形状记忆合金超细丝电阻传感特性：试验与理论的深度剖析

形状记忆合金超细丝电阻传感特性：试验与理论的深度剖析一、引言1.1研究背景与意义在现代科技飞速发展的进程中，智能材料作为多学科交叉融合的关键领域，正发挥着日益重要的作用，而形状记忆合金超细丝凭借其独特的性能，在智能材料领域占据着举足轻重的地位。形状记忆合金（ShapeMemoryAlloy，SMA）是一种能够在特定温度或应力条件下恢复到原始形状的智能材料，其独特的形状记忆效应和超弹性特性，使其在航空航天、生物医疗、机械电子等众多领域展现出巨大的应用潜力。形状记忆合金超细丝则是在形状记忆合金基础上进一步发展而来的新型材料，其直径通常在微米甚至纳米量级，具有更高的比表面积和更优异的性能，为解决传统材料在一些特殊应用场景下的局限性提供了新的可能。在航空航天领域，飞行器对零部件的轻量化和高性能要求极高。形状记忆合金超细丝可用于制造智能结构，如可变形机翼、自适应天线等。这些结构能够根据飞行状态的变化自动调整形状，从而提高飞行器的空气动力学性能和飞行效率，减少能源消耗。在生物医疗领域，超细丝制成的微型医疗器械，如血管支架、药物输送装置等，具有更好的生物相容性和可操作性。它们能够在人体内精确地执行任务，对病变部位进行有效治疗，同时减少对人体组织的损伤。在机械电子领域，形状记忆合金超细丝可用于制造微型传感器和执行器，实现设备的微型化和智能化，提升设备的性能和功能多样性。研究形状记忆合金超细丝的电阻传感特性对推动相关领域的发展具有关键作用。电阻传感特性是形状记忆合金超细丝的重要性能之一，它反映了材料在受力、受热等外部条件变化时电阻的变化规律。通过深入研究这一特性，可以为形状记忆合金超细丝在传感器领域的应用提供坚实的理论基础。在应变传感器中，利用超细丝电阻随应变的变化关系，能够精确测量物体的微小形变，这对于航空航天、机械工程等领域的结构健康监测至关重要。在温度传感器中，依据电阻与温度的相关性，可以实现对环境温度的高精度测量，满足生物医疗、电子设备等领域对温度控制的严格要求。深入理解电阻传感特性有助于优化形状记忆合金超细丝的材料性能和制备工艺。通过研究电阻与材料微观结构、成分等因素的关系，可以有针对性地调整材料的制备参数，提高超细丝的性能稳定性和可靠性，为大规模生产和应用提供技术支持。对电阻传感特性的研究还能够拓展形状记忆合金超细丝的应用领域，推动智能材料与结构的创新发展，为解决实际工程问题提供新的思路和方法。1.2智能结构与智能材料概述智能结构是一种融合了先进材料科学、传感器技术、控制理论和信息处理技术的新型结构体系，它能够根据外界环境的变化自动调整自身的性能和状态，以实现特定的功能或目标。智能结构通常由传感器单元、致动器单元和信息处理及控制单元三个主要部分组成。传感器单元就如同智能结构的“感觉器官”，其作用是实时感知结构自身的状态变化以及外界环境的各种参数，如应力、应变、温度、压力、振动等，并将这些物理量转换为易于处理和传输的电信号。构成传感器单元的敏感材料种类繁多，常见的有应变型材料、压电型材料和光纤等。应变型材料通过自身电阻或电容的变化来反映所受应变的大小；压电型材料则在受到压力作用时产生电荷，电荷量与压力大小成正比；光纤传感器利用光在光纤中的传播特性变化来检测各种物理量，具有抗电磁干扰、灵敏度高、可分布式测量等优点。致动器单元相当于智能结构的“肌肉”，它在接收到来自信息处理及控制单元的电信号激励后，能够产生相应的应变和位移变化，从而对原结构起到驱动作用，使整体结构改变自身的状态或特性，实现自适应功能。对致动器的性能要求较高，包括最大应变量、弹性模量、频率带宽、线性范围、延迟特性以及可埋人性等。目前常用的应变致动材料主要有形状记忆合金、压电材料、电致和磁致伸缩材料以及电、磁流变体等。不同的致动材料具有各自独特的性能特点，适用于不同的应用场景。信息处理和控制单元是智能结构的“大脑”，它对来自传感器单元的各种检测信号进行实时处理和分析，判断结构的各种状态，如是否存在损伤、是否受到异常载荷等。然后，根据预设的控制策略，输出相应的控制信号，驱动致动器单元做出动作，以实现对结构的有效控制。信息处理和控制单元所完成的信号处理功能与智能式传感器类似，但它所承担的控制功能更为复杂，通常采用分散控制的方式，分为局部控制、全局控制和认知控制三个层次。局部控制主要用于增加结构的阻尼、吸收能量、减小残余位移；全局控制则追求更高的控制精度，在保证常规控制所需鲁棒性的同时，充分考虑控制的分布性；认知控制是控制的最高层次，它使智能结构具有主动辨识、诊断和学习的能力，能够根据以往的经验和当前的情况，自主地调整控制策略。智能结构的应用领域极为广泛，在航空航天领域，可用于制造智能蒙皮、自适应机翼等结构。智能蒙皮能够实时感知飞行器表面的气流状态，并通过调整自身形状来减小空气阻力，提高飞行效率；自适应机翼则可以根据飞行条件的变化自动改变机翼的形状和角度，增强飞行器的机动性和稳定性。在汽车工业中，智能结构可应用于车辆的悬挂系统和防撞系统。智能悬挂系统能够根据路面状况和行驶速度自动调整悬挂的刚度和阻尼，提供更舒适的驾乘体验；防撞系统则利用传感器实时监测车辆周围的环境，当检测到潜在的碰撞危险时，通过致动器迅速调整车身结构，以减轻碰撞的冲击力。在土木工程领域，智能结构可用于桥梁、建筑物等结构的健康监测和振动控制。通过在结构中布置传感器，实时监测结构的应力、应变和振动情况，一旦发现结构出现异常，及时采取措施进行修复或调整，确保结构的安全稳定。智能材料作为智能结构的关键组成部分，在智能结构中发挥着不可或缺的作用。智能材料是指那些具有感知、驱动和信息处理等一种或多种功能的材料，它们能够对外界环境的变化做出响应，并自动调整自身的性能。智能材料的种类丰富多样，除了形状记忆合金外，还包括压电材料、磁致伸缩材料、电/磁流变液、智能凝胶等。压电材料在受到压力或振动时会产生电荷，反之，在施加电场时会发生形变，这种特性使其在传感器和致动器领域得到了广泛应用；磁致伸缩材料在磁场作用下会发生长度或体积的变化，可用于制造高精度的位移传感器和执行器；电/磁流变液在电场或磁场的作用下，其粘度会发生显著变化，能够实现快速、可逆的流变特性转变，常用于制造智能阻尼器和离合器等；智能凝胶则对温度、pH值、电场、磁场等外界刺激具有敏感响应性，可用于生物医学、药物释放等领域。形状记忆合金作为一种重要的智能材料，具有独特的形状记忆效应和超弹性特性。形状记忆效应是指合金在低温下发生塑性变形后，当加热到某一特定温度（称为相变温度）以上时，能够恢复到变形前的原始形状。这种效应源于合金内部的马氏体相变，马氏体是一种低温相，在加热过程中会逆转变为高温相奥氏体，从而实现形状的恢复。超弹性特性则是指在一定温度范围内，形状记忆合金在受到外力作用时能够产生较大的弹性应变，当外力去除后，合金能够迅速恢复到原来的形状，就像具有“超能力”的弹簧一样。形状记忆合金的这些特性使其在智能结构中具有广泛的应用前景，可作为致动器材料用于制造各种智能结构元件，实现结构的自适应控制和形状调整。1.3形状记忆合金及其基本特性1.3.1形状记忆合金概述形状记忆合金（ShapeMemoryAlloy，SMA）是一种能够在特定温度或应力条件下恢复到原始形状的智能材料，其独特的性能源于合金内部的马氏体相变。这种材料通常由两种或多种金属元素组成，不同的合金体系展现出各异的特性，从而满足了不同领域的多样化需求。形状记忆合金的发展历程充满了探索与突破。1932年，瑞典科学家奥兰德（Olander）在金-镉（Au-Cd）合金中首次观察到“记忆”效应，开启了形状记忆合金研究的先河。1938年，美国科学家格林格尔（Greningerh）和莫拉迪恩（Mooradian）在铜-锌（Cu-Zn）合金中发现了马氏体的热弹性转变，苏联科学家库尔久莫夫（Kurdiumov）对此进行了深入研究。