. 但是每种方法各有特点,不同的焊缝物理参量所对应的方法往往不同. 故而,提出采用一种组合模型方式,把建立物理参量同焊接工艺参数内在联系的各种方法有效结合到一起,进而提高预测的精确性和稳定性.

    试验选用Q235作为母材,钢板尺寸为200 mm ×100 mm × 10 mm. 根据母材成分和等强匹配原则,选择焊丝型号为ER50-6的ϕ1.2 mm 实芯焊丝,保护气体成分为82%Ar + 18%CO2.

    试验中,焊接机器人选用FANUC Robot M-10iA,焊机为Fronius CMT Advanced 4000. 喷嘴到平板距离固定为15 mm,保护气送气速度固定为15 L/min.采用体式显微镜测量焊缝余高. 采用DDL300拉伸试验机测量平板对接接头抗拉强度. 采用型号为JBS0300B冲击试验机采集接头冲击吸收能量数据. 依据国标GB/T 2651和GB/T 2650设计拉伸试样和冲击试样尺寸. 由于冲击试样尺寸固定,因此文中采用冲击吸收能量代表冲击强度. MAG焊焊接过程和试样示意图见图1.

    图  1  MAG焊焊接过程示意图
    Figure  1.  Schematic of MAG welding procedure

    试验中可调焊接工艺参数为焊接电压(U)、焊接速度(v)和送丝速度(vs),其余MAG焊接工艺参数恒定. 焊接电压、焊接速度和送丝速度调整范围采用试错法确定,范围如下:25 V≤U≤32 V;5 mm/s≤v≤11 mm/s;7 m/min≤vs≤11 m/min. 在该范围内,焊接工艺参数组合不存在明显焊接缺陷. 设计三因素三水平全因子试验,工艺参数水平如表1所示. 此外,在参数范围内,随机增设3组参数组合. 30组试验数据见表2.

    表  1  MAG焊参数范围
    Table  1.  MAG welding parameter range
    水平焊接速度v/(mm·s−1)焊接电压
    U/V
    送丝速度vs/(m·min−1)
    水平15257
    水平2828.59
    水平3113211
    下载: 导出CSV 
    | 显示表格
    表  2  试验设计矩阵及结果
    Table  2.  Test design matrix and results
    序号工艺参数试验结果序号工艺参数试验结果
    焊接速度 v/(mm·s−1)焊接电压
    U/V
    送丝速度vs/(m·min−1)冲击吸收
    能量AkV/J
    抗拉强度 Rm/MPa焊缝余高 H/mm焊接速度 v/(mm·s−1)焊接电压
    U/V
    送丝速度vs/(m·min−1)冲击吸收
    能量AkV/J
    抗拉强度 Rm/MPa焊缝余高 H/mm
    1 5 25.0 7 88.66 431.49 3.55 16 11 25.0 9 86.11 452.28 2.75
    2 5 28.5 9 74.08 429.91 3.63 17 11 28.5 9 98.97 459.31 2.93
    3 5 32.0 11 42.89 376.20 3.28 18 11 32.0 7 85.68 458.53 2.13
    4 8 25.0 9 71.47 471.88 2.92 19 8 25.0 11 85.63 470.46 3.95
    5 8 28.5 11 60.10 462.44 3.56 20 8 32.0 11 56.83 453.20 3.35
    6 8 32.0 7 91.82 436.26 2.45 21 6 30.0 7 77.08 447.95 2.94
    7 11 25.0 11 78.74 458.08 3.64 22 9 27.0 10 79.86 452.80 2.92
    8 11 28.5 7 86.03 463.42 2.42 23 5 28.5 7 78.73 398.31 3.02
    9 11 32.0 9 90.18 463.78 2.70 24 11 28.5 11 87.56 443.06 3.23
    10 5 28.5 11 77.07 444.48 3.65 25 11 32.0 11 80.78 460.70 2.84
    11 5 32.0 7 73.53 451.00 2.93 26 10 29.0 11 73.35 453.66 3.19
    12 5 32.0 9 41.05 390.48 3.18 27 5 25.0 9 76.14 394.26 4.02
    13 11 25.0 7 102.43 451.30 2.64 28 8 25.0 7 82.06 470.95 2.74
    14 8 32.0 9 65.07 433.15 3.12 29 8 28.5 7 95.11 469.41 2.84
    15 5 25.0 11 61.67 456.63 4.17 30 8 28.5 9 64.02 468.25 3.09
    下载: 导出CSV 
    | 显示表格

