Bedankt voor uw bezoek aan Nature.com. U gebruikt een browserversie met beperkte CSS-ondersteuning. Voor de beste ervaring raden wij u aan een bijgewerkte browser te gebruiken (of de compatibiliteitsmodus in Internet Explorer uit te schakelen). Om voortdurende ondersteuning te garanderen, tonen we de site bovendien zonder stijlen en JavaScript.
Sliders met drie artikelen per dia. Gebruik de knoppen Vorige en Volgende om door de dia's te bladeren, of de knoppen op de schuifregelaar aan het einde om door elke dia te bladeren.
Het effect van microstructuur op de vervormbaarheid van roestvrijstalen platen is een grote zorg voor plaatbewerkingsingenieurs. Voor austenitische staalsoorten leidt de aanwezigheid van vervormingsmartensiet (\({\alpha}^{^{\prime))\)-martensiet) in de microstructuur tot aanzienlijke verharding en een afname van de vervormbaarheid. In deze studie wilden we de vervormbaarheid van AISI 316 staalsoorten met verschillende martensitische sterktes evalueren met behulp van experimentele en kunstmatige intelligentiemethoden. In de eerste stap werd AISI 316-staal met een initiële dikte van 2 mm gegloeid en koudgewalst tot verschillende diktes. Vervolgens werd het relatieve martensietoppervlak gemeten door metallografisch testen. De vervormbaarheid van de gewalste platen werd bepaald met behulp van een halfrond barsttest om een spanningslimietdiagram (FLD) te verkrijgen. De gegevens die als resultaat van de experimenten worden verkregen, worden verder gebruikt om het kunstmatige neuro-fuzzy interferentiesysteem (ANFIS) te trainen en te testen. Na de ANFIS-training werden de door het neurale netwerk voorspelde dominante spanningen vergeleken met een nieuwe reeks experimentele resultaten. Uit de resultaten blijkt dat koudwalsen een negatief effect heeft op de vervormbaarheid van dit type roestvast staal, maar de sterkte van de plaat sterk verbetert. Bovendien laat ANFIS bevredigende resultaten zien in vergelijking met experimentele metingen.
Het vermogen om plaatmetaal te vormen, hoewel al tientallen jaren het onderwerp van wetenschappelijke artikelen, blijft een interessant onderzoeksgebied in de metallurgie. Nieuwe technische hulpmiddelen en rekenmodellen maken het gemakkelijker om potentiële factoren te vinden die de vervormbaarheid beïnvloeden. Het belangrijkste is dat het belang van microstructuur voor de vormlimiet de afgelopen jaren is onthuld met behulp van de Crystal Plasticity Finite Element Method (CPFEM). Aan de andere kant helpt de beschikbaarheid van scanning-elektronenmicroscopie (SEM) en elektronen-terugverstrooiingsdiffractie (EBSD) onderzoekers bij het observeren van de microstructurele activiteit van kristalstructuren tijdens vervorming. Het begrijpen van de invloed van verschillende fasen in metalen, korrelgrootte en oriëntatie, en microscopische defecten op korrelniveau is van cruciaal belang voor het voorspellen van de vervormbaarheid.
Het bepalen van de vervormbaarheid is op zichzelf een complex proces, omdat is aangetoond dat de vervormbaarheid sterk afhankelijk is van de paden 1, 2, 3. Daarom zijn de conventionele begrippen van de uiteindelijke vervormingsspanning onbetrouwbaar onder onevenredige belastingsomstandigheden. Aan de andere kant worden de meeste belastingspaden in industriële toepassingen geclassificeerd als niet-proportionele belasting. In dit opzicht moeten traditionele hemisferische en experimentele Marciniak-Kuchinsky (MK) methoden met voorzichtigheid worden gebruikt. De afgelopen jaren heeft een ander concept, het Fracture Limit Diagram (FFLD), de aandacht getrokken van veel vervormbaarheidsingenieurs. In dit concept wordt een schademodel gebruikt om de vervormbaarheid van platen te voorspellen. In dit opzicht wordt padonafhankelijkheid in eerste instantie meegenomen in de analyse en komen de resultaten goed overeen met de niet-geschaalde experimentele resultaten7,8,9. De vervormbaarheid van plaatmetaal hangt af van verschillende parameters en de verwerkingsgeschiedenis van de plaat, evenals van de microstructuur en fase van het metaal10,11,12,13,14,15.