1941年，美国科学家弗农（Vernon）在描述聚合物牙科材料时，首次使用了“形状记忆”一词。20世纪60年代，美国海军研究实验室的比勒（Buehler）在镍-钛（Ni-Ti）合金中发现了形状记忆效应，镍-钛合金凭借其卓越的性能，成为应用最为广泛的形状记忆合金之一。1969年，形状记忆合金在F-16战机的管接头应用中取得重大突破，随后在航空航天、医疗、机械等领域的应用不断拓展。20世纪80年代，形状记忆合金在医疗领域得到广泛应用，如用于牙套和矫正器；90年代，其应用进一步扩展到汽车工业和电子设备等领域。进入21世纪，随着科学技术的不断进步，形状记忆合金的研究和应用持续发展，新型合金体系和制备工艺不断涌现。常见的形状记忆合金种类主要包括镍钛基形状记忆合金、铜基形状记忆合金和铁基形状记忆合金，它们各自具有独特的特点。镍钛基形状记忆合金（Ni-TiSMA）是目前应用最广泛的形状记忆合金之一，具有优异的形状记忆效应和超弹性，同时具备良好的生物相容性、耐腐蚀性和较高的强度。这使得它在生物医疗领域，如血管支架、牙齿矫正器等方面发挥着重要作用；在航空航天领域，可用于制造飞行器的可变形部件，提高飞行器的性能。镍钛基形状记忆合金还包括Ni-Ti-Cu、Ni-Ti-Co、Ni-Ti-Fe、Ni-Ti-Nb等具有较高实用价值的记忆合金，通过调整合金成分，可以进一步优化其性能，满足不同应用场景的需求。铜基形状记忆合金（CuSMA）主要有Cu-Zn、Cu-Zn-Al、Cu-Zn-Sn、Cu-Zn-Si、Cu-Zn-Ga、Cu-Sn等种类。其优点是价格相对较低，制造工艺简便，热加工性能优良，导热、导电性也较好，并且相变温度的可调范围较宽。然而，铜基合金存在塑性不足、容易发生脆断以及疲劳寿命低等缺点，这在一定程度上限制了其应用范围。为了克服这些缺点，研究人员通过粉末冶金法、急冷凝固法以及添加微量元素等方法使铜合金的晶粒细化，以提高其性能。铁基形状记忆合金（FeSMA）主要有Fe-Pt、Fe-Mn-Si、Fe-Ni-Co-Ti、Fe-Mn-Al-Ni、Fe-C-Mn-Si-Cr-Ni等种类。铁基形状记忆合金具有成本低、资源丰富等优势，但其形状记忆应变有限、延展性不足，在实际应用中需要进一步改进和优化。近年来，随着研究的深入，铁基形状记忆合金在土木工程等领域的应用探索取得了一定进展，为其拓展了新的应用方向。1.3.2工作原理与效应形状记忆合金的独特性能源于其内部的马氏体相变，这种相变是一种无扩散型的固态相变，原子仅作有规则的迁移，不发生成分的变化。在马氏体相变过程中，合金的晶体结构会发生改变，从而导致其宏观形状和性能的变化。形状记忆效应和超弹性效应是形状记忆合金的两个重要特性，它们在不同的温度和应力条件下表现出不同的行为。形状记忆效应是指形状记忆合金在低温下发生塑性变形后，当加热到某一特定温度（称为相变温度）以上时，能够恢复到变形前的原始形状。从微观角度来看，形状记忆效应与合金内部的晶体结构变化密切相关。在低温下，形状记忆合金处于马氏体相，马氏体相具有多种变体，这些变体之间通过孪晶界相互连接。当合金受到外力作用时，马氏体变体之间会发生相对移动，导致合金产生宏观变形。当加热到相变温度以上时，马氏体相开始逆转变为奥氏体相，奥氏体相具有较高的对称性和稳定性。在逆转变过程中，马氏体变体的排列方式逐渐恢复到原始状态，从而使合金的形状也恢复到变形前的样子。根据记忆功能的不同，形状记忆效应可分为单程形状记忆效应、双程形状记忆效应和全程形状记忆效应。单程形状记忆效应是最常见的类型，合金在低温下处于马氏体状态，发生变形后，加热至相变温度以上，合金恢复到高温奥氏体相的原始形状，此后再进行冷却加热操作，其形状不再发生变化。双程形状记忆效应涉及到两个不同的相变过程，合金在低温下从马氏体到奥氏体的相变使其形状发生改变，当温度再次升高时，从奥氏体转变回马氏体，并恢复到原始形状，通过控制温度变化，可实现高低温形状的反复变化。全程形状记忆效应则更为复杂，将合金在马氏体以下变形，当加热至奥氏体以上时，试样可回复高温母相的形状，冷却时回复低温相形状，若再继续冷却，合金呈现出与高温时完全相反的形状，而继续加热又可以变形为奥氏体的形状。超弹性效应，也称为“超弹性记忆效应”，是指在某特定温度范围内，形状记忆合金在外荷载的作用下，会经历弹性变形，即其形状会发生可逆的改变，但不会产生永久性变形或断裂。一旦去除外力，材料会迅速恢复到其原始形状，具有很高的回弹能力。超弹性效应的产生机制与应力诱发马氏体相变有关。当形状记忆合金在奥氏体转变终了温度（Af）以上受到外加应力作用时，应力会诱发奥氏体相转变为马氏体相，这种马氏体相只能在应力的作用下稳定存在。当应力撤去后，马氏体相立即发生逆相变，恢复到原来的奥氏体相状态，从而使材料产生很大的弹性应变，表现出超弹性行为。形状记忆效应和超弹性效应的区别在于，形状记忆效应是外加应力使马氏体变体重取向，从而显示出形变，而恢复到原来的形状需要外界条件（如热、磁）的刺激；超弹性是应力诱发马氏体相变的过程，形成的马氏体在去除应力后无法维持而自发地恢复到原来的状态。诱发马氏体的应力低于合金滑移的应力是形状记忆合金具有形状记忆效应和超弹性的重要条件。1.3.3阻尼与电阻特性阻尼特性是形状记忆合金的重要性能之一，它在振动控制领域发挥着关键作用。阻尼是指材料在振动过程中消耗能量的能力，形状记忆合金由于其内部的马氏体相变和微观结构变化，具有较高的阻尼性能。当形状记忆合金受到振动激励时，马氏体相变会产生滞后现象，这种滞后现象使得合金在加载和卸载过程中存在能量损耗，从而有效地衰减振动。形状记忆合金的阻尼特性可以通过多种方式进行调控，例如改变合金的成分、热处理工艺以及加工方式等。通过优化这些因素，可以使形状记忆合金在不同的应用场景中发挥出最佳的阻尼效果。在土木工程领域，形状记忆合金可用于结构的振动控制，如桥梁、建筑物等。当结构受到地震、风荷载等外界激励而产生振动时，形状记忆合金制成的阻尼器能够吸收振动能量，减小结构的位移响应，从而提高结构的安全性和稳定性。在航空航天领域，形状记忆合金的阻尼特性可用于飞行器的振动控制，减少振动对飞行器部件的损害，提高飞行的舒适性和可靠性。电阻特性也是形状记忆合金的重要特性之一，它与温度、应变等因素密切相关。形状记忆合金的电阻随温度的变化呈现出明显的规律，在相变温度附近，电阻会发生急剧变化。这是因为在相变过程中，合金的晶体结构和电子状态发生改变，从而导致电阻的变化。通过测量形状记忆合金的电阻变化，可以准确地确定其相变温度，这在实际应用中具有重要意义。形状记忆合金的电阻还与应变有关，当合金受到拉伸或压缩等应变作用时，电阻会发生相应的变化。这种电阻随应变的变化关系使得形状记忆合金在应变传感领域具有广阔的应用前景。在航空航天领域，形状记忆合金超细丝可用于制造飞行器结构的应变传感器，实时监测结构的应变状态，为飞行器的安全飞行提供保障。在生物医疗领域，可将形状记忆合金超细丝制成微型应变传感器，用于监测人体内部器官的微小形变，实现疾病的早期诊断和治疗。1.4形状记忆合金在土木工程中的应用1.4.1材料特性试验研究发展形状记忆合金在土木工程中的应用研究离不开对其材料特性的深入探索。早期的研究主要集中在形状记忆合金基本特性的表征上，如形状记忆效应和超弹性效应。研究人员通过大量的试验，测定了不同成分形状记忆合金的相变温度、回复应力、应变等关键参数，为其在土木工程中的应用提供了基础数据。随着研究的深入，对形状记忆合金在复杂环境下的性能研究逐渐展开。考虑到土木工程结构长期暴露在自然环境中，受到温度、湿度、腐蚀等多种因素的影响，研究人员开始关注形状记忆合金在这些复杂条件下的耐久性和稳定性。通过模拟实际环境条件，进行加速腐蚀试验、湿热循环试验等，研究形状记忆合金的性能变化规律，为其在土木工程中的长期应用提供了理论支持。