Köszönjük, hogy meglátogatta a Nature.com oldalt. Olyan böngészőverziót használ, amely korlátozott CSS-támogatással rendelkezik. A legjobb élmény érdekében javasoljuk, hogy használjon frissített böngészőt (vagy tiltsa le a kompatibilitási módot az Internet Explorerben). Ezenkívül a folyamatos támogatás érdekében stílusok és JavaScript nélkül jelenítjük meg az oldalt.
Diánként három cikket mutató csúszkák. Használja a vissza és a következő gombokat a diák közötti mozgáshoz, vagy a végén lévő diavezérlő gombokat az egyes diák közötti mozgáshoz.
A mikroszerkezet hatása a rozsdamentes acéllemezek alakíthatóságára nagy gondot okoz a lemezmegmunkáló mérnökök számára. Ausztenites acélok esetében a deformációs martenzit (\({\alpha}^{^{\prime))\)-martenzit) jelenléte a mikroszerkezetben jelentős keményedéshez és az alakíthatóság csökkenéséhez vezet. Jelen tanulmányunkban a különböző martenzites szilárdságú AISI 316 acélok alakíthatóságának kísérleti és mesterséges intelligencia módszerekkel történő értékelését tűztük ki célul. Első lépésben 2 mm kezdeti vastagságú AISI 316 acélt hőkezeltek és hidegen hengereltek különböző vastagságokra. Ezt követően metallográfiai vizsgálattal megmértük a relatív deformáció martenzit területét. A hengerelt lemezek alakíthatóságát félgömb felszakítási teszttel határoztuk meg, hogy megkapjuk a deformációs határdiagramot (FLD). A kísérletek eredményeként kapott adatokat a továbbiakban a mesterséges neuro-fuzzy interferencia rendszer (ANFIS) betanítására és tesztelésére használják fel. Az ANFIS tréning után a neurális hálózat által megjósolt domináns törzseket összehasonlították egy új kísérleti eredményekkel. Az eredmények azt mutatják, hogy a hideghengerlés negatív hatással van az ilyen típusú rozsdamentes acél alakíthatóságára, de a lemez szilárdsága jelentősen javul. Ezenkívül az ANFIS kielégítő eredményeket mutat a kísérleti mérésekhez képest.
A fémlemezek alakításának képessége, bár évtizedek óta tudományos cikkek tárgya, továbbra is érdekes kutatási terület a kohászatban. Az új technikai eszközök és számítási modellek megkönnyítik az alakíthatóságot befolyásoló lehetséges tényezők felkutatását. A legfontosabb, hogy a mikrostruktúra fontossága az alakhatár szempontjából az elmúlt években a Crystal Plasticity Finite Element Method (CPFEM) segítségével derült ki. Másrészt a pásztázó elektronmikroszkóp (SEM) és az elektron-visszaszórás diffrakció (EBSD) elérhetősége segít a kutatóknak megfigyelni a kristályszerkezetek mikroszerkezeti aktivitását a deformáció során. A fémek különböző fázisai, a szemcseméret és -orientáció, valamint a szemcseszintű mikroszkopikus hibák megértése kritikus fontosságú az alakíthatóság előrejelzéséhez.
Az alakíthatóság meghatározása önmagában is összetett folyamat, mivel az alakíthatóság nagymértékben függ az 1., 2., 3. útvonaltól. Emiatt a végső formáló alakváltozás hagyományos fogalmai aránytalan terhelési körülmények között megbízhatatlanok. Másrészt az ipari alkalmazásokban a legtöbb terhelési útvonal nem arányos terhelésnek minősül. Ebben a tekintetben a hagyományos félgömb és kísérleti Marciniak-Kuchinsky (MK) módszereket4,5,6 óvatosan kell alkalmazni. Az elmúlt években egy másik koncepció, a Fracture Limit Diagram (FFLD) felkeltette sok alakíthatósági mérnök figyelmét. Ebben a koncepcióban egy sérülési modellt használnak a lap alakíthatóságának előrejelzésére. Ebben a tekintetben az útfüggetlenség kezdetben az elemzésben szerepel, és az eredmények jól egyeznek a skálázatlan kísérleti eredményekkel7,8,9. A fémlemez alakíthatósága több paramétertől és a lemez feldolgozási előzményétől, valamint a fém mikroszerkezetétől és fázisától függ10,11,12,13,14,15.
