3、Ti - Au基形状记忆合金的性能研究与优化

Ti - Au基形状记忆合金的性能研究与优化

1. Ti - 4Au - 5M合金体系探索

对Ti - 4Au - 5M(M为多种过渡金属)三元合金进行了系统研究,旨在筛选出具有优异性能的合金体系,为形状记忆合金(SMA)的应用提供新的选择。

1.1 合金性能比较

在优化分类中,Ti - 4Au - 5Mn试样在机械性能上相比Ti - 4Au - 5Mo试样略有提升。Mn元素比Mo轻,且是人体必需的微量元素,具有更好的生物相容性。Ti - 4Au - 5Cr合金也与Ti - 4Au - 5Mo试样相当,Cr元素密度低、价格便宜,且与Mn一样,熔点低于Mo,在制造过程中能耗更低。因此,Ti - 4Au - 5Cr和Ti - 4Au - 5Mn合金在适用性上优于Ti - 4Au - 5Mo合金。

1.2 循环加载 - 卸载拉伸试验

通过对Ti - 4Au - 5M三元试样的循环加载 - 卸载拉伸试验,得到了应力 - 应变(SS)曲线。部分试样表现出轻微的伪弹性(PE)和/或有限的超弹性(SE)效应:
| 试样 | 相组成 | 伪弹性/超弹性原因 |
| ---- | ---- | ---- |
| Ti - 4Au - 5V、Ti - 4Au - 5Cr | 室温下单一α′ - 马氏体相 | 循环过程中的可逆马氏体变体再取向(MVR) |
| Ti - 4Au - 5Mn | 双α′ + β相 | 可逆MVR(主要)和/或应力诱发马氏体相变(SIMT,次要) |
| Ti - 4Au - 5Mo | 室温下单一母相β相 | 首次加载时的SIMT和首次卸载时的MVR;从第二次循环起,加载时

【故障诊断】【pytorch】于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程础和深度学习础知识的高校学生、科研人员及工业界从事设备状态监测故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理特征学习方法;③ 复现并改进于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有础上尝试不同的网络结构或优化算法以提升分类性能
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值