参考文献： 28

1  绪论

1.1  前言

焊接作为一种先进的连接技术，在工业生产的各个领域有着广泛的应用[1]。近年来神经网络等智能化方法在焊接接头质量预测与控制中得到了广泛应用，并且取得了较好的结果。但焊接质量预测大都采用单一预测方法，这常常会导致个别性能指标预测误差较大[2-4]。对于同一预测问题可以采用多种预测方法，获得不同的信息，然后对这些预测方法进行适当的组合，形成组合预测方法，集成不同信息来源的预测结果，就能有效地提高预测精度。近年来，基于遗传算法、模糊推理、神经网络等技术手段的组合预测方法在预测领域得到了广泛的应用，取得了很好的预测效果，提高了预测模型的稳健性[5]。

1.2  焊接材料研究概况

1.2.1 焊接接头性能的研究

(1)蠕变性能研究

  铁素体类热强钢焊接后,热影响区(HAZ)出现一个由焊接热循环造成的部分奥氏体化区,蠕变断裂强度低于母材,焊接接头的破坏大都发生在该处,称为IV型蠕变损伤断裂,简称IV断裂,IV断裂前出现的裂纹称为IV型裂纹。文献[6]认为IV断裂是由细晶粒HAZ蠕变空洞与裂纹的生成和长大造成的。Abe等[7]研究了P92钢焊接接头和模拟HAZ的微观组织和蠕变强度,认为IV断裂是由两方面因素共同引起的:其一是蠕变时细晶HAZ中高密度位错运动造成的再回复;其二是大M23C6颗粒的稀疏分布促进了粗亚晶粒不均匀性。Abe等[8]认为P92钢在焊后热处理时,M23C6在细晶HAZ析出比在母材和焊缝中析出粗化速度快,也是HAZ蠕变强度较低的原因。

(2)疲劳性能研究

　　P92钢焊接接头中,由于焊缝硬度高,疲劳裂纹增长率最低;母材只有在高于650e的温度下疲劳裂纹增长较快,这是由于高温下母材残余奥氏体边界的软D铁素体成为裂纹增长源;通常情况下,HAZ的疲劳裂纹增长最快。Lim等[9]和Kim等[10]认为这是因为疲劳裂纹沿着HAZ中的低硬度区增长。文献[11]认为HAZ疲劳裂纹增长较快有两方面因素:一方面由于HAZ的马氏体量比母材和焊缝少导致硬度较低;另一方面,熔合线与距熔合线2mm的HAZ处(简称熔合线+2 mm处)疲劳裂纹增长快的原因也不同,前者是由于粗晶粒边缘碳元素析出造成的脆性增加和断裂韧度下降,而后者却是由焊接时的热回火作用造成的。

1.2.2 计算机辅助焊接材料优化研究

　　计算机辅助焊接材料试验设计与数据分析处理是从 20 世纪 80 年代开始的。文献中最早记录这个方法的是Welding and Cutting杂志在1983年第35期上的一篇名为 Research into Welding Electrode Using Mathematical Model 的文章[12]。该文章介绍了西德采用随机法设计高效铁粉焊条的实例。该实例采用随机数据发生器设计焊条试验，然后通过试验建立工艺性能与因素间的回归数学模型，并用最优化技术求解出所需的最优配方。文献[13]采用的是利用现成的正交表安排试验。正交试验的正交性可以使回归方程的回归系数间不存在相关性，这样当剔除任何一个不显著变量后，回归模型都不需要进行重复计算。对比用随机法设计试验建立回归模型的方法来说，大大减少了剔除不显著因素后建立回归模型时的重复计算量。在国内利用正交表安排焊接材料试验设计，并对试验数据进行回归分析，建立回归模型，再利用回归模型优化设计的做法很普遍。

　　随着计算机技术和神经网络的发展，1986年一种新型的、非常有效的神经网络训练方法：误差反传算法（BP 算法）被提出，由此将神经网络的应用推广到了各个领域[14]。

1.3  神经网络在材料中的应用概况