A méretfüggés problémát jelent a fémek mikroszkopikus jellemzőinek figyelembevételével. Kimutatták, hogy kis deformációs terekben a rezgési és kihajlási tulajdonságok függése erősen függ az anyag hosszskálájától16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. A szemcseméret alakíthatóságra gyakorolt hatását régóta felismerték az iparban. Yamaguchi és Mellor [31] elméleti elemzéssel tanulmányozta a szemcseméret és -vastagság hatását a fémlemezek szakítósajátosságaira. A Marciniac-modell segítségével arról számolnak be, hogy biaxiális húzóterhelés esetén a vastagság és a szemcseméret arányának csökkenése a lemez szakító tulajdonságainak csökkenéséhez vezet. Wilson és munkatársai kísérleti eredményei. 32 megerősítette, hogy a vastagság csökkentése az átlagos szemcseátmérőre (t/d) három különböző vastagságú fémlemez biaxiális nyújthatóságának csökkenését eredményezte. Arra a következtetésre jutottak, hogy 20-nál kisebb t/d értékeknél az észrevehető alakváltozási inhomogenitást és a nyakkivágást elsősorban a lemez vastagságában lévő egyes szemcsék befolyásolják. Ulvan és Koursaris33 tanulmányozta a szemcseméret hatását a 304 és 316 ausztenites rozsdamentes acélok általános megmunkálhatóságára. Beszámolnak arról, hogy ezeknek a fémeknek az alakíthatóságát a szemcseméret nem befolyásolja, de a szakító tulajdonságokban kismértékű változások láthatók. A szemcseméret növekedése az, ami ezen acélok szilárdsági jellemzőinek csökkenéséhez vezet. A diszlokációs sűrűség hatása a nikkel fémek áramlási feszültségére azt mutatja, hogy a diszlokációs sűrűség meghatározza a fém áramlási feszültségét, függetlenül a szemcsemérettől34. A szemcsekölcsönhatás és a kezdeti orientáció is nagy hatással van az alumínium textúra alakulására, amelyet Becker és Panchanadiswaran vizsgált kísérletekkel és a kristály plaszticitás modellezésével35. Elemzésükben kapott numerikus eredmények jól egyeznek a kísérletekkel, bár egyes szimulációs eredmények az alkalmazott peremfeltételek korlátai miatt eltérnek a kísérletektől. A kristály plaszticitási mintázatainak tanulmányozásával és kísérleti detektálásával a hengerelt alumíniumlemezek eltérő alakíthatóságot mutatnak36. Az eredmények azt mutatták, hogy bár a különböző lapok feszültség-nyúlás görbéi közel azonosak voltak, a kezdeti értékek alapján jelentős különbségek mutatkoztak az alakíthatóságukban. Amelirad és Assempour kísérleteket és CPFEM-et használt az ausztenites rozsdamentes acéllemezek feszültség-nyúlás görbéinek meghatározásához37. Szimulációik azt mutatták, hogy a szemcseméret növekedése felfelé tolódik el az FLD-ben, ami egy határgörbét alkot. Emellett ugyanezek a szerzők vizsgálták a szemcseorientáció és a morfológia hatását az üregek kialakulására 38 .