近年来，随着纳米技术和微观检测技术的发展，对形状记忆合金微观结构与宏观性能关系的研究取得了重要突破。借助高分辨率电子显微镜、X射线衍射等先进设备，研究人员深入探究了形状记忆合金在相变过程中微观结构的变化，揭示了马氏体相变的微观机制，从而为优化形状记忆合金的性能提供了新的思路。研究还关注形状记忆合金与土木工程常用材料（如混凝土、钢材）的相容性和协同工作性能，通过试验和理论分析，探索了如何将形状记忆合金更好地应用于土木工程结构中，提高结构的整体性能。1.4.2被动控制装置对结构振动控制应用发展在土木工程结构振动控制领域，形状记忆合金制成的被动控制装置发挥着重要作用。形状记忆合金阻尼器是一种常见的被动控制装置，其工作原理基于形状记忆合金的超弹性和高阻尼特性。当结构受到振动激励时，阻尼器中的形状记忆合金元件会发生变形，通过马氏体相变吸收和耗散振动能量，从而减小结构的振动响应。在实际应用中，形状记忆合金阻尼器在桥梁、高层建筑等结构中得到了广泛应用。在一些大跨度桥梁中，安装形状记忆合金阻尼器可以有效地抑制桥梁在风荷载和地震作用下的振动，提高桥梁的安全性和稳定性。在高层建筑中，阻尼器能够减小结构在地震或强风作用下的位移和加速度响应，保护结构和内部设施的安全。形状记忆合金还可用于制造隔震支座，通过调整隔震支座的力学性能，实现对结构地震响应的有效控制。隔震支座中的形状记忆合金元件能够在地震发生时产生较大的变形，延长结构的周期，减小地震力的传递，从而达到隔震的目的。1.4.3在结构健康监测方面的应用形状记忆合金在结构健康监测方面具有独特的优势，其电阻随应变和温度变化的特性使其成为一种理想的传感材料。将形状记忆合金制成丝状或薄膜状传感器，粘贴或埋入土木工程结构中，当结构发生变形或温度变化时，传感器的电阻会相应改变，通过测量电阻的变化可以实时监测结构的应力、应变和温度状态，及时发现结构的损伤和潜在风险。在实际工程中，形状记忆合金传感器已应用于桥梁、大坝等大型土木工程结构的健康监测。在桥梁结构中，通过在关键部位布置形状记忆合金传感器，可以实时监测桥梁的受力状态和变形情况，当结构出现异常时，能够及时发出预警信号，为桥梁的维护和管理提供科学依据。在大坝监测中，传感器可以监测大坝的裂缝发展、内部应力变化等情况，保障大坝的安全运行。形状记忆合金还可与其他智能材料（如光纤传感器、压电材料）结合，形成多参数、高精度的结构健康监测系统，进一步提高结构健康监测的准确性和可靠性，为土木工程结构的安全运行提供全方位的保障。1.5问题提出与研究内容尽管形状记忆合金在多个领域展现出巨大的应用潜力，但在其电阻传感特性的研究方面仍存在一些关键问题亟待解决。在材料特性方面，不同成分和微观结构的形状记忆合金超细丝，其电阻传感特性存在显著差异，目前对于这些差异的内在机制尚未完全明确。例如，镍钛基形状记忆合金超细丝中镍钛比例的变化、晶体结构的缺陷以及位错等因素，如何影响电阻与应变、温度之间的关系，仍需要深入研究。这限制了在实际应用中根据具体需求选择最合适的形状记忆合金超细丝材料。在试验研究中，现有的试验方法和设备在测量超细丝电阻传感特性时，存在精度不足和适用范围有限的问题。对于直径在微米甚至纳米量级的超细丝，传统的电阻测量方法难以准确测量其微小的电阻变化，且在复杂环境条件下（如高温、高湿度、强磁场等），试验数据的准确性和可靠性受到挑战。在建立电阻传感特性模型方面，目前的理论模型大多基于理想条件，难以准确描述形状记忆合金超细丝在实际工况下的电阻变化行为。实际应用中，超细丝往往受到多种因素的耦合作用，如温度、应变、应力以及磁场等，现有模型无法全面考虑这些因素的相互影响，导致模型的预测精度较低，无法为工程应用提供可靠的理论支持。针对上述问题，本研究拟从以下几个方面展开：通过设计并开展系统的试验，研究形状记忆合金超细丝的电阻传感特性。采用先进的微纳加工技术制备不同成分和微观结构的超细丝样品，利用高精度的电阻测量设备，在多种环境条件下测量超细丝的电阻变化。重点研究超细丝电阻与应变、温度之间的定量关系，分析不同因素对电阻传感特性的影响规律。建立形状记忆合金超细丝电阻传感特性的理论模型，综合考虑超细丝的微观结构、相变行为以及外部因素的耦合作用。基于晶体学、热力学和电学原理，推导电阻与各因素之间的数学表达式，并通过试验数据对模型进行验证和修正，提高模型的准确性和适用性。对形状记忆合金超细丝电阻传感特性的应用进行探索，将研究成果应用于传感器设计、结构健康监测等领域。结合具体的工程需求，设计基于形状记忆合金超细丝的新型传感器，并通过模拟和实验验证其性能，为解决实际工程问题提供新的技术手段和方法。二、NiTiSMA超细丝力学性能试验研究2.1试验概况为深入探究NiTiSMA超细丝的力学性能，本试验在材料选取、试件制作、试验装置搭建以及试验方案设计等方面进行了精心筹备与规划。试验材料选取至关重要，直接影响试验结果的准确性与可靠性。本试验选用的NiTiSMA超细丝，由专业材料供应商提供，其镍钛原子比接近1:1，具有良好的形状记忆效应和超弹性特性。在众多供应商中，该供应商凭借先进的生产工艺和严格的质量控制体系脱颖而出。其生产的超细丝直径均匀，表面光滑，内部组织结构稳定，杂质含量极低，能够满足本试验对材料高性能的要求。超细丝的原始直径为50μm，这一尺寸在形状记忆合金超细丝领域具有代表性，既便于进行试验操作，又能体现超细丝在微观尺度下的独特性能。试件制作是试验的关键环节之一，需遵循严格的工艺要求，以确保试件的质量和性能符合试验标准。使用高精度的细丝切割设备，将原始的NiTiSMA超细丝切割成所需长度。切割过程中，通过精确控制切割参数，如切割速度、切割电流等，有效避免了超细丝表面的损伤和变形。切割后的超细丝两端，采用特殊的焊接工艺与铜电极进行连接。选用高纯度的铜作为电极材料，其具有良好的导电性和化学稳定性，能够确保在试验过程中与超细丝形成稳定的电气连接。焊接过程在惰性气体保护氛围下进行，使用微焊接设备，精确控制焊接温度和焊接时间，保证焊接点牢固、光滑，电阻小，从而减少了接触电阻对试验结果的影响。试验装置的搭建是实现精确测量的基础，本试验装置主要由拉伸试验机、电阻测量系统和温度控制系统三部分组成。拉伸试验机采用高精度的电子万能试验机，具备位移控制和载荷控制两种模式，位移精度可达0.001mm，载荷测量精度为±0.1%FS。其强大的控制和测量功能，能够精确施加拉伸载荷，并实时测量超细丝的拉伸位移和所受载荷。电阻测量系统采用四电极法，利用数字源表进行电阻测量。四电极法能够有效消除导线电阻和接触电阻的影响，提高电阻测量的精度。数字源表的电阻测量精度可达0.01Ω，满足对超细丝微小电阻变化的测量需求。温度控制系统由恒温箱和温度传感器组成，恒温箱的温度控制精度为±0.5℃，能够提供稳定的试验温度环境。温度传感器采用高精度的铂电阻温度计，直接测量超细丝的温度，确保温度测量的准确性。试验方案的设计充分考虑了各种因素对NiTiSMA超细丝力学性能的影响，以全面、准确地获取超细丝的力学性能参数。在不同温度条件下进行拉伸试验，设置的温度点为-20℃、0℃、20℃、40℃、60℃。通过将超细丝置于恒温箱中，稳定一段时间后，使其达到设定温度，再进行拉伸试验。在每个温度点下，以不同的拉伸速率进行试验，拉伸速率分别为0.01mm/min、0.1mm/min、1mm/min。通过改变拉伸速率，研究应变速率对超细丝力学性能的影响。在拉伸过程中，实时测量超细丝的电阻变化，记录电阻与应变、温度之间的关系。对每个试验条件下的超细丝进行多次重复试验，以减小试验误差，提高试验数据的可靠性。2.2试验结果及分析2.2.1训练次数对力学性能的影响训练次数对NiTiSMA超细丝的力学性能有着显著影响。