基于人工神经网络的船舶高强钢焊接变形分析预测

2008-05-07 16:39:06  中国焊接之家    
  • google显示中
    摘要:以新型船舶高强钢为主要对象,在物理模拟试验和有限元分析基础上,通过人工神经网络建立船舶分段钢结构焊接变形数值模拟模型,仿真焊接工艺参数、板材厚度、焊接顺序等因素对船体钢结构变形的影响,探索抑制船舶高强钢焊接变形的有效途径。仿真结果表明,在各种因素中组焊顺序是影响焊接变形的主要因素,通过选择小电流同向分段退焊工艺将有效抑制船体分段钢结构焊接过程中产生的变形;采用上述方式建立的模型可以快速预测、预报船舶高强钢焊接过程中产生的变形量,为新型船舶研制、生产提供真正的理论指导,避免焊接试验的盲目性。
    关键词:人工神经网络; 船舶高强钢; 焊接变形

    0 序言
      船体钢结构焊接变形在船舶制造过程中普遍存在,不仅影响产品的外观质量,而且也严重影响船体结构及水动力性能,是亟待解决的问题。然而,由于焊接过程的复杂性,至今尚未见到对实际船舶钢结构焊接变形进行分析预测的报道。对钢结构焊接过程分析,往往可以通过物理模拟或有限元方法进行[1"4],但对船舶这类超大型、复杂实际钢结构,完全采用上述物理、数值模拟方法将消耗大量试验经费,试验周期过长,难以满足新型舰船研制要求。 本文以军用船舶高强钢为对象,在物理模拟与有限元分析基础上,借助人工神经网络研究手工焊接过程中船舶高强钢焊接变形变化规律,提出抑制焊接变形的有效工艺措施,实现对船舶高强钢焊接变形进行快速预测、预报。

    1焊接钢结构
      本文采用的船舶高强钢的化学成分如表1所示。选取船体上层建筑、舷侧分段钢结构部分典型单元如图1所示,其中船舶高强钢板尺寸为1500mm×1000mm,扁球钢尺寸为1500mm×60mm×10mm,两扁球钢间距为400mm、居中对称放置在船舶高强钢板上,两者之间采用点焊钢性固定(点焊间距500mm、长度50mm);钢板每侧边采用卡铁对称固定。


    分别采用以下三种顺序进行焊接,1为逆向连续焊接、2为逆向分段退焊、3为同向分段退焊,如图2所示。

    2人工神经网络建模
    2.1 人工神经网络结构
      实际焊接过程中,影响焊接位移场的因素是复杂、非线性的。而人工神经网络具有自组织、自学习、自适应和非线性的特性,适合非线性系统建模及性能预报,其中BP(Back propagation)网络是神经网络中应用最广的一种网络,具有很强的推广能力和联想能力。本文所用神经网络为4×6×2三层BP网络结构,如图3所示。输入层有4个节点,分别代表焊接电流I、板材厚度T、焊接顺序S、焊角尺寸W,中间层有6个节点,输出层有2个节点,分别代表钢结构的凹、凸变形最大值。

    2.2样本数据
      神经元网络建模样本数据来源两部分:(1)实测数据,在不同条件下焊接图1所示钢结构,测量不同厚度船舶高强钢最大凸、凹变形量;(2)针对图1所示的钢结构进行有限元分析,获取不同焊接条件下船舶高强钢的变形量,通过有限元分析可准确地分析出焊接过程位移变化(关于有限元分析变形,将另有论文专述)。
      通过上述物理模拟试验和有限元分析两种手段,共获得50组船舶高强钢的变形量数据(一定的焊接顺序、焊接电流、焊角及板材厚度条件下船舶高强钢的最大凸、凹变形量),将这个样本集分为学习和测试两个样本子集,其中1"45组数据分布于训练样本空间内,将其作为学习样本,45"50组样本作为测试样本,网络经过学习样本集训练后输入测试样本集,以检验网络的预测值与测试样本目标函数的一致性。
      为了模拟生物神经元的非线性特性,传递函数采用S形的双曲正切函数,取学习速率为0.9,动量因子为0.7。采用上述训练方法,经50万次以上训练RMS(Root-mean-square)误差训练曲线已趋于稳定,这说明网络参数和所代表的网络状态也趋于稳定。如图4所示,此时,每个训练样本的期望输出值与网络实际输出值的凸、凹变形的最大相对误差为15.6%,平均相对误差为4.52%,均方误差为3.21%,可认为该训练网络已收敛,所建立的模型满足要求。