Az ausztenites rozsdamentes acélok szemcsemorfológiája és orientációja mellett az iker- és másodlagos fázisok állapota is fontos. A TWIP 39 acél edzésének és nyúlásának növelésének fő mechanizmusa az ikerszövetség. Hwang40 arról számolt be, hogy a TWIP acélok alakíthatósága a megfelelő húzási reakció ellenére gyenge volt. A deformációs ikerpárok hatását az ausztenites acéllemezek alakíthatóságára azonban nem vizsgálták kellőképpen. Mishra et al. 41 tanulmányozta az ausztenites rozsdamentes acélokat, hogy megfigyelje az ikerképződést különböző húzó alakváltozási útvonalak alatt. Azt találták, hogy az ikrek mind a lágyított ikrek, mind az új generációs ikrek bomlási forrásaiból származhatnak. Megfigyelték, hogy a legnagyobb ikrek kéttengelyű feszültség hatására alakulnak ki. Ezenkívül megjegyezték, hogy az ausztenit átalakulása \({\alpha}^{^{\prime}}\)-martenzitté az alakváltozási útvonaltól függ. Hong és mtsai. 42 vizsgálta a deformáció által kiváltott ikerpárosodás és a martenzit hatását a hidrogén ridegségére, különböző hőmérséklet-tartományokban 316 literes ausztenites acél szelektív lézeres olvasztásakor. Megfigyelték, hogy a hőmérséklettől függően a hidrogén meghibásodást okozhat vagy javíthatja a 316L-es acél alakíthatóságát. Shen és mtsai. 43 kísérletesen megmérte a deformációs martenzit térfogatát húzóterhelés mellett, különböző terhelési sebességeknél. Azt találtuk, hogy a húzófeszültség növekedése növeli a martenzit frakció térfogati hányadát.
Az AI-módszereket a tudományban és a technológiában alkalmazzák, mert sokoldalúak az összetett problémák modellezésére anélkül, hogy a probléma fizikai és matematikai alapjaihoz folyamodnának. . Moradi et al. 44 gépi tanulási technikákat használt a kémiai feltételek optimalizálására finomabb nanoszilícium-dioxid részecskék előállításához. Más kémiai tulajdonságok is befolyásolják a nanoméretű anyagok tulajdonságait, amit számos kutatási cikkben vizsgáltak53. Ce et al. 45 ANFIS-t használta a sima szénacél lemezek alakíthatóságának előrejelzésére különféle hengerlési körülmények között. A hideghengerlés következtében a lágyacél diszlokációs sűrűsége jelentősen megnőtt. Az egyszerű szénacélok keményedési és helyreállítási mechanizmusukban különböznek az ausztenites rozsdamentes acéloktól. Az egyszerű szénacélban a fém mikroszerkezetében nem történik fázisátalakítás. A fémfázis mellett a fémek hajlékonyságát, törését, megmunkálhatóságát stb. számos egyéb mikroszerkezeti jellemző is befolyásolja, amelyek különböző típusú hőkezelések, hidegmegmunkálás, öregedés során jelentkeznek54,55,56,57,58,59 ,60. , 61, 62. Nemrég Chen et al. 63 tanulmányozta a hideghengerlés hatását a 304L acél alakíthatóságára. A fenomenológiai megfigyeléseket csak kísérleti tesztekben vették figyelembe, hogy a neurális hálózatot a formálhatóság előrejelzésére képezzék. Valójában az ausztenites rozsdamentes acélok esetében több tényező együttesen csökkenti a lemez szakító tulajdonságait. Lu és munkatársai64 ANFIS segítségével figyelték meg a különböző paraméterek hatását a furattágulási folyamatra.
