稀有金属材与工程样稿.doc

基于人工神经网络的HDDR工艺与SmFeN磁性能预测模型 叶金文、刘颖，涂铭旌 (四川大学材料科学与工程学院，四川 成都，610065) 摘 要: 特别提示：此为模版文件，请将论文相应内容直接灌入，不要试图改动版式及字号。 概述了《稀有金属材料与工程》的国内外影响及地位。详细介绍了本刊的写作规范（特别是参考文献）、排版格式。同时，指定了排版软件：文章正文为Word、公式为equation 3、曲线图为origin5.0、照片为Photoshop 5.0、表为word。投稿时应有打印稿2~3份，磁盘1份，照片及曲线图原稿。投稿时，作者应以本写作规范作样本，从书眉、标题、大小写到格式严格、认真修改，使其与本样本一致。投稿地址为：710016 陕西西安51信箱， e-mail:rmme@。 关键词: 中图法分类号： 文献标识码： A 文章编号： 1前言 Sm2Fe17Nx型化合物自1990年被Coey[1]等人发现以来，因其具有较高的居里温度（476℃,高出Nd2Fe14B近160℃），很高的磁晶各向异性场(14T)[2,3]，以及良好的热稳定性、抗氧化性和耐腐蚀性能，磁性能与Nd2Fe14B系稀土永磁相当等优点，受到了各国普遍的关注，因而得到了长足的发展。 HDDR法[5]是目前制备高性能NdFeB磁粉广泛采用的方法之一，它是利用Nd2Fe14B合金吸氢歧化，脱氢产生再化合的过程使母相晶粒细化，来获得高矫顽力的永磁材料。德国[4]和日本[5]用该法成功制备了Sm2Fe17Nx磁粉，HDDR方法制备Sm2Fe17Nx磁粉也就成为近来研究的热点之一。相关研究[6-8]表明Sm2Fe17Nx磁粉的微观结构和磁性能与HDDR过程中吸氢、歧化、脱氢、再化合的工艺条件有很密切的关系。现有的研究往往采用单因素法研究其中某一工艺对磁性能的影响，难以反映出上述各因素之间的相互影响的非线形关系，也就无法建立一个完整精确的工艺条件对磁性能影响规律的数学模型。 神经网络的发展给这一问题的解决提供了一种有效、可靠的方法。人工神经网络(ANN)是一种模拟脑神经对外部环境进行学习过程建立起来的一种人工智能模式识别方法，具有自学习、自组织、自适应及很强的非线性函数逼近能力和容错能力，特别适用于非线性系统特性的研究[9，10]。为此，本文采用神经网络技术系统地研究了HDDR工艺对Sm2Fe17Nx磁性影响的规律，建立了工艺条件对SmFeN稀土永磁材料磁性能影响的连续的数学模型和磁性能与工艺预测模型，希冀能对HDDR法Sm2Fe17Nx磁粉的生产有所指导。 2 实验方法 2.1 实验方法 采用工业纯铁和纯度为99.9%的稀土Sm为原料，按一定配比配料，经SI2002－04型真空感应炉熔炼制备出SmFe铸锭，1050℃，真空炉内12h均匀化退火，然后球磨粉碎成10μm的粉末，再在SDZK高温真空烧结炉内一定温度相同氢压力下氢化-岐化1小时，然后抽高真空（3×10-3Pa），在该温度下脱氢—再化合处理1小时，最后在500℃氮化4h。 2.2 测试方法 将获得Sm2Fe17Nx磁粉同3%wt的粘结剂混合均匀，经5T的压力模压成型为磁体。用AMT-4型磁化特性自动测量仪测量磁体的磁性能。 2.3 人工神经网络的建立 人工神经网络是由大量的神经元广泛互连而成的网络，误差反向传播算法BP网络是目前应用最广的网络模型之一。BP人工神经网络每层的神经元对输入进行加权求和，对和进行阈值处理产生输出值。通过样本数据对神经网络进行训练和学习，不断调节其连接权值和阈值，从而正确反映输入和输出的映射关系。因此，本文采用三层BP神经网络，歧化温度、歧化时间、再化合温度、再化合时间分别作为 4个输入节点；材料的剩磁Br、矫顽力Hcj和磁能积(BH)m作为3个输出节点；隐含层节点数为7；传递函数均采用Sigmoid函数。BP网络结构示意图见图4-21。 2.4预测结果 随机选取表4-9中12组数据作为神经网络的训练样本，对神经网络进行离线学习，以建立网络各层的权值和阈值矩阵，网络对样本学习的相对误差随训练 图4-21 BP网络结构示意图 表4-9 试验设计方案与试验结果 No. T1 ℃ t1 min T2 ℃ t2 min Br/ mT Hcj/ kA/m (BH)m/ kJ/m3 1 675 60 695 90 530.1 1311 50.5 2 690 105 730 165 520.5 1456 48.7 3 705 150 710 75 521.1 1333 47 4 720 30 745 150 511.4 1466 48 5 735 75 780 60 506.4 1569 47 6 750 120