    2.3 模型验证
      将测试样本输入模型以检验所建模型的准确性,结果如表2所示。可以看出,验证样本的凸凹变形量最大相对误差为13%,平均相对误差为2.31%,均方误差为2.62%。对于船体高强钢薄板钢结构来讲,上述测试样本数据虽然没有作为网络的训练样本,但它们仍能较好地符合网络模型,进一步表明所建立的神经网络建模的可行性。

    3 焊接变形过程仿真
      通过编制一定的计算机软件程序调用该模拟模型,实现对船舶高强钢焊接过程进行仿真,考虑到船体实际焊接状况,固定焊角仿真各种因素对船舶高强钢焊接变形的影响,主要结果如下。
    3.1 焊接顺序的影响
    以4mm厚高强钢板为例,焊接电流取95A,焊角Δ3mm×3mm,每根焊条焊接长度180"200mm。



     不同焊接顺序的最小凸、凹量如下: 焊接方案1变形量为0.441"-0.651mm;方案2变形量为0.445"-0.760mm;方案3变形量为0.350"-0.367mm。
      比较结果如图5所示,可见焊接顺序2时钢结构焊接变形量最大,焊接顺序1次之,焊接顺序3最小,焊接顺序3即同向分段退焊顺序产生的凸、凹变形量最小,仅相当于逆向分段退焊的60%。

    3.2焊接电流的影响
      以4mm厚高强钢板同向分段退焊顺序、焊角Δ3mm×3mm为例,仿真焊接工艺参数(焊接电流)对变形量的影响,如图6所示。在焊接电流规定使用范围下限,焊接变形最小值为凸0.37mm、凹0.250mm,随焊接电流增大,焊接角变形有增大的趋势,在焊接电流规定使用范围上限,焊接变形最小值为凸0.44mm、凹0.33mm,船板焊接凸、凹变形量分别增大了15.9%和24%,但焊接工艺参数对角变形影响不如焊接顺序明显,在保证焊角的前提下应采用小电流规范进行焊接。


    3.3 板厚对高强钢焊接角变形的影响
      根据高强钢板焊接变形结果,利用数值模拟手段,可得到不同厚度板材焊接凸、凹变形量最小值。板材厚度对高强钢变形量影响如图7所示,此时焊角Δ3mm×3mm。

    上述研究表明,在物理模拟与有限元分析基础上采用人工神经网络建立船体钢结构焊接变形模型,可以快速仿真出不同焊接工艺条件下船舶高强钢焊接变形变化规律,满足实际情况要求,提出抑制焊接变形的工艺措施,实现对船舶高强钢焊接变形进行快速预测、预报。

    4结论
    (1) 在物理模拟与有限元分析基础上采用人工神经网络可以快速分析、预测船舶高强钢焊接变形变化规律,满足新型舰船研制要求。
    (2) 针对船体分段钢结构在焊角固定的前提下,焊接顺序是影响焊接变形的主要因素,采用同向分段退焊可以获得有效抑制船舶高强钢焊接过程产生的变形;同时随焊接电流升高,钢结构凸、凹变形量有增大的趋势;同时随高强钢板厚度的增大,船体钢结构焊接变形减小。


免责声明:本站文章均由网上收集,所有文章仅供学习参考之用,版权和著作权归原作者所有,请在24小时内删除! 如果您发现侵犯您的权益,请即时通知,本站将立即删除!