Amint azt a fenti áttekintésben röviden tárgyaltuk, a mikrostruktúra alakhatárdiagramra gyakorolt hatása kevés figyelmet kapott a szakirodalomban. Másrészt számos mikroszerkezeti jellemzőt kell figyelembe venni. Ezért szinte lehetetlen minden mikrostrukturális tényezőt bevonni az analitikai módszerekbe. Ebben az értelemben a mesterséges intelligencia alkalmazása előnyös lehet. Ebben a tekintetben ez a tanulmány a mikroszerkezeti tényezők egyik aspektusának, nevezetesen a feszültség által kiváltott martenzit jelenlétének hatását vizsgálja a rozsdamentes acéllemezek alakíthatóságára. Ez a tanulmány a formálhatóság tekintetében abban különbözik a többi mesterséges intelligencia-vizsgálattól, hogy a kísérleti FLD-görbék helyett a mikrostrukturális jellemzőkre összpontosít. Különböző martenzittartalmú 316-os acélok alakíthatóságát kísérleti és mesterséges intelligencia módszerekkel igyekeztünk értékelni. Első lépésben a 316-os acélt 2 mm-es kezdeti vastagsággal izzították és hidegen hengerelték különböző vastagságokra. Ezután metallográfiai vezérléssel megmértük a martenzit relatív területét. A hengerelt lemezek alakíthatóságát félgömb felszakítási teszttel határoztuk meg, hogy megkapjuk a deformációs határdiagramot (FLD). A tőle kapott adatokat később a mesterséges neuro-fuzzy interferencia rendszer (ANFIS) betanítására és tesztelésére használták fel. Az ANFIS képzés után a neurális hálózat előrejelzéseit összehasonlítják egy új kísérleti eredményekkel.
A jelen tanulmányban használt 316 ausztenites rozsdamentes acél fémlemez kémiai összetétele az 1. táblázatban látható, és a kezdeti vastagsága 1,5 mm. 1050 °C-on 1 órán át végzett izzítás, majd vízhűtés a lemezben lévő maradékfeszültségek enyhítése és az egységes mikrostruktúra kialakítása érdekében.
Az ausztenites acélok mikroszerkezete többféle maratószerrel is feltárható. Az egyik legjobb maratószer a 60%-os salétromsav desztillált vízben, 1 VDC-n 120 s38-on maratva. Ez a marató azonban csak szemcsehatárokat mutat, és nem tud kettős szemcsehatárokat azonosítani, amint az az 1a. ábrán látható. Egy másik maratószer a glicerin-acetát, amelyben az ikerhatárok jól láthatók, de a szemcsehatárok nem, amint azt az 1b. ábra mutatja. Ezen túlmenően, a metastabil ausztenites fázis \({\alpha }^{^{\prime}}\)-martenzit fázissá történő átalakulása után a glicerin-acetát maratószerrel kimutatható, ami a jelen tanulmány szempontjából érdekes.
A 316 fémlemez mikroszerkezete izzítás után, különböző maratószerekkel, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) desztillált vízben 1,5 V-on 120 másodpercig, és (b) 200x , gliceril-acetát.
Az izzított lapokat 11 cm széles és 1 m hosszú lapokra vágtuk hengerléshez. A hideghengerlő üzem két szimmetrikus, 140 mm átmérőjű hengerrel rendelkezik. A hideghengerlési folyamat a 316-os rozsdamentes acélban az ausztenit deformációs martenzitté alakul. Különböző vastagságú hideghengerlés után a martenzit fázis és az ausztenit fázis arányának keresése. ábrán. A 2. ábra fémlemez mikroszerkezetének mintáját mutatja. ábrán. A 2a. ábra egy hengerelt minta metallográfiai képe látható, a lemezre merőleges irányból nézve. ábrán. 2b. ábrán az ImageJ65 szoftverrel a martenzites rész feketével van kiemelve. Ennek a nyílt forráskódú szoftvernek az eszközeivel mérhető a martenzitfrakció területe. A 2. táblázat a martenzites és ausztenites fázis részletes frakcióit mutatja különböző vastagságcsökkentésekig történő hengerlés után.
316 L-es lemez mikroszerkezete hengerlés után 50%-os vastagságcsökkenésre, a lap síkjára merőlegesen nézve, 200-szoros nagyítással, glicerin-acetát.