Afhankelijkheid van de grootte is een probleem bij het overwegen van de microscopische kenmerken van metalen. Er is aangetoond dat in kleine vervormingsruimten de afhankelijkheid van trillings- en knikeigenschappen sterk afhangt van de lengteschaal van het materiaal16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Het effect van de korrelgrootte op de vervormbaarheid wordt in de industrie al lang onderkend. Yamaguchi en Mellor [31] bestudeerden het effect van korrelgrootte en -dikte op de trekeigenschappen van metalen platen met behulp van theoretische analyses. Met behulp van het Marciniac-model rapporteren ze dat onder biaxiale trekbelasting een afname van de verhouding tussen dikte en korrelgrootte leidt tot een afname van de trekeigenschappen van de plaat. Experimentele resultaten door Wilson et al. 32 bevestigden dat het reduceren van de dikte tot de gemiddelde korreldiameter (t/d) resulteerde in een afname van de biaxiale rekbaarheid van metalen platen met drie verschillende diktes. Ze concludeerden dat bij t/d-waarden van minder dan 20 merkbare inhomogeniteit in de vervorming en insnoering voornamelijk worden beïnvloed door individuele korrels in de dikte van de plaat. Ulvan en Koursaris33 bestudeerden het effect van de korrelgrootte op de algehele bewerkbaarheid van 304 en 316 austenitische roestvaste staalsoorten. Ze melden dat de vervormbaarheid van deze metalen niet wordt beïnvloed door de korrelgrootte, maar dat er wel kleine veranderingen in de trekeigenschappen kunnen worden waargenomen. Het is de toename van de korrelgrootte die leidt tot een afname van de sterkte-eigenschappen van deze staalsoorten. De invloed van de dislocatiedichtheid op de vloeispanning van nikkelmetalen laat zien dat de dislocatiedichtheid de vloeispanning van het metaal bepaalt, ongeacht de korrelgrootte34. Korrelinteractie en initiële oriëntatie hebben ook een grote invloed op de evolutie van de aluminiumtextuur, die werd onderzocht door Becker en Panchanadiswaran met behulp van experimenten en modellering van kristalplasticiteit . De numerieke resultaten in hun analyse komen goed overeen met experimenten, hoewel sommige simulatieresultaten afwijken van experimenten vanwege beperkingen van de toegepaste randvoorwaarden. Door kristalplasticiteitspatronen te bestuderen en experimenteel te detecteren, vertonen gewalste aluminiumplaten verschillende vervormbaarheid36. De resultaten toonden aan dat, hoewel de spanning-rekcurven van de verschillende platen vrijwel hetzelfde waren, er aanzienlijke verschillen waren in hun vervormbaarheid op basis van de initiële waarden. Amelirad en Assempour gebruikten experimenten en CPFEM om de spanning-rekcurven voor austenitische roestvrijstalen platen te verkrijgen37. Hun simulaties lieten zien dat de toename van de korrelgrootte in de FLD naar boven verschuift en een beperkende curve vormt. Bovendien onderzochten dezelfde auteurs het effect van korreloriëntatie en morfologie op de vorming van holtes 38 .
