1 南昌航空大学轻合金加工科学与技术国防重点学科实验室,江西 南昌 330063
2 南昌航空大学工程训练中心,江西 南昌 330063
3 江西宝航新材料有限公司,江西 南昌 330200
采用激光选区熔化成形了Inconel 625合金试样,研究了激光功率和扫描速度对合金孔隙的影响,制备了存在大尺寸圆形孔隙缺陷(key-hole模式下)、小尺寸圆形孔隙缺陷(conduction模式下)和不规则孔隙缺陷的拉伸试样,通过815 ℃高温拉伸试验探讨了孔隙类型对合金抗拉强度及塑性的影响。结果表明:孔隙类型对合金815 ℃高温抗拉强度及塑性有较大影响。其中,不规则孔隙缺陷试样的高温抗拉强度为374 MPa,塑性为5%;大尺寸圆形孔隙缺陷试样的高温抗拉强度为364 MPa,塑性为31%;小尺寸圆形孔隙缺陷试样的高温抗拉强度为363 MPa,塑性为37%。当不规则孔隙向小尺寸圆形孔隙转变时,高温抗拉强度约降低3%;当大尺寸圆形孔隙向小尺寸圆形孔隙转变时,高温塑性约提升19%。在各类815 ℃高温拉伸试样断口纵截面中均发现了大量的沿晶界扩展的高温失塑裂纹,这是合金失塑的主要原因。孔隙缺陷处的位错塞积造成较大的应力集中,阻挡了位错滑移和合金的塑性变形,使合金更易发生断裂。
激光技术 激光选区熔化 Inconel 625合金 孔隙缺陷 高温失塑行为 中国激光
2024, 51(10): 1002323
中国计量大学光学与电子科技学院,浙江 杭州 310018
塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术(NIR-HSI),比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法(K-NN)、支持向量机(SVM)、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。
近红外高光谱成像 塑料分类 机器学习 可视化分类 激光与光电子学进展
2024, 61(2): 0211031
1 山东理工大学激光高端制造研究中心, 山东 淄博 255000
2 山东理工大学机械工程学院, 山东 淄博 255000
3 山东理工大学材料科学与工程学院, 山东 淄博 255000
借助ABAQUS软件建立了微尺度激光冲击强化(micro-scale laser shock peening, μLSP)过程的有限元模型, 对T2纯铜的μLSP过程进行了数值模拟, 分析了μLSP过程中纯铜的位移、塑性应变和等效应力的动态响应情况以及残余应力的分布规律。结果表明, 冲击波作用到纯铜表面后, 极短时间内便可达到纯铜的动态屈服极限。纯铜表面的位移影响区域直径约为激光光斑的2倍, 并在27 ns时达到位移最大值约0.85 μm。随着冲击波压力的加载, 纯铜产生加工硬化, 塑性应变和等效应力的最大值均出现在加载区域内部的近表层处, 分别约为0.062 MPa和297 MPa。μLSP后纯铜表面激光辐照区域主要表现为残余压应力, 最大值约为199 MPa, 影响深度达40 μm。在激光辐照区域表面边缘存在一定的残余拉应力, 产生“残余应力洞”。同时, μLSP工艺试验结果与数值模拟结果基本一致, 从而验证有限元模型的合理性与可靠性。
微尺度激光冲击强化 数值模拟 有限元分析 塑性变形 残余应力 micro-scale laser shock peening numerical simulation finite element analysis plastic deformation residual stress
1 华南理工大学, 发光材料与器件国家重点实验室, 广东 广州 510641 黄埔海关技术中心, 国家消费品安全检测重点实验室, 广东 东莞 523070
2 黄埔海关技术中心, 国家消费品安全检测重点实验室, 广东 东莞 523070
3 华南理工大学, 发光材料与器件国家重点实验室, 广东 广州 510641
4 上海海关工业品与原材料检测技术中心, 上海 200135
5 广州海关技术中心, 广东 广州 51062