A 2. táblázatban bemutatott értékeket a mért martenzitfrakciók átlagolásával kaptuk három, ugyanazon metallográfiai mintán különböző helyeken készült fényképen. Ezen túlmenően, az ábrán. A 3. ábra másodfokú illesztési görbéket mutat, hogy jobban megértsük a hideghengerlés martenzitre gyakorolt hatását. Látható, hogy a martenzit aránya és a vastagságcsökkenés között szinte lineáris összefüggés van a hidegen hengerelt állapotban. A négyzetes kapcsolat azonban jobban reprezentálja ezt a kapcsolatot.
A martenzit arányának változása a vastagságcsökkenés függvényében egy kezdetben izzított 316-os acéllemez hideghengerlése során.
A formálási határértéket a szokásos eljárás szerint, félgömbös repedési tesztekkel értékeltük ki37,38,45,66. Összesen hat mintát állítottunk elő lézervágással a 4a. ábrán látható méretekkel kísérleti mintakészletként. A martenzitfrakció minden állapotához három próbadarab-készletet készítettek és teszteltek. ábrán. A 4b. ábra vágott, polírozott és jelölt mintákat mutat be.
A Nakazima formázás korlátozza a minta méretét és a vágódeszkát. (a) Méretek, (b) Vágott és megjelölt minták.
A félgömb alakú lyukasztás vizsgálatát 2 mm/s haladási sebességű hidraulikus prés segítségével végeztük. A bélyeg és a lemez érintkezési felületei jól kenettek, hogy minimálisra csökkentsék a súrlódásnak az alakítási határokra gyakorolt hatását. Folytassa a vizsgálatot, amíg a mintában jelentős szűkületet vagy törést nem észlel. ábrán. Az 5. ábra a készülékben lévő megsemmisült mintát és a vizsgálat utáni mintát mutatja.
Az alakítási határt félgömb alakú felszakítási teszttel határoztuk meg, (a) tesztberendezéssel, (b) mintalemezzel a vizsgálóberendezésben, (c) ugyanazzal a mintával a vizsgálat után.
A Jang67 által kifejlesztett neuro-fuzzy rendszer alkalmas eszköz a levélképződési határgörbe előrejelzésére. Ez a fajta mesterséges neurális hálózat magában foglalja a homályos leírású paraméterek befolyását. Ez azt jelenti, hogy bármilyen valódi értéket kaphatnak a területükön. Az ilyen típusú értékeket értékük szerint tovább osztályozzák. Minden kategóriának megvannak a maga szabályai. Például egy hőmérsékleti érték tetszőleges valós szám lehet, és értékétől függően a hőmérséklet hideg, közepes, meleg és meleg kategóriába sorolható. Ebben a tekintetben például az alacsony hőmérsékletre vonatkozó szabály a „viseljen kabátot”, a melegre pedig az „elég póló”. Magában a fuzzy logikában a kimenetet a rendszer kiértékeli a pontosság és a megbízhatóság szempontjából. A neurális hálózati rendszerek fuzzy logikával való kombinációja biztosítja, hogy az ANFIS megbízható eredményeket adjon.
A Jang67 által biztosított 6. ábra egy egyszerű neurális fuzzy hálózatot mutat be. Amint látható, a hálózat két bemenetet vesz igénybe, vizsgálatunkban a bemenet a martenzit aránya a mikrostruktúrában és a kisebb feszültség értéke. Az elemzés első szintjén a bemeneti értékek fuzzy szabályok és tagsági függvények (FC) segítségével fuzzy lesznek:
\(i=1, 2\) esetén, mivel a bemenetnek két leírási kategóriája van. Az MF bármilyen háromszög, trapéz, Gauss vagy bármilyen más alakot felvehet.