    误差反向传播神经网络(BP神经网络)是一种前馈神经网络,在网络中有效信息向前传递,而输出与期望之间的误差则反向传递. 因其良好的拟合近似能力,BP神经网络被大量地应用于建立焊接工艺与焊缝质量间的联系[8]. 网络结构包含输入层、隐含层和输出层,如图2所示. 径向基神经网络(RBF神经网络)与BP神经网络相比,是一种结构更简单、收敛速度更快、能够逼近任意非线性函数的网络. 因此近年也有学者开始应用其来建立焊接工艺参数与焊接结果之间的非线性关系[9]. 克里金插值法是一种空间插值法,其通过对预测点周围的测量值进行加权以得出预测值,权重则取决于测量点与预测点之间的距离和预测位置周围的测量值之间的空间关系. 克里金法最初用于辅助地质学家估算矿含量,但是由于其出色的拟合近似能力,最近也开始被逐渐应用在焊接领域[10].

    图  2  BP神经网络结构
    Figure  2.  Structure of BP neural network

    将前25组试验数据作为训练数据,建立BP神经网络、RBF神经网络和克里金模型. 经验公式计算BP神经网络隐含层节点数范围为1 ~ 12,然后采用数值试验测量不同隐含层神经元数量下100次建模的平均预测误差,确定预测接头抗拉强度、冲击吸收能量和焊缝余高隐含层节点数分别为1,2和1.采用数值试验确定RBF神经网络预测冲击吸收能量、 抗拉强度和余高的扩散速率分别为1.55,0.9和1.55.

    表2中后5组数据作为测试数据,测试模型预测能力. BP神经网络、RBF神经网络和克里金模型预测接头抗拉强度、冲击吸收能量和焊缝余高的相对误差如表3所示. 可以观察到,3个独立模型对抗拉强度、冲击吸收能量和焊缝余高的平均预测误差均小于10.1,因此3个独立模型设置合适的建模参数后均可实现较好的预测. 但是在3个独立模型中,没有一个模型可以同时最优预测三种焊接结果. 例如,RBF神经网络对冲击吸收能量和余高的平均预测误差最小(分别为8.6%和4.3%),但其对抗拉强度的平均预测误差为5.04%,大于克里金模型对抗拉强度的平均预测误差,因此RBF神经网络并不是预测抗拉强度最好的模型. 同时,克里金模型虽然对抗拉强度的预测效果最好,平均预测误差为4.4%,但是其对冲击吸收能量和余高的预测效果却并不理想(分别为10.1%和7.6%). 此外,每个模型的预测效果并不能一直保持稳定. 例如,BP神经网络对冲击吸收能量的预测,最大相对误差达到21.2%,5组测试试验相对误差的标准差为6.86. 这种预测效果的波动将导致预测值与试验值存在较大的偏差. 因此,提出建立基于3个独立模型的组合模型,利用各模型的优点来提高对焊缝质量预测的精度和稳定性. 组合模型建立过程如下.

    表  3  各模型预测结果
    Table  3.  Predicted results of each model
    序号BP神经网络误差δ1 (%)RBF神经网络误差δ2 (%)克里金模型误差δ3 (%)组合模型误差δ4 (%)
    冲击吸收能量抗拉强度余高冲击吸收能量抗拉强度余高冲击吸收能量抗拉强度余高冲击吸收能量抗拉强度余高
    263.31.33.18.90.12.014.11.27.37.71.11.05
    273.714.57.11.314.813.02.011.912.71.3411.09.53
    2813.32.510.21.73.73.613.71.810.12.11.97.51
    296.14.72.712.63.51.318.84.11.110.84.21.07
    3021.22.21.618.53.21.82.23.26.812.33.21.71
    最大误差21.214.510.218.514.813.018.811.912.712.311.09.53
    平均误差9.55.04.98.65.04.310.14.47.66.94.34.17
    标准差6.864.833.226.545.034.396.843.863.894.443.523.61
    下载: 导出CSV 
    | 显示表格

    (1)加权组合各模型.为了利用3个模型各自的优点来提升预测精度和稳定性,可以采用设置权值将3个独立模型组合起来的方式,即

    $$ {{\rm{\hat f}}_{{\rm{EM}}}}\left( {{x}} \right) = \mathop \sum \limits_{{\rm{i}} = 1}^3 {{\rm{\omega }}_{{i}}}{{\rm{\hat f}}_{{i}}}\left( {{x}} \right), $$ (1)

    式中:${{\rm{\hat f}}_{{\rm{EM}}}}$代表组合模型;${{\rm{\hat f}}_{{i}}}$(i=1, 2, 3)分别代表BP神经网络、RBF神经网络和克里金模型;ωi(i=1, 2, 3)分别代表3个独立模型对应的权值.

