[发明专利]设备材料力学性能测试方法、系统、介质、计算机设备

说明书

本发明属于设备材料力学性能微损测试技术领域，公开了一种设备材料力学性能测试方法、系统、介质、计算机设备，BP神经网络可对大量数据进行计算，在不同数据之间建立关联关系，具有计算速度快、结果准确、适用性广的特点；利用遗传算法对BP神经网络训练过程进行优化，提高网络的训练速度与精度；排除试验所用材料、试验机结构、尺寸、加载方式等因素对结果的影响，使结果更加准确；可直接从在役设备表面取出小冲杆试样，将小冲杆试验结果代入训练好的BP神经网络便可得到材料力学性能参数。本发明成本低、结果准确、适用性广。训练完成的BP神经网络可应用于在役设备材料力学性能预测，为评估其结构完整性与预测其剩余寿命提供依据。

技术领域

本发明属于设备材料力学性能微损测试技术领域，尤其涉及一种设备材料力学性能测试方法、系统、介质、计算机设备。

背景技术

目前，核能、电力、石油化工等领域有很多高危的设施，所以其中的一些结构设计都是按比较保守的原则来设计的。随着时间的推移部分设备的运行时间即将到达设计的寿命，于是，人们面临停止使用或继续运行的选择。因此，必须对在役结构的材料力学性能进行测试。由于这些材料长期处于高温、高压、辐照等条件下运行，其材料可能会发生劣化和损伤，导致安全事故的发生。因此在服役一段时间以后，需要确定在役设备材料的性能有没有变化，以便确定这些结构能否延寿安全运行。常规力学性能评价方法如单轴拉伸试验、紧凑拉伸试验等，虽可直接得到材料弹性模量、屈服强度、抗拉强度与断裂韧性等材料力学性能参数，但试验所需试样尺寸较大，通常需要对设备进行破坏性取样，极易导致设备停机或直接报废。因此，为了获得在役设备材料力学性能，并尽可能降低损失与成本，微损试样试验测试方法得到迅速发展。

小冲杆试验(Small Punch Test，SPT)是一种近乎“无损”的微型试样试验方法，通过试验可以得到试样中心点的载荷-位移曲线、断口相关数据等，其中包含了材料的弹塑性变形行为与断裂特征。众多学者基于自己的试验结果均采用经验关联的方式给出获取材料强度和断裂韧性等力学性能参数的关联公式，然而由于试验所用材料、试验机结构、尺寸、加载方式，以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异，通过试验数据拟合得到的经验公式也不尽相同，彼此之间并能不通用，造成重复研究与研究资源的浪费。因此，亟待找到更合理和有效的方法关联小冲杆试验结果与常规试验结果。

人工智能BP神经网络可以处理大量多元非线性数据，在不同数据之间建立关联关系，相较于常规经验关联法，具有计算速度快、结果准确、适用性广的特点，使更加准确、方便地获取材料力学性能参数成为可能。但是BP神经网络是基于梯度的最速下降法，以误差平方为目标函数，所以存在着训练容易陷入局部极小值、学习过程收敛速度慢、网络结构难以确定等缺陷。另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。遗传算法是模拟生物在自然界环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，完成对问题最优解的自适应搜索过程。因此可以通过遗传算法对BP神经网络的初始权值和阈值进行优化，使优化后的BP神经网络能够更好的进行样本预测。

现有标准试验虽然可直接得到材料的力学性能，但试样尺寸较大，对在役设备取样会造成无法修复的损伤。利用小冲杆试验与标准试验相关联获得材料力学性能对设备损伤较小，但由于试验所用材料、试验机结构、尺寸、加载方式，以及小冲杆试验载荷-位移曲线上屈服载荷定义方法的差异，通过试验数据拟合得到的经验公式也不尽相同，彼此之间并能不通用，造成研究资源的浪费。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有标准试验虽然可直接得到材料的力学性能，但试样尺寸较大，对在役设备取样会造成无法修复的损伤。

(2)现有利用小冲杆试验与标准试验相关联获得材料力学性能的方法较为流行，但通过试验数据拟合得到的经验公式不尽相同，彼此之间并能不通用，造成资源的浪费。

解决以上问题及缺陷的难度为：