A \({A}_{i}\) és \({B}_{i}\) kategóriák, valamint a 2. szintű MF-értékeik alapján néhány szabályt elfogadunk, amint az a 7. ábrán látható. rétegben, a különféle bemenetek hatásai valahogy kombinálódnak. Itt a következő szabályokat alkalmazzuk a martenzitfrakció és a kisebb alakváltozási értékek hatásának kombinálására:
Ennek a rétegnek a \({w}_{i}\) kimenetét gyújtási intenzitásnak nevezzük. Ezeket a gyújtási intenzitásokat a 3. rétegben normalizálják a következő összefüggés szerint:
A 4. rétegben a Takagi és Sugeno szabályok67,68 szerepelnek a számításban, hogy figyelembe vegyék a bemeneti paraméterek kezdeti értékeinek hatását. Ennek a rétegnek a következő kapcsolatai vannak:
Az eredményül kapott \({f}_{i}\) a rétegekben lévő normalizált értékek befolyásolják, ami a végső eredményt adja, a fő vetemítési értékeket:
ahol \(NR\) a szabályok számát jelenti. A neurális hálózat szerepe itt az, hogy belső optimalizáló algoritmusát használja az ismeretlen hálózati paraméterek javítására. Az ismeretlen paraméterek a kapott paraméterek \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), valamint az MF-hez kapcsolódó paraméterek általánosított szélcsengő alakfüggvénynek tekintendők:
Az alakhatár diagramok sok paramétertől függenek, a kémiai összetételtől a fémlemez alakváltozási történetéig. Egyes paraméterek könnyen értékelhetők, beleértve a szakítóvizsgálati paramétereket is, míg mások bonyolultabb eljárásokat igényelnek, mint például a metallográfia vagy a maradékfeszültség meghatározása. A legtöbb esetben ajánlatos minden egyes kötegnél nyúlási határvizsgálatot végezni. Néha azonban más vizsgálati eredmények is felhasználhatók az alakítási határ közelítésére. Például számos tanulmány használt szakítóvizsgálati eredményeket a lap alakíthatóságának meghatározására69, 70, 71, 72. Más tanulmányok több paramétert is bevontak elemzésükbe, például szemcsevastagságot és -méretet31,73,74,75,76,77. Számítási szempontból azonban nem előnyös az összes megengedett paraméter megadása. Így az ANFIS modellek használata ésszerű megközelítés lehet ezeknek a problémáknak a kezelésére45,63.
Ebben a cikkben a martenzittartalom hatását vizsgáltuk egy 316 ausztenites acéllemez alaki határdiagramjára. Ezzel kapcsolatban kísérleti tesztekkel adatsort készítettek. A kifejlesztett rendszernek két bemeneti változója van: a metallográfiai vizsgálatok során mért martenzit aránya és a kisméretű mérnöki alakzatok köre. Az eredmény az alakítási határgörbe jelentős mérnöki deformációja. A martenzites frakcióknak három típusa van: finom, közepes és magas frakció. Az alacsony azt jelenti, hogy a martenzit aránya kevesebb, mint 10%. Mérsékelt körülmények között a martenzit aránya 10% és 20% között mozog. A martenzit magas értékének a 20%-ot meghaladó frakciókat kell tekinteni. Ezenkívül a másodlagos alakváltozásnak három különálló kategóriája van -5% és 5% között a függőleges tengely közelében, amelyeket az FLD0 meghatározására használnak. A pozitív és negatív tartományok a másik két kategória.
A félgömbpróba eredményeit a 3. ábra mutatja. Az ábrán 6 határérték alakítási diagramja látható, amelyek közül 5 az egyes hengerelt lapok FLD-je. Adott egy biztonsági pont és annak felső határgörbéje, amely határgörbét (FLC) alkot. Az utolsó ábra az összes FLC-t összehasonlítja. Mint az utolsó ábrán látható, a 316-os ausztenites acélban a martenzit arányának növekedése csökkenti a fémlemez alakíthatóságát. Másrészt a martenzit arányának növelése az FLC-t fokozatosan a függőleges tengely körüli szimmetrikus görbévé alakítja. Az utolsó két grafikonon a görbe jobb oldala valamivel magasabban van, mint a bal, ami azt jelenti, hogy az alakíthatóság biaxiális feszültségben nagyobb, mint egytengelyű feszültségben. Ezen túlmenően, mind a kisebb, mind a nagyobb mérnöki alakzatok a nyakkivágás előtt csökkennek a martenzit arányának növekedésével.