通过对不同训练次数下超细丝的力学性能指标进行测试与分析，发现随着训练次数的增加，超细丝的形状记忆效应和超弹性特性呈现出规律性的变化。在训练初期，随着训练次数的逐渐增多，超细丝的回复应变逐渐增大，表明其形状记忆效应逐渐增强。这是因为在训练过程中，超细丝内部的马氏体变体不断进行重取向和调整，使得马氏体与奥氏体之间的相变更加稳定和可逆，从而提高了形状记忆效应。当训练次数达到一定程度后，回复应变的增长趋势逐渐趋于平缓，表明超细丝的形状记忆效应达到了一个相对稳定的状态。这是由于超细丝内部的组织结构在经过多次训练后已经基本稳定，进一步增加训练次数对马氏体变体的重取向和调整作用不再明显。训练次数对超细丝的超弹性性能也有显著影响。随着训练次数的增加，超细丝的超弹性应变逐渐增大，超弹性应力-应变曲线的平台段逐渐变长，表明其超弹性性能逐渐增强。这是因为在训练过程中，超细丝内部的位错密度逐渐增加，位错的运动和交互作用使得超细丝在受力时能够产生更大的弹性变形，从而提高了超弹性性能。当训练次数继续增加时，超弹性应变的增长趋势逐渐减缓，甚至出现略微下降的趋势。这可能是由于过多的训练导致超细丝内部的组织结构出现损伤和缺陷，影响了位错的运动和交互作用，从而降低了超弹性性能。2.2.2训练应变幅值对性能的影响训练应变幅值是影响NiTiSMA超细丝性能的另一个重要因素。研究不同训练应变幅值下超细丝的性能变化，对于深入理解超细丝的力学行为和优化其应用具有重要意义。当训练应变幅值较小时，超细丝的形状记忆效应和超弹性性能相对较弱。随着训练应变幅值的逐渐增大，超细丝的回复应变和超弹性应变均逐渐增大，表明其形状记忆效应和超弹性性能逐渐增强。这是因为较大的训练应变幅值能够促使超细丝内部的马氏体变体发生更充分的重取向和调整，增加位错密度，从而提高形状记忆效应和超弹性性能。当训练应变幅值超过一定范围时，超细丝的性能开始出现下降趋势。过大的训练应变幅值会导致超细丝内部产生大量的位错和缺陷，这些位错和缺陷会阻碍马氏体相变的进行，降低形状记忆效应和超弹性性能。过大的应变幅值还可能导致超细丝发生塑性变形，从而影响其性能的稳定性。在实际应用中，需要根据具体需求选择合适的训练应变幅值，以获得最佳的性能表现。一般来说，对于需要较高形状记忆效应和超弹性性能的应用场景，应选择适中的训练应变幅值；对于对性能稳定性要求较高的应用场景，则应避免过大的训练应变幅值。2.2.3单轴拉伸试验结果单轴拉伸试验是研究NiTiSMA超细丝力学性能的重要手段，通过对试验中应力-应变曲线的分析，可以深入了解超细丝在拉伸过程中的力学行为和性能变化规律。在单轴拉伸试验中，NiTiSMA超细丝的应力-应变曲线呈现出明显的特征。在弹性阶段，应力与应变呈线性关系，此时超细丝主要发生弹性变形，遵循胡克定律。随着应变的增加，当应力达到一定值时，曲线出现屈服平台，应力基本保持不变，而应变继续增加，这表明超细丝开始发生塑性变形，进入马氏体相变阶段。在马氏体相变过程中，超细丝的应力-应变曲线表现出明显的非线性特征。随着相变的进行，应力逐渐增加，应变也不断增大，直至马氏体相变结束。此时，超细丝进入应变强化阶段，应力随着应变的增加而迅速增加，表明超细丝的强度逐渐提高。当应力达到最大值后，超细丝开始出现颈缩现象，应力逐渐下降，直至断裂。通过对单轴拉伸试验结果的分析，可以得出超细丝在拉伸过程中的力学性能变化规律。超细丝的弹性模量在弹性阶段保持不变，随着应变的增加，弹性模量逐渐降低，这是由于马氏体相变和塑性变形导致超细丝内部组织结构的变化。超细丝的屈服强度和抗拉强度随着训练次数和训练应变幅值的增加而呈现出先增加后减小的趋势。在适当的训练条件下，超细丝的强度得到提高，这是由于马氏体变体的重取向和位错密度的增加。当训练次数过多或训练应变幅值过大时，超细丝的强度会下降，这是由于内部组织结构的损伤和缺陷。2.2.4训练应变幅值对应用幅值范围的影响训练应变幅值与NiTiSMA超细丝的应用幅值范围密切相关，深入研究两者之间的关系，能够为超细丝在实际应用中的参数选择提供重要依据。随着训练应变幅值的增大，超细丝的应用幅值范围呈现出先增大后减小的趋势。在训练初期，适当增大训练应变幅值，能够使超细丝内部的马氏体变体充分重取向，增加位错密度，从而提高超细丝的形状记忆效应和超弹性性能，扩大其应用幅值范围。当训练应变幅值超过一定值时，超细丝内部会产生过多的位错和缺陷，导致马氏体相变的可逆性降低，形状记忆效应和超弹性性能下降，应用幅值范围也随之减小。在实际应用中，需要根据具体的工程需求和超细丝的性能特点，合理选择训练应变幅值，以确保超细丝能够在最佳的应用幅值范围内工作。对于一些对形状记忆效应和超弹性性能要求较高的应用场景，如航空航天领域的智能结构、生物医疗领域的微型医疗器械等，应选择适中的训练应变幅值，以获得较大的应用幅值范围和良好的性能稳定性。对于一些对性能要求相对较低的应用场景，可以适当增大训练应变幅值，以提高超细丝的工作效率和响应速度，但要注意控制训练应变幅值的上限，避免对超细丝的性能造成负面影响。2.2.5静置时效对力学性能稳定性的影响静置时效是影响NiTiSMA超细丝力学性能稳定性的关键因素之一，分析静置时效时间对超细丝力学性能稳定性的影响，对于保证超细丝在长期使用过程中的性能可靠性具有重要意义。随着静置时效时间的延长，NiTiSMA超细丝的力学性能会发生明显变化。在时效初期，超细丝的形状记忆效应和超弹性性能会逐渐增强，这是因为在静置过程中，超细丝内部的原子会发生扩散和重新排列，使得马氏体与奥氏体之间的界面更加稳定，相变更加可逆，从而提高了形状记忆效应和超弹性性能。当静置时效时间超过一定值后，超细丝的力学性能开始逐渐下降。这是由于长时间的静置会导致超细丝内部产生析出相，这些析出相会阻碍马氏体相变的进行，降低超细丝的形状记忆效应和超弹性性能。长时间的时效还可能导致超细丝内部的位错发生运动和交互作用，形成位错胞等缺陷结构，进一步降低超细丝的力学性能。为保证NiTiSMA超细丝力学性能的长期稳定，可采取以下措施。在超细丝的制备过程中，合理控制合金成分和热处理工艺，减少析出相的形成，提高超细丝的组织结构稳定性。在超细丝的使用过程中，尽量缩短静置时效时间，避免超细丝长时间处于静止状态。对于需要长期使用的超细丝，可定期进行加热处理，通过加热使超细丝内部的原子重新激活，消除析出相和位错等缺陷，恢复超细丝的力学性能。2.3本章小结本章通过精心设计的NiTiSMA超细丝力学性能试验，深入探究了其力学性能，取得了一系列重要成果。在训练次数对力学性能的影响方面，发现随着训练次数增加，超细丝的回复应变和超弹性应变先增大后趋于稳定，形状记忆效应和超弹性特性得到增强，但过多训练次数会导致超弹性性能下降。训练应变幅值对性能的影响显著，适当增大训练应变幅值可增强形状记忆效应和超弹性性能，但过大的应变幅值会导致性能下降，还会影响应用幅值范围，使其先增大后减小。单轴拉伸试验中，NiTiSMA超细丝的应力-应变曲线呈现出明显的弹性阶段、屈服平台、马氏体相变阶段、应变强化阶段和颈缩断裂阶段，其弹性模量、屈服强度和抗拉强度随训练次数和训练应变幅值的变化而变化。静置时效对力学性能稳定性影响较大，时效初期性能增强，超过一定时间后性能下降，可通过控制合金成分、热处理工艺以及定期加热处理等措施保证力学性能的长期稳定。这些力学性能研究成果为后续电阻传感特性研究奠定了坚实基础。电阻传感特性与力学性能密切相关，超细丝在受力过程中的微观结构变化会同时影响其力学性能和电阻特性。通过对力学性能的深入了解，能够更好地理解电阻随应力、应变的变化机制，为建立准确的电阻传感特性理论模型提供关键依据，从而推动形状记忆合金超细丝在传感器等领域的应用发展。三、NiTiSMA超细丝电阻特性试验研究3.1SMA丝的应变传感模型SMA丝的应变传感基于其独特的物理特性。