基于机器学习确定膜基材料弹性模量的仪器化压痕方法

Abstract

仪器化压痕测试方法在确定材料的力学性能方面有着广泛的应用. 由于基底效应, 采用该方法确定膜基材料各层的力学性能变得更为复杂. 本文采用有限元仿真结合经典多输出多层感知器(MLP)神经网络的方法, 建立了膜基材料力学性能参数(薄膜弹性模量、基底弹性模量)与复合模量和无量纲化最大压入深度(最大压入深度/薄膜厚度)之间的关系, 并发展了基于机器学习确定膜基材料弹性模量的仪器化压痕方法. 对比深度学习的预测和有限元的仿真结果, 发现经MLP神经网络训练的硬膜软基底材料和软膜硬基底材料的预测值与仿真结果的吻合度较好. 开展硬膜软基底材料Ni/304不锈钢以及软膜硬基底材料Cu/304不锈钢的压痕试验对MLP神经网络进行验证, 结果表明, MLP神经网络预测的各层弹性模量与试验中获得的结果较为接近. 本文结果可为评价膜基材料各层性能提供可供选择的测试方法.

References

×
SciEngine
购物车
客服
ENGLISH
登录
检索
SciEngine AI 智搜