    (2)求解各模型的权值.为保证组合模型预测值稳定,独立模型的权值之和应为1,并应使组合模型的预测误差最小,预测误差通过均方误差表示. 权值求解问题如下

    $$\left\{ \begin{split} & {\rm{Find}}\;{{\rm{\omega }}_{{i}}}\\ & {\rm{Min}}\;\;{\rm{MSE}} = \mathop \sum \limits_{j = 1}^m {\left( {{{\hat {\rm{f}}}_{\rm{EM,j}}}\left( {{x_j}} \right) - \hat {\rm{f}}\left( {{x_j}} \right)} \right)^2}/{\rm{m}}\\ & {\rm{S}}{\rm{.T}}\;\;\mathop \sum \limits_{{{i}} = 1}^3 {{\rm{\omega }}_{{i}}} = 1 \end{split}\right. $$ (2)

    式中:MSE是预测值和试验值的均方误差;${{\rm{\hat f}_{EM,j}}}\left( {{x_j}} \right)$是组合模型对第j个焊接结果的预测值;$\hat {\rm{f}}\left( {{x_j}} \right)$是第j个焊接结果的试验值;m为测试试验组数. 由于独立模型中存在神经网络等映射模型,因此采用遗传算法求解各模型的权值,各独立模型权值如表4所示.

    表  4  独立预测模型权值
    Table  4.  Weights of stand-alone prediction model
    优化目标BP网络RBF网络克里金模型
    冲击吸收能量0.58800.412
    抗拉强度0.07100.929
    余高0.5820.4070.012
    下载: 导出CSV 
    | 显示表格

    组合模型预测结果如表3所示. 显然,组合模型与3个常用模型相比,对冲击吸收能量、抗拉强度和余高预测的最大相对误差从21.2%,18.8%和13.0%显著降低至12.3%,11.0%和9.53%. 组合模型对冲击吸收能量、抗拉强度和余高的平均相对误差分别为6.9%、4.3%和4.17%,明显优于三种独立模型中的最小平均相对误差(分别为8.6%、4.4%和4.3%). 同时,组合模型预测冲击功和抗拉强度的标准差为4.44和3.52,低于三种独立模型中的最小值6.54和3.86. 组合模型预测余高的标准差为3.61,仅次于最好的BP神经网络(3.22). 因此,组合模型与常用的独立模型相比,不仅能通过设置最优的权值来提升预测精度,而且可以利用不同模型的优点,使对每次试验的预测效果更加稳定,降低预测效果大幅度波动的可能.

    实现冲击吸收能量和抗拉强度最大、余高最小的焊接工艺优化是一个典型的多目标任务. 在此采用的NSGA-II算法是多目标遗传算法中的一种. 相比于传统的多目标算法,如加权求合法、约束法和最大-最小法,NSGA-II不需要将多个目标转化为一个目标问题. 通过NSGA-II来实现MAG焊工艺参数多目标优化,可以得到3个优化目标间的折中解,这些解也称为非劣解,即不存在3个目标上都优于这些解的其它解. 由非劣解组成的曲面称为帕累托最优曲面. NSGA-II的相关参数设置如表5所示. 冲击吸收能量、抗拉强度和余高的适应度函数由组合模型充当.

    表  5  NSGA-II相关参数
    Table  5.  Related parameters of NSGA-II
    种群规模最大迭代次数非劣解显示比例函数容差交叉比例精英数
    100 200 0.6 10 × 10−6 0.8 2
    下载: 导出CSV 
    | 显示表格

    图3为60个非劣解所形成的帕累托最优曲面. 由图可知,帕累托最优曲面是倾斜的,因为不存在使3个目标同时都达到最优的非劣解. 如冲击吸收能量最大值为97.81 J,但该点对应的抗拉强度和余高分别为452.99 MPa和2.68 mm,明显劣于最优的抗拉强度和余高(471.7 MPa和2.22 mm). 而当抗拉强度达到最大值(471.7 MPa)时,该非劣解对应的冲击吸收能量和余高分别为81.32 J和3.46 mm. 因此,冲击吸收能量的最优是以抗拉强度和余高的劣化为代价的,而抗拉强度的最优同样以另外两个指标降低为代价. 在此,可以在非劣解中选择合适的焊接工艺参数来满足不同工程应用的需要. 例如对于有低温脆性的承重接头,可以选择冲击吸收能量和抗拉强度较高而余高略大的焊接工艺参数. 而对焊接结构变形和残余应力要求较高的场合,可以选择焊缝余高偏小的工艺参数.