316 határgörbét képezve. A martenzit arányának hatása az ausztenites acéllemezek alakíthatóságára. (SF biztonsági pont, FLC képződési határgörbe, martenzit M).
A neurális hálózatot 60 kísérleti eredményhalmazra képezték ki 7,8, 18,3 és 28,7%-os martenzitfrakciókkal. 15,4%-os martenzit adatsort tartottak fenn az ellenőrzési folyamathoz, 25,6%-ot pedig a tesztelési folyamathoz. A hiba 150 epocha után körülbelül 1,5%. ábrán. A 9. ábra a képzéshez és a teszteléshez biztosított tényleges kimenet (\({\epsilon }_{1}\), alapvető mérnöki munkaterhelés) közötti összefüggést mutatja. Mint látható, a képzett NFS kielégítően jósolja a \({\epsilon} _{1}\) értéket a fémlemez alkatrészekre.
(a) Korreláció az előrejelzett és a tényleges értékek között a betanítási folyamat után, (b) Hiba az FLC fő mérnöki terheléseinek előrejelzett és tényleges értékei között a képzés és az ellenőrzés során.
A képzés során az ANFIS hálózatot elkerülhetetlenül újrahasznosítják. Ennek megállapítására párhuzamos ellenőrzést hajtanak végre, amelyet „ellenőrzésnek” neveznek. Ha az érvényesítési hiba értéke eltér a betanítási értéktől, a hálózat újraképzésbe kezd. Amint a 9b. ábra mutatja, a 150. korszak előtt kicsi a különbség a tanulási és érvényesítési görbék között, és nagyjából ugyanazt a görbét követik. Ezen a ponton az érvényesítési folyamat hibája elkezd eltérni a tanulási görbétől, ami az ANFIS túlillesztésének a jele. Így a 150. forduló ANFIS hálózata 1,5%-os hibával megmarad. Ezután megjelenik az ANFIS FLC előrejelzése. ábrán. A 10. ábra a betanítási és ellenőrzési folyamatban használt kiválasztott minták előrejelzett és tényleges görbéit mutatja. Mivel ezeknek a görbéknek az adatait használták fel a hálózat betanításához, nem meglepő, hogy nagyon közeli előrejelzéseket figyelhetünk meg.
Aktuális kísérleti FLC és ANFIS prediktív görbék különböző martenzittartalom mellett. Ezeket a görbéket az edzési folyamatban használják.
Az ANFIS modell nem tudja, mi történt az utolsó mintával. Ezért a betanított ANFIS-t FLC-re teszteltük 25,6%-os martenzitfrakciójú minták benyújtásával. ábrán. A 11. ábra az ANFIS FLC előrejelzését, valamint a kísérleti FLC-t mutatja. A becsült érték és a kísérleti érték közötti maximális hiba 6,2%, ami magasabb, mint a betanítás és validálás során előrejelzett érték. Ez a hiba azonban tolerálható hiba más tanulmányokhoz képest, amelyek elméletileg megjósolják az FLC-t37.