当SMA丝受到外力作用时，内部结构发生变化，导致其电阻值改变，这种变化与应变之间存在紧密联系。从微观层面看，SMA丝内部存在着马氏体和奥氏体两种相结构，在不同的温度和应力条件下，这两种相结构会发生相互转变，即马氏体相变。在应变过程中，马氏体变体的重新排列和位错运动等微观机制会影响电子的传导路径，进而导致电阻的变化。为了建立SMA丝应变传感模型，我们从基本的物理原理出发。根据电阻定律，电阻R与电阻率\rho、长度L以及横截面积A的关系为R=\rho\frac{L}{A}。当SMA丝受到应变\varepsilon时，其长度和横截面积会发生相应的变化。假设SMA丝在轴向受到均匀拉伸应变\varepsilon，根据材料力学的基本原理，长度变化量\DeltaL=L\varepsilon，新的长度L'=L+\DeltaL=L(1+\varepsilon)。对于横截面积，由于体积守恒，设初始体积V=AL，在应变后体积不变，即V=A'L'，所以A'=\frac{AL}{L'}=\frac{A}{1+\varepsilon}（这里假设材料在横向的泊松比为\nu=0.5，对于一般的金属材料，在小应变情况下，这个假设是合理的，若考虑更一般的情况，横截面积的变化公式会更复杂，但基本原理相同）。电阻率\rho也会随着应变发生变化，这主要是由于马氏体相变以及位错等微观结构的变化对电子散射的影响。根据实验研究和理论分析，电阻率的相对变化\frac{\Delta\rho}{\rho}与应变\varepsilon之间存在一定的函数关系，可表示为\frac{\Delta\rho}{\rho}=k\varepsilon，其中k为与材料特性相关的常数，它反映了电阻率对应变的敏感程度，与SMA丝的成分、微观结构以及相变特性等因素有关。例如，对于NiTiSMA丝，其k值会受到镍钛比例、晶体缺陷以及热处理工艺等因素的影响。综合考虑长度、横截面积和电阻率的变化，我们可以推导出SMA丝在应变\varepsilon作用下电阻的相对变化量\frac{\DeltaR}{R}。将L'、A'和\frac{\Delta\rho}{\rho}代入电阻定律公式中：\begin{align*}R'&=\rho'(1+\varepsilon)\frac{L}{\frac{A}{1+\varepsilon}}\\&=(\rho+\Delta\rho)(1+\varepsilon)^2\frac{L}{A}\\&=\rho(1+k\varepsilon)(1+\varepsilon)^2\frac{L}{A}\\\end{align*}\begin{align*}\frac{\DeltaR}{R}&=\frac{R'-R}{R}\\&=\frac{\rho(1+k\varepsilon)(1+\varepsilon)^2\frac{L}{A}-\rho\frac{L}{A}}{\rho\frac{L}{A}}\\&=(1+k\varepsilon)(1+\varepsilon)^2-1\\&=1+2\varepsilon+\varepsilon^2+k\varepsilon+2k\varepsilon^2+k\varepsilon^3-1\\&=(2+k)\varepsilon+(1+2k)\varepsilon^2+k\varepsilon^3\end{align*}在小应变情况下，\varepsilon^2和\varepsilon^3项相对于\varepsilon项非常小，可以忽略不计，因此电阻的相对变化量可以近似表示为\frac{\DeltaR}{R}\approx(2+k)\varepsilon。这个表达式即为SMA丝应变传感模型的基本形式，它表明在小应变范围内，SMA丝的电阻相对变化与应变成线性关系，比例系数为(2+k)，该系数综合反映了SMA丝的几何尺寸变化和电阻率变化对应变传感的影响。3.2电阻特性试验研究3.2.1试验设备选型与试样准备本试验设备的选型过程中，我们依据试验的高精度要求和超细丝的特殊性质，经过全面的市场调研和性能对比，最终确定了以下关键设备。采用美国吉时利（Keithley）公司生产的2450型源表，该设备具有出色的电压和电流测量精度，电压测量精度可达0.001%，电流测量精度为0.0001%，能够满足对超细丝微小电阻变化的精确测量需求。其输出范围也十分灵活，电压输出范围为-100V至100V，电流输出范围为-1A至1A，可根据试验需要提供合适的激励信号。2450型源表具备快速的数据采集和处理能力，能够在短时间内获取大量的电阻数据，提高试验效率。它还支持多种通信接口，如USB、LAN等，方便与计算机进行数据传输和控制。对于拉伸试验机，选用了日本岛津（Shimadzu）公司的AG-XPlus系列电子万能试验机。该试验机的载荷测量精度高达±0.5%FS，位移测量精度可达0.001mm，能够精确地施加拉伸载荷，并实时测量超细丝的拉伸位移和所受载荷。AG-XPlus系列电子万能试验机具有高度的稳定性和可靠性，其控制系统能够实现多种加载模式，如恒位移速率加载、恒载荷加载等，可满足不同试验条件下的需求。它还配备了先进的安全保护装置，确保试验过程的安全进行。温度控制系统采用德国贺利氏（Heraeus）公司的高精度恒温箱，其温度控制精度可达±0.1℃，能够为超细丝提供稳定且精确的温度环境。该恒温箱具有快速的升温、降温速度，能够在短时间内达到设定温度，并保持稳定。它还具备良好的隔热性能，减少热量散失，保证试验温度的准确性。在试样准备阶段，从专业材料供应商处采购了直径为50μm的NiTiSMA超细丝，该超细丝由高纯度的镍和钛元素组成，镍钛原子比精确控制在1:1左右，具有良好的形状记忆效应和超弹性特性。为了保证试验的准确性和重复性，对超细丝进行了严格的筛选和预处理。首先，使用高精度的显微镜对超细丝的表面质量进行检查，确保其表面光滑、无明显缺陷和杂质。对于表面存在瑕疵的超细丝，予以剔除。将筛选后的超细丝进行清洗和脱脂处理，去除表面的油污和杂质，以保证其电学性能不受影响。采用超声波清洗机，在丙酮溶液中对超细丝进行清洗，清洗时间为15分钟，然后用去离子水冲洗干净，并在干燥箱中以60℃的温度干燥2小时。为了便于试验过程中的电阻测量和拉伸操作，将清洗后的超细丝切割成长度为50mm的试样。使用高精度的细丝切割设备，通过精确控制切割参数，如切割速度、切割电流等，确保切割后的超细丝两端平整、无毛刺，避免对试验结果产生影响。在切割过程中，采用激光切割技术，该技术具有切割精度高、热影响区小等优点，能够最大限度地保持超细丝的原始性能。将切割好的超细丝试样的两端与铜电极进行焊接，以实现良好的电气连接。选用高纯度的无氧铜作为电极材料，其具有良好的导电性和化学稳定性，能够确保在试验过程中与超细丝形成稳定的电气连接。焊接过程在惰性气体保护氛围下进行，使用微焊接设备，精确控制焊接温度和焊接时间，保证焊接点牢固、光滑，电阻小。焊接温度控制在300℃至350℃之间，焊接时间为5秒至8秒，以确保焊接质量。焊接完成后，对焊接点进行检查，确保其无虚焊、短路等问题。3.2.2试验方案设计与实施本次试验方案设计紧密围绕研究目标，全面考虑了温度、应变等因素对NiTiSMA超细丝电阻特性的影响，以获取准确、全面的试验数据。将超细丝试样固定在拉伸试验机的夹具上，确保其轴向与拉伸方向一致，以保证拉伸过程的均匀性。在超细丝的两端连接好铜电极，并将电极与源表的测量端口相连，形成完整的电阻测量回路。将超细丝试样放入恒温箱中，设置恒温箱的温度为-20℃，待温度稳定后，保持15分钟，使超细丝达到设定温度。以0.01mm/min的拉伸速率对超细丝进行拉伸，同时使用源表实时测量超细丝的电阻变化。在拉伸过程中，每隔0.01mm记录一次电阻值和对应的拉伸位移，直至超细丝发生断裂，停止拉伸试验。