    图  3  帕累托最优曲面
    Figure  3.  Pareto optimal surface

    选择帕累托最优曲面上的两个非劣解(图3中红色五角星)来验证优化方法及组合模型的有效性,验证参数如表6所示,结果如表7所示. RBF网络金模型的平均相对误差分别为7.0%和7.9%,而BP网络和组合模型分别为4.1%和4.1%,因此BP网络和组合模型的预测精度更高. 虽然BP网络的平均相对误差与组合模型相近,但组合模型预测的标准差为1.66,远小于BP网络的标准差(5.68),因此组合模型具有更好的预测稳定性. 同时可以观察到,尽管在第一组验证试验中,BP网络具有良好的预测精度(对冲击吸收能量、抗拉强度和余高的相对误差分别为0.3%,0.8%和0.9%),与表3中第26组测试试验相似(对冲击吸收能量、抗拉强度和余高的相对误差分别是3.3%,1.3%和3.1%). 但是,在第2组验证试验中最大的预测相对误差高达14.5%,这揭示了BP网络预测效果的不稳定性. 以上分析进一步证明,组合模型可以提高预测结果的准确性和稳定性.

    表  6  验证工艺参数
    Table  6.  Verification of process parameters
    序号焊接速度v/(mm·s−1)焊接电压 U/V送丝速度 vs/(m·min−1)
    1 8.1 25.05 9.73
    2 8.97 25.22 8.61
    下载: 导出CSV 
    | 显示表格
    表  7  验证试验结果
    Table  7.  Validation test
    序号焊接结果试验值BP神经网络误差RBF网络误差克里金模型误差组合模型误差
    1 冲击吸收能量AKV/J 84.96 84.72 0.3% 75.46 11.2% 76.34 10.2% 81.25 4.4%
    抗拉强度 Rm/MPa 456.11 459.68 0.8% 468.69 2.8% 472.93 3.7% 471.69 3.4%
    余高 H/mm 3.52 3.55 0.9% 3.32 5.7% 3.29 6.5% 3.45 2.0%
    2 冲击吸收能量AkV/J 78.66 90.06 14.5% 76.37 2.9% 74.33 5.5% 83.55 6.2%
    抗拉强度Rm/MPa 453.85 459.68 1.3% 459.91 1.3% 467.04 2.9% 466.22 2.7%
    余高 H/mm 3.35 3.11 7.2% 2.74 18.2% 2.73 18.5% 3.16 5.7%
    平均误差 4.1% 7.0% 7.9% 4.1%
    标准差 5.68 6.48 5.79 1.66
    下载: 导出CSV 
    | 显示表格

    (1)建立BP神经网络、RBF神经网络和克里金模型,实现接头冲击吸收能量、抗拉强度和焊缝余高的预测. 通过设置合适的建模参数,3个独立预测模型平均预测误差最大为10.1%.

    (2)通过线性加权方式建立基于3个独立模型的组合模型. 组合模型与独立模型相比,提升了预测的精度和稳定性.

    (3) NSGA-II算法可以实现焊接工艺参数的多目标优化并得到非劣解,从这些非劣解中选择合适的参数可以满足工程实际需要.