Naast de korrelmorfologie en oriëntatie in austenitisch roestvast staal is ook de toestand van tweelingen en secundaire fasen belangrijk. Twinning is het belangrijkste mechanisme voor het harden en vergroten van de rek in TWIP 39-staal. Hwang40 rapporteerde dat de vervormbaarheid van de TWIP-staalsoorten slecht was ondanks voldoende trekrespons. Het effect van deformatie twinning op de vervormbaarheid van austenitische staalplaten is echter nog niet voldoende onderzocht. Mishra et al. 41 bestudeerde austenitische roestvaste staalsoorten om twinning onder verschillende trekspanningspaden waar te nemen. Ze ontdekten dat tweelingen afkomstig kunnen zijn van vervalbronnen van zowel gegloeide tweelingen als de nieuwe generatie tweelingen. Er is waargenomen dat de grootste tweeling ontstaat onder biaxiale spanning. Bovendien werd opgemerkt dat de transformatie van austeniet in \({\alpha}^{^{\prime}}\)-martensiet afhankelijk is van het rekpad. Hong et al. 42 onderzochten het effect van spanningsgeïnduceerde twinning en martensiet op waterstofverbrossing over een reeks temperaturen bij het selectief lasersmelten van 316L austenitisch staal. Er werd waargenomen dat waterstof, afhankelijk van de temperatuur, defecten kon veroorzaken of de vervormbaarheid van 316L-staal kon verbeteren. Shen et al. 43 hebben experimenteel het volume van vervormingsmartensiet gemeten onder trekbelasting bij verschillende belastingssnelheden. Er werd gevonden dat een toename van de trekrek de volumefractie van de martensietfractie vergroot.
AI-methoden worden in de wetenschap en technologie gebruikt vanwege hun veelzijdigheid bij het modelleren van complexe problemen zonder toevlucht te nemen tot de fysieke en wiskundige grondslagen van het probleem44,45,46,47,48,49,50,51,52 Het aantal AI-methoden neemt toe . Moradi et al. 44 gebruikten machinale leertechnieken om de chemische omstandigheden te optimaliseren om fijnere nanosilicadeeltjes te produceren. Andere chemische eigenschappen beïnvloeden ook de eigenschappen van materialen op nanoschaal, wat in veel onderzoeksartikelen is onderzocht53. Ce et al. 45 gebruikte ANFIS om de vervormbaarheid van gewoon koolstofstaalplaat onder verschillende walsomstandigheden te voorspellen. Door koudwalsen is de dislocatiedichtheid in zacht staal aanzienlijk toegenomen. Gewoon koolstofstaal verschilt van austenitisch roestvrij staal wat betreft hun verhardings- en restauratieve mechanismen. Bij eenvoudig koolstofstaal treden geen fasetransformaties op in de metaalmicrostructuur. Naast de metaalfase worden de ductiliteit, breuk, bewerkbaarheid enz. van metalen ook beïnvloed door verschillende andere microstructurele kenmerken die optreden tijdens verschillende soorten warmtebehandeling, koudbewerking en veroudering54,55,56,57,58,59 ,60. , 61, 62. Onlangs hebben Chen et al. 63 bestudeerde het effect van koudwalsen op de vervormbaarheid van 304L-staal. Ze hielden alleen rekening met fenomenologische observaties in experimentele tests om het neurale netwerk te trainen in het voorspellen van vervormbaarheid. In het geval van austenitisch roestvast staal werken verschillende factoren samen om de trekeigenschappen van de plaat te verminderen. Lu et al.64 gebruikten ANFIS om het effect van verschillende parameters op het gatexpansieproces te observeren.
Zoals kort besproken in het bovenstaande overzicht, heeft het effect van microstructuur op het vormlimietdiagram weinig aandacht gekregen in de literatuur. Aan de andere kant moet rekening worden gehouden met veel microstructurele kenmerken. Daarom is het vrijwel onmogelijk om alle microstructurele factoren in analytische methoden op te nemen. In die zin kan het gebruik van kunstmatige intelligentie nuttig zijn. In dit opzicht onderzoekt deze studie het effect van één aspect van microstructurele factoren, namelijk de aanwezigheid van door spanning geïnduceerde martensiet, op de vervormbaarheid van roestvrijstalen platen. Deze studie verschilt van andere AI-studies wat betreft vervormbaarheid doordat de focus ligt op microstructurele kenmerken in plaats van alleen op experimentele FLD-curven. We probeerden de vervormbaarheid van 316 staal met verschillende martensietinhouden te evalueren met behulp van experimentele en kunstmatige intelligentiemethoden. In de eerste stap werd 316 staal met een initiële dikte van 2 mm gegloeid en koudgewalst tot verschillende diktes. Vervolgens werd met behulp van metallografische controle het relatieve martensietoppervlak gemeten. De vervormbaarheid van de gewalste platen werd bepaald met behulp van een halfrond barsttest om een spanningslimietdiagram (FLD) te verkrijgen. De van hem ontvangen gegevens werden later gebruikt om het kunstmatige neuro-fuzzy interferentiesysteem (ANFIS) te trainen en te testen. Na de ANFIS-training worden de voorspellingen van het neurale netwerk vergeleken met een nieuwe reeks experimentele resultaten.