按照上述步骤，依次在0℃、20℃、40℃、60℃的温度条件下进行拉伸试验，每个温度点重复试验3次，以减小试验误差，提高试验数据的可靠性。在不同温度条件下进行拉伸试验时，为了确保温度的准确性和稳定性，每次试验前都对恒温箱的温度进行校准，并在试验过程中使用高精度的温度传感器实时监测超细丝的温度。为了避免拉伸速率对试验结果的影响，在每次试验前都对拉伸试验机的拉伸速率进行校准，确保拉伸速率的准确性。在数据采集过程中，采用自动化的数据采集系统，避免人工读数带来的误差。在试验过程中，严格控制试验环境的稳定性，避免外界干扰对试验结果的影响。保持试验环境的温度和湿度恒定，温度控制在20℃±1℃，湿度控制在50%±5%。试验设备周围避免放置强电磁干扰源，如大型电机、变压器等，以确保源表测量数据的准确性。对试验过程中出现的异常情况进行详细记录，如超细丝的断裂位置、断裂方式等，以便后续对试验结果进行分析。3.2.3试验结果分析通过对不同温度和应变条件下的试验数据进行深入分析，我们揭示了NiTiSMA超细丝电阻特性的变化规律。在不同温度下，超细丝的电阻随应变的增加呈现出不同的变化趋势。在-20℃时，超细丝处于马氏体相，电阻随应变的增加呈现出近似线性的增长趋势。这是因为在马氏体相中，超细丝的晶体结构相对稳定，随着应变的增加，原子间的距离逐渐增大，电子散射增强，导致电阻逐渐增大。当应变达到一定程度后，电阻的增长速率略有减缓，这可能是由于马氏体变体的重取向逐渐趋于稳定，对电阻的影响减小。在20℃时，超细丝处于奥氏体与马氏体混合相，电阻随应变的变化呈现出非线性特征。在应变较小时，电阻增长较为缓慢，随着应变的增大，电阻增长速率逐渐加快。这是因为在混合相中，随着应变的增加，奥氏体向马氏体的转变逐渐加剧，导致电阻发生明显变化。在相变过程中，晶体结构的变化会引起电子态的改变，从而导致电阻的非线性变化。在40℃时，超细丝主要处于奥氏体相，电阻随应变的增加先缓慢增加，然后迅速增大。这是因为在奥氏体相中，应变首先导致晶格的弹性变形，电阻变化较小；当应变超过一定值后，位错运动加剧，晶体结构发生较大变化，电阻迅速增大。在60℃时，超细丝完全处于奥氏体相，电阻随应变的变化相对较为平稳，但在应变较大时，电阻仍会显著增加。这是因为在高温奥氏体相中，原子的热运动较为剧烈，位错的运动和交互作用相对较为复杂，导致电阻的变化相对平稳。当应变过大时，晶格的畸变加剧，电阻仍会明显增大。通过对不同温度下电阻-应变曲线的对比，可以发现温度对超细丝电阻特性的影响显著。随着温度的升高，电阻-应变曲线的斜率逐渐减小，表明超细丝的电阻对应变的敏感程度逐渐降低。这是因为温度升高会使超细丝内部的原子热运动加剧，晶格的稳定性增强，从而减小了应变对电阻的影响。温度的变化还会导致超细丝相变行为的改变，进而影响电阻特性。在相变温度附近，电阻会发生急剧变化，这为利用超细丝的电阻特性进行温度测量提供了理论依据。在相同温度下，超细丝的电阻变化率与应变之间存在一定的定量关系。通过对试验数据的拟合分析，得到了电阻变化率与应变的函数关系表达式。在小应变范围内，电阻变化率与应变成线性关系，其线性相关系数在0.98以上，表明在小应变情况下，可以用线性模型来描述电阻变化率与应变的关系。这一关系的确定，为基于NiTiSMA超细丝的应变传感器设计提供了重要的理论基础，有助于提高应变传感器的测量精度和可靠性。随着应变的增大，电阻变化率与应变的关系逐渐偏离线性，呈现出非线性特征。这是因为在大应变情况下，超细丝内部的微观结构发生了复杂的变化，如位错的大量增殖、马氏体变体的复杂重取向等，这些因素导致电阻的变化不再遵循简单的线性规律。在实际应用中，需要考虑这种非线性关系，通过建立更准确的数学模型来描述电阻变化率与应变的关系，以提高应变测量的准确性。3.3SMA超细丝应变传感模型建立与验证基于上述对SMA丝应变传感原理的深入分析，建立适用于SMA超细丝的应变传感模型。在小应变假设下，模型中电阻相对变化量与应变的线性关系为\frac{\DeltaR}{R}\approx(2+k)\varepsilon，但实际情况中，超细丝的性能会受到多种因素的影响，因此需要对模型进行进一步的优化。考虑到超细丝的微观结构对其电阻特性的影响，引入微观结构参数。通过高分辨率电子显微镜等先进技术对超细丝的微观结构进行分析，发现马氏体变体的尺寸和取向分布对电阻变化有显著影响。马氏体变体尺寸越小、取向越均匀，超细丝在应变过程中电阻变化越稳定。将马氏体变体的平均尺寸d和取向分布参数\theta引入模型，假设电阻相对变化量与这些微观结构参数之间存在如下关系：\frac{\DeltaR}{R}\approx(2+k)\varepsilon+\alpha\frac{d}{d_0}+\beta\cos\theta，其中\alpha和\beta为与材料特性相关的系数，d_0为马氏体变体的初始平均尺寸。为了验证所建立的应变传感模型的准确性，将模型预测值与试验测量值进行详细对比。从不同温度和应变条件下的试验数据中选取多个典型数据点，计算模型预测的电阻相对变化量，并与试验测量得到的电阻相对变化量进行比较。以-20℃、应变为0.01时的数据点为例，试验测量得到的电阻相对变化量为0.025，根据模型计算得到的预测值为0.023，相对误差为(\frac{0.025-0.023}{0.025})\times100\%=8\%。在不同温度和应变条件下的多个数据点上，模型预测值与试验测量值的相对误差大多控制在10%以内，表明模型能够较好地预测SMA超细丝在不同条件下的电阻变化。针对模型预测值与试验测量值之间的差异，进行深入分析。结果表明，差异主要来源于试验过程中的测量误差以及模型中未完全考虑的因素。试验过程中，电阻测量设备的精度限制、超细丝与电极之间的接触电阻变化等因素会导致测量误差。模型中虽然考虑了微观结构参数，但实际超细丝的微观结构复杂，可能存在其他未被考虑的因素影响电阻特性，如晶体缺陷、位错密度的不均匀分布等。为了进一步提高模型的准确性，后续研究可考虑采用更先进的测量技术，减小测量误差，并深入研究超细丝微观结构的复杂性，完善模型中对微观结构因素的考虑。3.4本章小结本章围绕NiTiSMA超细丝电阻特性展开深入研究，通过系统的试验与理论分析，获得了丰富且有价值的成果。在电阻特性试验方面，精心选择了美国吉时利2450型源表、日本岛津AG-XPlus系列电子万能试验机和德国贺利氏高精度恒温箱等先进设备，确保了试验数据的高精度获取。对直径50μm的NiTiSMA超细丝进行严格筛选和预处理，并采用激光切割和微焊接技术制作试样，保证了试样的质量和性能。在不同温度和应变条件下的试验结果表明，超细丝的电阻特性受温度和应变的影响显著。在不同温度下，电阻随应变的变化趋势各异，在-20℃马氏体相时近似线性增长，20℃混合相时呈非线性变化，40℃和60℃奥氏体相时变化特点也各不相同。温度升高，电阻-应变曲线斜率减小，电阻对应变的敏感程度降低。在相同温度下，小应变范围内电阻变化率与应变成线性关系，大应变时呈现非线性特征。基于试验结果建立的SMA超细丝应变传感模型，充分考虑了微观结构参数对电阻特性的影响，引入马氏体变体的平均尺寸和取向分布参数对模型进行优化。通过与试验数据对比，模型预测值与试验测量值的相对误差大多控制在10%以内，能较好地预测电阻变化，但仍存在差异，主要源于测量误差和模型未考虑的微观结构因素。本章研究成果具有重要意义，不仅揭示了NiTiSMA超细丝电阻特性的变化规律，为深入理解其内在物理机制提供了依据，还为基于NiTiSMA超细丝的传感器设计提供了关键的理论支持，有助于提高传感器的测量精度和可靠性，推动其在航空航天、生物医疗等领域的实际应用。四、基于人工神经网络的SMA超细丝特性模型的建立4.1SMA本构关系模型的研究现状SMA本构关系模型的研究对于深入理解形状记忆合金的力学行为和应用具有至关重要的意义。