激光诱导击穿光谱法以其快速、 高效、 无害、 全谱直读、 几乎不需要样品制备等优势, 广泛用于元素定量分析领域, 为了建立简单易行的分析方法, 利用自行研制的聚丙烯塑料(PP)标准样品(RM), 结合偏最小二乘法(PLS), 运用激光诱导击穿光谱方法(LIBS), 建立了Pb和Cr元素的PRM-PLS-LIBS分析模型。 PP标准样品是按照国际标准要求进行研制, Pb和Cr的含量梯度根据各个国家和地区的限制要求, 设定范围在0~1 000 mg·kg-1, 具体数值由定值结果结合不确定度给出, 并且该套标准样品均匀性和稳定性良好, 应用该标准样品建立的Pb和Cr的标准曲线的相关系数分别为0.999 2和0.998 9, 检出限分别为35和28 mg·kg-1, 已经达到定量分析能力。 为了提高定量分析模型的准确度, 需要对标准曲线的数据进一步优化。 在数据量较小的情况下, 通过对基线类型的多重优化, 比较了偏最小二乘法(PLS)和经典最小二乘法(CLS)。 实验数据表明, PLS的校正均方根误差(RMSEC)和校正系数(Corr. Coeff)都明显优于CLS。 通过优化Pb和Cr的分析波长范围和基线类型, 校正曲线的给定值与预测值之间的校正系数达到1.000 0, 进一步提高了模型的准确度。 随机选取一套PP标准样品, 对校正曲线进行验证。 取高含量样品(PP-306)和低含量样品(PP-302)进行测定, 将Pb和Cr的测定数据代入PCRM-PLS模型中, PP-306中Pb和Cr的测定值分别为998和96 mg·kg-1, PP-302中Pb和Cr的测定值分别为980和95 mg·kg-1, 都在给定值范围内, 方法有效可靠。
塑料 标准样品 偏最小二乘法 激光诱导击穿光谱法 Plastic Reference materia Partial least squares Laser-induced breakdown spectroscopy 光谱学与光谱分析
2023, 43(7): 2124
桂林电子科技大学 机电工程学院 广西制造系统与先进制造技术重点实验室,桂林 541004
为了研究水雾对激光加工碳纤维复合材料(CFRP)的影响,采用水雾辅助激光加工CFRP的方法,通过正交实验、多元线性回归分析和光学仪器进行了理论分析和实验验证,得到了水雾对激光加工CFRP的影响规律并优化了工艺参数。结果表明,随着喷嘴高度、喷嘴角度增加和气体压力减小,激光光斑直径逐渐减小; 随着喷嘴角度增加和气体压力减小,激光损失率逐渐减小,喷嘴高度对激光功率影响小; 当喷嘴角度50°、气体压力0.2 MPa和喷嘴高度为30 mm时,可以获得最大5.303的深宽比,此时激光损失率为1.473%; 建立的水雾参数与加工质量之间的经验公式可以预测切缝内部特征; 与气体辅助激光加工CFRP相比,水雾辅助激光加工CFRP可以获得更小的截面热影响区和更大的槽深。该研究可为激光低损伤加工CFRP提供参考。
激光技术 水雾 激光光斑直径 激光功率 碳纤维复合材料 laser technique water-mist laser spot diameter laser power carbon fiber reinforced plastic
塑料薄膜是我国塑料产品中占比五分之一的大宗类型, 在厂家生产时最重要的指标之一为塑料薄膜厚度, 如何准确、 快速、 方便地测量塑料薄膜厚度是一项具有重大经济价值的研究课题。 为验证X射线吸收光谱法测量塑料薄膜厚度的可行性, 制作了不同厚度的聚乙烯塑料薄膜实验样本, 设置30 kV的管电压以及1 μA的管电流激发X射线, 照射不同厚度的塑料薄膜样品, 用X射线探测器采集空白光谱数据和不同样本的原始X射线吸收光谱数据, 得到各光谱在256个通道中的光子强度。 在数据分析过程中, 为达到数据降维的效果, 选择主成分分析法处理所采集的数据; 再将维数降低后的新数据集分两次分析, 一次直接进行机器学习, 另一次进行归一化处理后再进行机器学习。 在机器学习中, 其中的70%作为训练集, 剩余的30%作为测试集, 输入数据为各组样本X射线吸收光谱, 输出数据为模型预测的塑料薄膜厚度。 同时, 为降低随机性导致的误差, 多次训练, 以平均的准确率来评价厚度估计的效果。 最后, 对比分析实验数据的结论是, 当误差包容度设置为50 μm时, 使用归一化处理后经机器学习的X射线吸收光谱法测量塑料薄膜厚度的准确率可以达到98.4%。 同时, 只要增加原始光谱数据的样本数, 并有效规划不同厚度的采样分布, 理论上可以大大提高该方法的精度, 而且可以推广到其他材料的测厚任务。 与市场上的其他测厚方式相比, X射线吸收光谱法测厚具备无损检测、 快速检测以及适用范围广的优势, 这对于丰富厂家生产线以及相关监管部门的塑料薄膜测厚技术、 提高测厚效率、 提升测量准确率具有较好的应用前景。
X射线吸收光谱 塑料薄膜厚度 主成分分析 机器学习 X-ray absorption spectroscopy Plastic film thickness measurement Principal component analysis Machine learning 光谱学与光谱分析
2023, 43(11): 3461