De in dit onderzoek gebruikte metalen plaat van austenitisch roestvrij staal 316 heeft een chemische samenstelling zoals weergegeven in Tabel 1 en een initiële dikte van 1,5 mm. Uitgloeien bij 1050°C gedurende 1 uur, gevolgd door afschrikken met water om restspanningen in de plaat te verlichten en een uniforme microstructuur te verkrijgen.
De microstructuur van austenitische staalsoorten kan met behulp van verschillende etsmiddelen worden onthuld. Een van de beste etsmiddelen is 60% salpeterzuur in gedestilleerd water, geëtst bij 1 VDC gedurende 120 s38. Dit etsmiddel vertoont echter alleen korrelgrenzen en kan geen dubbele korrelgrenzen identificeren, zoals weergegeven in figuur la. Een ander etsmiddel is glycerolacetaat, waarin tweelinggrenzen goed zichtbaar zijn, maar korrelgrenzen niet, zoals weergegeven in figuur 1b. Bovendien kan na de transformatie van de metastabiele austenitische fase naar de \({\alpha }^{^{\prime}}\)-martensietfase worden gedetecteerd met behulp van het glycerolacetaat-etsmiddel, wat van belang is in de huidige studie.
Microstructuur van metalen plaat 316 na uitgloeien, weergegeven door verschillende etsmiddelen, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) in gedestilleerd water bij 1,5 V gedurende 120 s, en (b) 200x glycerylacetaat.
De gegloeide platen werden voor het oprollen in platen van 11 cm breed en 1 m lang gesneden. De koudwalserij beschikt over twee symmetrische rollen met een diameter van 140 mm. Het koudwalsproces veroorzaakt de transformatie van austeniet naar vervormingsmartensiet in 316 roestvrij staal. Zoeken naar de verhouding tussen de martensietfase en de austenietfase na koudwalsen door verschillende diktes. Op afb. 2 toont een voorbeeld van de microstructuur van plaatmetaal. Op afb. 2a toont een metallografisch beeld van een opgerold monster, gezien vanuit een richting loodrecht op het vel. Op afb. 2b Met behulp van ImageJ65-software is het martensitische gedeelte zwart gemarkeerd. Met behulp van de tools van deze open source software kan de oppervlakte van de martensietfractie worden gemeten. Tabel 2 toont de gedetailleerde fracties van de martensitische en austenitische fasen na walsen tot verschillende dikteverminderingen.
Microstructuur van een plaat van 316 L na walsen tot een diktevermindering van 50%, loodrecht op het vlak van de plaat gezien, 200 maal vergroot, glycerolacetaat.
De waarden weergegeven in Tabel 2 werden verkregen door het middelen van de gemeten martensietfracties over drie foto's genomen op verschillende locaties op hetzelfde metallografische exemplaar. Bovendien is in afb. 3 toont kwadratische aanpassingscurven om het effect van koudwalsen op martensiet beter te begrijpen. Er kan worden gezien dat er een bijna lineaire correlatie bestaat tussen het aandeel martensiet en de diktevermindering in de koudgewalste toestand. Een kwadratische relatie kan deze relatie echter beter weergeven.
Variatie in het aandeel martensiet als functie van de diktevermindering tijdens het koudwalsen van een aanvankelijk gegloeide 316 staalplaat.
De vormingslimiet werd geëvalueerd volgens de gebruikelijke procedure met behulp van hemisfeer-barsttests37,38,45,66. In totaal werden zes monsters vervaardigd door lasersnijden met de afmetingen getoond in figuur 4a als een reeks experimentele monsters. Voor elke toestand van de martensietfractie werden drie sets proefmonsters bereid en getest. Op afb. 4b toont gesneden, gepolijste en gemarkeerde monsters.