多年来，众多学者从不同角度构建了多种本构关系模型，这些模型在描述SMA的特性方面各有优劣。Tanaka模型于1979年由Tanaka提出，是较早建立的SMA本构关系模型之一。该模型基于能量守恒及Clausius-Duhem不等式，建立了Kirchhoff应力、Green应变、温度和反映相变过程的内变量之间的关系，推导了三维增量型的本构关系。Tanaka模型将描述形状记忆合金相变过程的内变量简化为一个，即马氏体体积百分数ξ，并根据Magee关于铁系合金马氏体相变的一维核动力学方程，推导了指数型的反映ξ变化规律的相变演化方程。该模型的优点在于其物理意义较为明确，能够较好地描述SMA在简单加载条件下的形状记忆效应和超弹性行为。在一些基础研究中，Tanaka模型为理解SMA的基本力学性能提供了重要的理论框架。它也存在一定的局限性，由于模型中假设材料参数为常数，在复杂加载和温度变化条件下，模型的准确性会受到影响，难以精确描述SMA的力学行为。Liang-Rogers模型是Liang和Rogers在1984年提出的，该模型以余弦型的相变演化方程代替Tanaka的指数型相变演化方程，并假设形状记忆合金材料的弹性模量、相变模量和热弹性模量为常数，通过实验来确定这些常数，由此得到了形状记忆合金一维全量型本构关系。Liang-Rogers模型的优势在于模型形式相对简单，计算过程较为便捷，在一些工程应用中能够快速地对SMA的力学性能进行估算。在一些对计算效率要求较高的初步设计阶段，该模型能够为工程师提供快速的参考。由于模型中对材料参数的假设较为理想化，在实际应用中，当材料性能随温度和应力变化较大时，模型的精度会受到限制，不能准确反映SMA在复杂工况下的力学行为。Brinson模型是Brinson在1993年基于Tanaka和Liang及Rogers的工作进一步发展而来的。该模型考虑到Tanaka模型和Liang-Rogers模型的局限性，将马氏体体积百分数ξ分成两部分，即由温度诱发的ξT和由应力诱发的ξσ，分别描述温度和应力对马氏体相变的影响。Brinson模型还引入了更多的材料参数，能够更全面地考虑材料的非线性特性和相变行为。在模拟NiTi形状记忆合金丝拉伸实验时，Brinson模型能够较好地模拟应力诱发马氏体、自由回复、受限回复和复合回复等力学行为，其模拟结果与实验结果较为接近，表明该模型在描述SMA复杂力学行为方面具有较高的准确性。Brinson模型也存在一些不足，由于模型中引入了较多的材料参数，这些参数的确定需要大量的实验数据，增加了模型应用的复杂性和成本。除了上述模型，还有一些其他的本构关系模型，如Boyd-Lagoudas模型等。这些模型在不同的方面对SMA的本构关系进行了改进和完善，为SMA的研究和应用提供了更多的选择。但每个模型都有其适用范围和局限性，在实际应用中需要根据具体情况选择合适的模型，以准确描述SMA的力学行为。4.2SMA超细丝神经网络本构关系模型4.2.1人工神经网络基本理论人工神经网络（ArtificialNeuralNetwork，ANN）是一种模拟人类大脑神经元结构和功能的信息处理系统，它由大量简单的处理单元（神经元）相互连接组成，通过对数据的学习和训练，能够实现对复杂模式的识别、预测和分类。从结构上看，人工神经网络通常由输入层、隐藏层和输出层组成。输入层负责接收外部数据，将其传递给隐藏层。隐藏层是神经网络的核心部分，包含多个神经元，这些神经元通过加权连接与输入层和输出层相连。不同隐藏层之间的神经元也相互连接，形成了复杂的网络结构。输出层则根据隐藏层的处理结果，输出最终的预测或分类结果。人工神经网络的工作原理基于神经元的激活函数和权重更新算法。当输入数据被送入神经网络时，每个神经元会根据输入信号和自身的权重计算出一个加权和。这个加权和经过激活函数的处理，得到神经元的输出。激活函数的作用是引入非线性因素，使得神经网络能够处理复杂的非线性问题。常见的激活函数有sigmoid函数、ReLU函数等。sigmoid函数能够将输入值映射到0到1之间，其公式为y=\frac{1}{1+e^{-x}}，在早期的神经网络中被广泛应用，尤其适用于需要将输出限制在一定区间的场景，如二分类问题。ReLU函数则更为简单直接，当输入值大于0时，输出等于输入值；当输入值小于等于0时，输出为0，即y=max(0,x)。ReLU函数在深度学习中表现出色，能够有效解决梯度消失问题，提高神经网络的训练效率。权重是神经网络中连接不同神经元的参数，它决定了输入信号对神经元输出的影响程度。在训练过程中，通过不断调整权重，使得神经网络的输出与实际标签之间的误差最小化。这一过程通常采用反向传播算法（Backpropagation）来实现。反向传播算法是一种基于梯度下降的优化算法，它通过计算误差对权重的梯度，沿着梯度的反方向更新权重，从而逐步减小误差。具体来说，反向传播算法首先计算输出层的误差，然后将误差反向传播到隐藏层，依次计算隐藏层的误差和梯度，最后根据梯度更新权重。通过多次迭代训练，神经网络能够逐渐学习到输入数据中的规律和模式，提高预测的准确性。人工神经网络在材料特性建模中具有显著优势。它能够高度逼近任意复杂的非线性函数，对于形状记忆合金超细丝这种具有复杂非线性力学和电学特性的材料，神经网络能够准确地捕捉到各种因素之间的复杂关系。与传统的基于物理模型的方法相比，人工神经网络不需要对材料的微观结构和物理机制有深入的了解，只需要通过大量的实验数据进行训练，就能够建立起准确的模型。神经网络还具有很强的泛化能力，能够对未见过的数据进行准确的预测和分析，为形状记忆合金超细丝的性能优化和应用提供了有力的支持。4.2.2多层向前神经网络BP模型多层向前神经网络BP（BackPropagation）模型是一种广泛应用的人工神经网络模型，它在处理复杂非线性关系方面具有强大的能力。BP模型的结构由输入层、一个或多个隐藏层以及输出层组成，各层之间通过权重相互连接。输入层负责接收外部数据，将数据传递给隐藏层。隐藏层是BP模型的关键部分，它能够对输入数据进行特征提取和非线性变换。隐藏层中的神经元通过权重与输入层和输出层相连，每个神经元都有一个激活函数，用于引入非线性因素。常见的隐藏层激活函数有sigmoid函数、tanh函数和ReLU函数等。sigmoid函数如前文所述，能够将输入值映射到0到1之间，它在早期的BP模型中被广泛应用，尤其适用于需要将输出限制在一定区间的问题，如二分类问题。tanh函数则将输入值映射到-1到1之间，其公式为y=\frac{e^{x}-e^{-x}}{e^{x}+e^{-x}}，tanh函数的输出均值为0，在一些需要零均值输出的场景中表现更好。ReLU函数在深度学习中备受青睐，它能够有效解决梯度消失问题，提高模型的训练效率，在隐藏层中能够快速筛选出有效的特征。输出层根据隐藏层的输出结果，产生最终的预测值。输出层的激活函数根据具体问题的类型而定，对于回归问题，通常使用线性激活函数，即输出值等于输入值；对于分类问题，常用softmax函数，它能够将输出值转化为概率分布，用于多分类任务。softmax函数的公式为y_i=\frac{e^{x_i}}{\sum_{j=1}^{n}e^{x_j}}，其中x_i是输入值，y_i是输出的概率值，n是类别数。BP模型的训练过程基于反向传播算法，这是一个不断迭代优化的过程。在训练开始时，随机初始化各层之间的权重。然后，将训练数据输入到模型中，通过前向传播计算出模型的输出值。将模型的输出值与实际标签进行比较，计算出误差。误差通过反向传播算法，从输出层依次传播到隐藏层和输入层，计算出每个权重对误差的梯度。根据梯度下降法，沿着梯度的反方向更新权重，以减小误差。这个过程不断重复，直到误差达到设定的阈值或达到最大迭代次数。