基于本构模型与广义回归神经网络预测磁性形状记忆合金的电动势
材料科学
2023-01-20 v3 机器学习
摘要
铁磁性形状记忆合金(MSMA)，如 Ni-Mn-Ga 单晶，可在室温下因外加磁场而呈现形状记忆效应。在可变磁场与恒定偏置应力加载下，MSMA 已被用于驱动应用。本工作在现有 Ni-Mn-Ga 单晶宏观磁-力学模型中引入了新的特征。该模型考虑了如 D silva 等人所观测到的两变体中磁易轴并非严格垂直的事实。这一偏移有助于解释 MSMA 的部分能量收集能力。模型预测与在 Ni-Mn-Ga 单晶上收集的实验数据进行了比较。实验包括恒定偏置磁场载荷下的应力控制加载（模拟能量收集或传感）与恒定偏置压应力下的磁场控制加载（模拟驱动）。每类测试均在若干不同载荷水平下进行，且按 Eberle 等人建议，在无 MSMA 试样时测量外加磁场，以使退磁不影响实验测量场。结果显示模型预测与实验数据具有较好一致性。尽管模型对实验结果预测尚可，但未能捕捉实验数据的全部特征。为捕捉全部实验特征，最终采用广义回归神经网络(GRNN)对实验数据（应力、应变、磁场与电动势）进行训练，从而作出更合理的预测。
引用
@article{arxiv.2206.03701,
title = {Predictions of Electromotive Force of Magnetic Shape Memory Alloy (MSMA) Using Constitutive Model and Generalized Regression Neural Network},
author = {Md Esharuzzaman Emu},
journal= {arXiv preprint arXiv:2206.03701},
year = {2023}
}
备注
10 pages, 15 figures