7055铝合金T型板超声振动辅助蠕变时效成形的实验研究及基于BP神经网络方法的参数最优预测

《Materials Today Chemistry》：Experimental Investigation and Parameters Optimal Prediction for 7055 T-shaped Plate in Ultrasonic Vibration-assisted Creep Age Forming Using a BP Neural Network Method

　　

为了缓解传统蠕变时效成形（CAF）中固有的显著回弹和精度不足问题，本研究提出了一种超声振动辅助蠕变时效成形（UVCAF）工艺。以7055铝合金T型板为研究对象，研究人员系统地研究了超声振幅和蠕变温度对回弹率和残余应力的影响。为了弥补小样本实验中固有的数据稀疏性，建立了一个集成了实验验证、有限元（FE）模拟和反向传播（BP）神经网络的协同建模框架。实验结果表明，超声振动显著降低了回弹率和残余应力，在12?μm的振幅和155?°C的温度下观察到了最佳的宏观成形性能，产生了27.47%的最小回弹率。有限元模拟与实验结果之间的相对误差在12%以内，证实了模拟数据的可靠性。所开发的BP神经网络模型实现了高精度预测，回弹率和残余应力的预测误差分别控制在3.93%和6.14%以内。这项工作不仅证实了超声振动抑制回弹的功效，而且为CAF工艺的智能预测和优化提供了一个稳健的、面向工程的框架。

蠕变时效成形（CAF）是航空航天制造领域实现大型整体壁板高精度成形的重要工艺。然而，传统CAF加工的薄壁结构在卸载过程中由于材料内部未完全松弛的弹性应变发生恢复，不可避免地会产生回弹现象。同时，成形过程中的热力耦合诱发非均匀残余应力分布，进一步加剧了实际成形表面与模具型面之间的几何偏差。现有的能量场辅助CAF工艺（如电场、低频振动等）虽能在一定程度上均匀化应力场并改善成形质量，但在工艺参数的确定上仍高度依赖试错法，缺乏对回弹行为的准确预测。基于物理方程的传统解析模型在处理复杂弹塑性变形时存在简化过多、难以准确描述非线性回弹演化的局限性。因此，探索新的辅助成形工艺并建立可靠的回弹预测方法成为推进CAF工程化应用亟待解决的关键问题。

针对上述问题，研究人员以7055铝合金T型板为对象，开展了UVCAF工艺研究，并构建了“实验-模拟-神经网络”协同建模框架，该研究发表在《Materials Today Chemistry》上。研究证实了超声振动在抑制回弹方面的显著功效，并指出在155 ℃温度和12 μm振幅下可实现27.47%的最小回弹率。开发出的BP神经网络模型实现了对工艺参数与成形结果间复杂非线性关系的高精度映射，为大型整体壁板UVCAF工艺的智能预测、参数优化及回弹补偿提供了坚固的工程导向框架。

在关键技术方法方面，研究人员首先设计了UVCAF正交实验，以超声振幅和蠕变温度为变量，测量成形件的回弹率和残余应力。其次，利用ABAQUS/Standard软件建立三维有限元（FE）模型，将超声振动等效为模具接触面上的周期性微幅位移扰动，并通过分段圆拟合方法提取回弹半径以验证模型准确性。最后，以实验和FE模拟提取的离散节点坐标数据为样本，构建了BP神经网络预测模型，采用网格搜索法与K折交叉验证优化网络超参数，实现了从工艺参数到回弹轮廓的非线性映射。

在研究结果方面：
1. UVCAF实验及结果分析：通过不同温度和振幅下的成形实验发现，试件的回弹率随蠕变温度升高呈先降后增趋势，在155 ℃时最小。引入超声振动后，回弹率显著降低，且在8 μm至12 μm的低振幅范围内，适当的超声能量促进了位错滑移和动态回复，有效松弛了内部应力。当振幅超过12 μm时，过高机械能引发剧烈的位错增殖和缠结，导致局部加工硬化，反而使残余应力上升。
2. 有限元模拟：基于ABAQUS建立的FE模型有效重现了残余应力和回弹半径随温度先减后增的关键趋势。在所有验证工况下，残余应力的模拟与实验相对误差在12%以内，回弹半径的相对误差在7%以内，验证了模型的可靠性，并为神经网络训练生成了充足的多参数数据集。
3. 回弹预测：通过全因子仿真实验扩充数据集并训练BP神经网络。网络在训练集、验证集和测试集上的决定系数（R²）分别达到0.9952、0.9707和0.9965。针对测试集，模型对回弹半径和残余应力的平均绝对百分比误差被分别控制在3.93%和6.14%以内。

在总结讨论与结论部分，研究人员得出以下研究结论：首先，超声振动对7055铝合金具有显著的软化作用，回弹率对振幅呈非单调依赖，在155 ℃与12 μm条件下实现了最佳热激活与声软化协同效应，最小回弹率为27.47%且降低了残余应力。其次，建立的有限元模型具有高保真度，其生成的多参数数据集可靠地支撑了神经网络训练。最后，开发的BP神经网络模型具备强泛化能力，能准确预测工艺参数与成形结果间的复杂非线性关系。未来研究将进一步融合物理信息神经网络（PINN）与多目标优化算法，以提升模型在工艺边界区域的适应性和工程应用能力。