在处理复杂非线性关系方面，BP模型展现出强大的能力。由于隐藏层的存在，BP模型能够自动学习输入数据中的复杂特征和模式，通过调整权重来逼近任意复杂的非线性函数。在预测形状记忆合金超细丝的电阻特性时，BP模型可以将温度、应变等因素作为输入，准确地预测出电阻的变化。BP模型也存在一些局限性。它对训练数据的依赖性较强，如果训练数据不足或质量不高，模型的性能会受到严重影响。BP模型容易陷入局部最优解，在训练过程中可能无法找到全局最优的权重值，导致模型的泛化能力下降。BP模型的训练时间较长，尤其是在处理大规模数据和复杂模型时，计算成本较高。4.2.3Levenberg-Marquardt算法Levenberg-Marquardt（LM）算法是一种用于解决非线性最小二乘问题的优化算法，在提高BP神经网络训练效率方面发挥着重要作用。其原理基于对高斯-牛顿算法和梯度下降法的融合改进。高斯-牛顿算法利用目标函数的二阶泰勒展开来近似求解非线性最小二乘问题。对于目标函数S(x)=\frac{1}{2}\sum_{i=1}^{m}[y_i-f_i(x)]^2，其中y_i是观测值，f_i(x)是模型预测值，x是参数向量，m是观测数据的数量。高斯-牛顿算法通过忽略二阶导数项，构建一个近似的二次函数来逼近目标函数，然后求解这个二次函数的最小值来更新参数x。该算法在接近最优解时收敛速度较快，因为它利用了函数的二阶信息，能够更准确地逼近目标函数的最小值。高斯-牛顿算法对初始值敏感，如果初始值远离最优解，可能会导致算法发散，无法收敛到正确的结果。梯度下降法则依赖于目标函数的一阶导数信息，通过在最陡下降方向上更新参数来减小误差的平方和。它的优点是具有全局收敛性，无论初始值如何，都能逐渐逼近最优解。在接近最优解时，梯度下降法的收敛速度较慢，因为它只考虑了函数的局部变化趋势，无法充分利用函数的全局信息。Levenberg-Marquardt算法通过引入阻尼因子\lambda，巧妙地在高斯-牛顿算法和梯度下降法之间进行插值。当阻尼参数\lambda很大时，算法趋向于梯度下降法。此时，步伐较小但方向稳定，因为梯度下降法在远离最优解时，能够保证算法朝着正确的方向前进，避免因大步长而跳过最优解。当\lambda较小时，算法趋向于高斯-牛顿法，利用二阶信息加快收敛速度。在接近最优解时，高斯-牛顿算法能够更准确地找到最小值，从而加快收敛。通过动态调整\lambda的大小，Levenberg-Marquardt算法能够在不同阶段选择最合适的优化策略，提高整体优化效率和稳定性。在BP神经网络训练中，Levenberg-Marquardt算法能够显著提高训练效率。传统的BP算法在训练过程中，由于采用简单的梯度下降法，容易陷入局部最优解，并且收敛速度较慢。而LM算法通过动态调整搜索方向和步长，能够更快地找到全局最优解，减少训练时间。在训练一个预测形状记忆合金超细丝电阻特性的BP神经网络时，使用LM算法可以使训练过程更快收敛，提高模型的训练效率和预测精度，为形状记忆合金超细丝特性模型的建立提供了更高效的优化方法。4.2.4BP神经网络模型的建立建立用于描述SMA超细丝特性的BP神经网络模型，需要精心确定输入层、隐藏层和输出层的节点数量以及它们之间的连接方式，并使用试验数据进行严格的训练和优化。在输入层节点数量的确定上，充分考虑影响SMA超细丝特性的关键因素。根据前文的试验研究和理论分析，选择温度、应变、训练次数、训练应变幅值以及静置时效时间作为输入参数。这些因素对SMA超细丝的力学性能和电阻特性有着显著影响。温度的变化会导致SMA超细丝内部的相变行为发生改变，从而影响其力学性能和电阻特性；应变的施加会使超细丝产生变形，进而改变其内部结构和电阻值；训练次数和训练应变幅值会影响超细丝内部马氏体变体的重取向和位错密度，对其形状记忆效应和超弹性性能产生重要影响；静置时效时间则会导致超细丝内部原子的扩散和重新排列，影响其力学性能的稳定性。因此，输入层节点数量确定为5个，分别对应这5个输入参数。隐藏层节点数量的选择对BP神经网络的性能至关重要。隐藏层节点数量过少，网络可能无法充分学习到输入数据中的复杂特征和模式，导致模型的拟合能力不足，无法准确描述SMA超细丝的特性。隐藏层节点数量过多，会增加模型的复杂度，导致训练时间延长，并且容易出现过拟合现象，使模型在训练数据上表现良好，但在测试数据上的泛化能力较差。通过多次试验和比较不同节点数量下模型的性能，最终确定隐藏层节点数量为10个。在这个节点数量下，模型能够在拟合能力和泛化能力之间取得较好的平衡，既能准确地学习到SMA超细丝特性与输入参数之间的复杂关系，又能对未见过的数据进行准确的预测。输出层节点数量根据具体的预测目标来确定。由于本研究旨在预测SMA超细丝的电阻值，所以输出层节点数量确定为1个。各层之间的连接方式采用全连接，即输入层的每个节点都与隐藏层的每个节点相连，隐藏层的每个节点也都与输出层的节点相连。这种连接方式能够充分传递信息，使神经网络能够全面地学习到输入参数与输出之间的关系。使用前文试验得到的不同温度、应变、训练次数、训练应变幅值以及静置时效时间下的SMA超细丝电阻数据对BP神经网络模型进行训练。在训练过程中，采用Levenberg-Marquardt算法对模型的权重和阈值进行优化。将试验数据分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的性能。训练过程中，不断调整模型的参数，使模型在训练集上的预测误差逐渐减小。当模型在训练集上的误差达到设定的阈值或达到最大迭代次数时，停止训练。然后，使用测试集对训练好的模型进行测试，评估模型的泛化能力和预测准确性。4.2.5预测结果分析将训练好的BP神经网络模型应用于预测SMA超细丝的电阻值，并与试验数据进行详细对比，以全面评估模型的预测精度和可靠性，深入分析误差产生的原因。通过对比神经网络模型预测结果和试验数据，发现模型在大部分情况下能够较好地预测SMA超细丝的电阻值。在不同温度和应变条件下，模型预测值与试验测量值的变化趋势基本一致。在低温马氏体相时，随着应变的增加，电阻值逐渐增大，模型能够准确地捕捉到这种变化趋势；在高温奥氏体相时，电阻值随应变的变化规律也能被模型较好地体现。这表明BP神经网络模型能够有效地学习到温度、应变等因素与电阻值之间的复杂非线性关系，具有较高的预测精度。模型预测结果与试验数据之间仍存在一定的误差。误差产生的原因是多方面的。试验过程中存在测量误差，电阻测量设备的精度限制、超细丝与电极之间的接触电阻变化以及温度和应变测量的误差等，都可能导致试验数据存在一定的偏差，从而影响模型的训练和预测精度。BP神经网络模型本身存在一定的局限性。虽然它能够逼近任意复杂的非线性函数，但在实际应用中，由于训练数据的有限性和模型结构的限制，可能无法完全准确地描述SMA超细丝的特性。模型在训练过程中可能会陷入局部最优解，导致模型的性能无法达到最优。为了提高模型的预测精度，可以采取以下措施。进一步优化试验测量方法，采用更高精度的测量设备，减小测量误差。增加训练数据的数量和多样性，使模型能够学习到更全面的特征和模式。对BP神经网络模型进行改进，如调整隐藏层节点数量、选择更合适的激活函数或采用更先进的神经网络架构，以提高模型的性能和泛化能力。通过这些措施的实施，可以进一步提高BP神经网络模型对SMA超细丝电阻特性的预测精度和可靠性，为形状记忆合金超细丝的应用提供更有力的支持。4.3SMA超细丝神经网络电阻特性模型在建立SMA超细丝神经网络电阻特性模型时，将神经网络技术与电阻特性研究相结合，以实现对电阻特性的精准预测。基于前文对SMA超细丝电阻特性试验数据的分析，选取温度、应变、训练次数、训练应变幅值以及静置时效时间作为输入变量，这些因素对超细