Az iparban az alakíthatóságot befolyásoló paramétereket nyelv formájában írják le. Például „a durva szemcsék csökkentik az alakíthatóságot” vagy „a fokozott hidegmegmunkálás csökkenti az FLC-t”. Az ANFIS hálózatba bevitt bemeneteket az első szakaszban nyelvi kategóriákba sorolják, például alacsony, közepes és magas. A hálózat különböző kategóriáira eltérő szabályok vonatkoznak. Ezért az iparban az ilyen típusú hálózatok nagyon hasznosak lehetnek abból a szempontból, hogy több tényezőt is bevonnak nyelvi leírásukba és elemzésükbe. Ebben a munkában az ausztenites rozsdamentes acélok mikroszerkezetének egyik fő jellemzőjét igyekeztünk figyelembe venni az ANFIS lehetőségeinek kihasználása érdekében. A feszültség által kiváltott 316 martenzit mennyisége ezen betétek hideg megmunkálásának közvetlen következménye. Kísérletekkel és ANFIS elemzéssel azt találták, hogy a martenzit arányának növelése az ilyen típusú ausztenites rozsdamentes acélban a 316. lemez FLC-jének jelentős csökkenéséhez vezet, így a martenzit arányának 7,8%-ról 28,7%-ra történő növelése csökkenti a FLD0 0,35-től. 0,1-ig. Másrészt a betanított és validált ANFIS hálózat a rendelkezésre álló kísérleti adatok 80%-ának felhasználásával képes előre jelezni az FLC-t 6,5%-os maximális hibával, ami elfogadható hibahatár a többi elméleti eljáráshoz és fenomenológiai összefüggéshez képest.
A jelen tanulmányban használt és/vagy elemzett adatkészletek ésszerű kérésre hozzáférhetők a megfelelő szerzőktől.
Iftikhar, CMA és mtsai. Az extrudált AZ31 magnéziumötvözet későbbi hozampályáinak alakulása „ahogy van” arányos és nem arányos terhelési utak mellett: CPFEM kísérletek és szimulációk. belső J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. A lágyított AA6061 ötvözet képlékeny alakváltozását követő utólagos folyási felület alakulása arányos és nem arányos terhelési pályák mentén: kísérletek és a kristály plaszticitásának végeselemes modellezése. belső J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Stressz-tranziensek, munkakeményedés és alumínium r-értékek a deformációs útvonal változásai miatt. belső J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Új kísérleti módszer a határalakulási diagram meghatározására a normálnyomás hatását figyelembe véve. belső J. Alma mater. forma. 15. (1), 1. (2022).
Yang Z. et al. Az AA7075-T6 fémlemez képlékeny törési paramétereinek és alakváltozási határainak kísérleti kalibrálása. J. Alma mater. folyamat. technológiákat. 291, 117044 (2021).
Petrits, A. et al. Rejtett energiagyűjtő eszközök és orvosbiológiai érzékelők, amelyek ultrarugalmas ferroelektromos konvertereken és szerves diódákon alapulnak. Nemzeti kommuna. 12(1), 2399 (2021).
Basak, S. és Panda, SK Különféle előredeformált lemezek nyaki és törési határainak elemzése poláris effektív képlékeny alakváltozási pályákban az Yld 2000–2d hozammodell segítségével. J. Alma mater. folyamat. technológiákat. 267, 289–307 (2019).
Basak, S. and Panda, SK Fracture Deformations in Anizotropic Sheet Metals: Experimental Evaluation and Theoretical Predictions. belső J. Mecha. a tudomány. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Kísérleti és elméleti vizsgálata a deformációs pálya megváltoztatásának az AA5083 formázási határdiagramra gyakorolt hatásának. belső J. Adv. gyártó. technológiákat. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Súrlódásos keveréssel hegesztett nyersdarabok mechanikai tulajdonságainak, alakíthatóságának és határalakítási diagramjának kísérleti vizsgálata. J. Maker. folyamat. 31, 310–323 (2018).
Habibi, M. és mtsai. A hajlítás hatását figyelembe véve a határdiagram az MC modell végeselemes modellezésbe való beépítésével készül. folyamat. Szőrme Intézet. projektet. L 232 (8), 625–636 (2018).
Feladás időpontja: 2023-08-08