  • [1] 高峰, Sekulic D P, 钱乙余. 钎焊技术的最新研究进展[J]. 焊接学报, 2003, 24(4):92-96. Gao Feng, Sekulic D P, Qian Yiyu. Latest research progress of brazing and soldering technologies[J]. Transactions of the China Welding Institution, 2003, 24(4):92-96.
    [2] 李红, Tillmann W, 栗卓新, 等. 高品质高可靠性钎料的技术发展及应用[J]. 焊接学报, 2014, 35(4):108-112. Li Hong, Tillmann W,, Li Zhuoxin, et al. Development and application of high quality and high reliability brazing filler materials[J]. Transactions of the China Welding Institution, 2014, 35(4):108-112.
    [3] 鲍丽, 龙伟民, 张冠星, 等. 微量Ca元素对AgCuZn钎料性能的影响[J]. 焊接学报, 2012, 33(12):57-60. Bao Li, Long Weimin, Zhang Guanxing, et al. Effects of trace calcium on performance of AgCuZn alloy[J]. Transactions of the China Welding Institution, 2012, 33(12):57-60.
    [4] 李卓然, 刘彬, 冯吉才. 中温无镉钎料的研究进展[J]. 焊接技术, 2008, 37(6):2-6. Li Zhuoran, Liu Bin, Feng Jicai. Research progress of middle temperature Cd-free brazing filler metal[J]. Welding Technology, 2008, 37(6):2-6.
    [5] 卢方焱, 薛松柏, 赖忠民, 等. 镓对AgCuZn钎料组织和性能的影响[J]. 焊接学报, 2009, 30(1):55-59. Lu Fangyan, Xue Songbai, Lai Zhongmin, et al. Effect of gallium on microstructure and properties of Ag-Cu-Zn filler metal[J]. Transactions of the China Welding Institution, 2009, 30(1):55-59.
    [6] 夏天东, 张倩, 俞伟元. 几种典型Cu-P及Ag-Cu-Zn钎料性能的模糊综合评价[J]. 热加工工艺, 2013, 42(19):212-214. Xia Tiandong, Zhang Qian, Yu Weiyuan. Fuzzy comprehensive evaluation of performance of typical Cu-P and Ag-Cu-Zn alloys[J]. Hot Working Technology, 2013, 42(19):212-214.
    [7] 黄俊兰, 龙伟民, 张冠星. Sn元素对铜磷钎料性能和组织的影响[J]. 焊接, 2012(3):57-60. Huang Junlan, Long Weimin, Zhang Guanxing. Effects of Sn on microstructure and properties of Cu-P series brazing filler metals[J]. Welding & Joining, 2012(3):57-60.
    [8] 龙飞, 胡庆贤, 徐华, 等. 铜磷钎料热拉拔过程加热工艺对钎料组织和塑性的影响[J]. 焊接学报, 2015, 36(9):31-34. Long Fei, Hu Qingxian, Xu Hua, et al. Effect of heating process on microstructure and plasticity of copper-phosphorus brazing filler metal during thermoplastic drawing process[J]. Transactions of the China Welding Institution, 2015, 36(9):31-34.
    [9] 邹家生, 王超, 许祥平, 等. Cu-P基非晶钎料钎焊机理[J]. 焊接学报, 2011, 32(12):33-36. Zou Jiasheng, Wang Chao, Xu Xiangping, et al. Bonding mechanism of brazing of amorphous Cu-P filler metal[J]. Transactions of the China Welding Institution, 2011, 32(12):33-36.
    [10] 韩上海, 张卫红, 潘继民. 铜磷基钎料用于铜与低碳钢钎焊的研究[J]. 郑州工学院学报, 1990, 11(3):143-145. Han Shanghai, Zhang Weihong, Pan Jimin. Brazing copper to mild using copper-phosphorus base brazing foill[J]. Journal of Zhengzhou University of Technology, 1990, 11(3):143-145.
    [11] 李玉龙, 何鹏, 冯吉才, 等. TiAI/40Cr感应钎焊接头界面结构及力学性能分析[J]. 机械工程学报, 2005, 41(10):93-97. Li Yulong, He Peng, Feng Jicai, et al. Research on mechanical properties and microstructures of TiAl/40Cr joint obtained by induction brazing method[J]. Chinese Journal of Mechanical Engineering, 2005, 41(10):93-97.
    [12] 黄杰, 薛松柏, 王博. 合金元素对Cu-P系钎料性能影响的研究现状[J]. 焊接, 2014(11):11-14. Huang Jie, Xue Songbai, Wang Bo. Research status on the effects of alloy elements on properties of Cu-P series brazing filler metals[J]. Welding & Joining, 2014(11):11-14.
  • 期刊类型引用(4)

    1. 高宝祺,赵衍华,张丽娜,邵震,管卫,黄一鸣,崔雷. 2219铝合金拉拔式摩擦塞补焊成形行为及其对界面结合质量的影响. 焊接学报. 2025(02): 7-17+71 . 本站查看
    2. 张忠科,初树晟. H62黄铜摩擦塞补焊接头微观组织及力学性能. 材料科学与工艺. 2024(06): 41-49 . 百度学术
    3. 马领航,李波,赵彦广,宋建岭,高世康,李雨,许子彦,周利. 火箭贮箱焊接缺陷修复技术研究现状. 电焊机. 2023(03): 31-45 . 百度学术
    4. 张亮亮,刘致远,剡晓旭. 6082铝合金FSW匙孔修复过程中温度场数值模拟. 甘肃高师学报. 2023(05): 1-5 . 百度学术

    其他类型引用(1)

计量
  • 文章访问数:  967
  • HTML全文浏览量:  4
  • PDF下载量:  897
  • 被引次数: 5
出版历程
  • 收稿日期:  2015-11-08

目录

/

返回文章
返回