Nakazima-vormgeving beperkt de monstergrootte en de snijplank. (a) Afmetingen, (b) Gesneden en gemarkeerde exemplaren.
De test voor halfbolvormig ponsen werd uitgevoerd met behulp van een hydraulische pers met een voortbewegingssnelheid van 2 mm/s. De contactoppervlakken van de stempel en de plaat zijn goed gesmeerd om het effect van wrijving op de vormgrenzen te minimaliseren. Ga door met testen totdat er een aanzienlijke vernauwing of breuk in het monster wordt waargenomen. Op afb. Figuur 5 toont het vernietigde monster in de inrichting en het monster na testen.
De vormlimiet werd bepaald met behulp van een hemisferische barsttest, (a) testopstelling, (b) monsterplaat bij breuk in de testopstelling, (c) hetzelfde monster na testen.
Het door Jang67 ontwikkelde neuro-fuzzy-systeem is een geschikt hulpmiddel voor het voorspellen van de limietcurve van bladvorming. Dit type kunstmatig neuraal netwerk omvat de invloed van parameters met vage beschrijvingen. Dit betekent dat ze echte waarde kunnen krijgen in hun vakgebied. Waarden van dit type worden verder geclassificeerd op basis van hun waarde. Elke categorie heeft zijn eigen regels. Een temperatuurwaarde kan bijvoorbeeld elk reëel getal zijn, en afhankelijk van de waarde ervan kunnen temperaturen worden geclassificeerd als koud, gemiddeld, warm en heet. In dit opzicht is de regel voor lage temperaturen bijvoorbeeld de regel ‘draag een jas’ en de regel voor warme temperaturen ‘voldoende T-shirts’. Bij fuzzy logic zelf wordt de uitvoer geëvalueerd op nauwkeurigheid en betrouwbaarheid. De combinatie van neurale netwerksystemen met fuzzy logic zorgt ervoor dat ANFIS betrouwbare resultaten oplevert.
Figuur 6 van Jang67 toont een eenvoudig neuraal fuzzy netwerk. Zoals getoond heeft het netwerk twee inputs nodig; in ons onderzoek is de input het aandeel martensiet in de microstructuur en de waarde van kleine rek. Op het eerste analyseniveau worden invoerwaarden vervaagd met behulp van vage regels en lidmaatschapsfuncties (FC):
Voor \(i=1, 2\), aangezien wordt aangenomen dat de invoer twee beschrijvingscategorieën heeft. De MF kan elke driehoekige, trapeziumvormige, Gaussiaanse of andere vorm aannemen.
Op basis van de categorieën \({A}_{i}\) en \({B}_{i}\) en hun MF-waarden op niveau 2 worden enkele regels aangenomen, zoals weergegeven in Figuur 7. Hierin laag worden de effecten van de verschillende inputs op de een of andere manier gecombineerd. Hier worden de volgende regels gebruikt om de invloed van de martensietfractie en kleine rekwaarden te combineren:
De output \({w}_{i}\) van deze laag wordt de ontstekingsintensiteit genoemd. Deze ontstekingsintensiteiten worden in laag 3 genormaliseerd volgens de volgende relatie:
In laag 4 worden de Takagi- en Sugeno-regels67,68 meegenomen in de berekening om rekening te houden met de invloed van de initiële waarden van de invoerparameters. Deze laag heeft de volgende relaties:
De resulterende \({f}_{i}\) wordt beïnvloed door de genormaliseerde waarden in de lagen, wat het eindresultaat oplevert, de belangrijkste warp-waarden:
waarbij \(NR\) het aantal regels vertegenwoordigt. De rol van het neurale netwerk hier is om zijn interne optimalisatie-algoritme te gebruiken om onbekende netwerkparameters te corrigeren. De onbekende parameters zijn de resulterende parameters \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), en de parameters gerelateerd aan de MF worden beschouwd als een gegeneraliseerde vormfunctie van de windgong:
De vormlimietdiagrammen zijn afhankelijk van vele parameters, van de chemische samenstelling tot de vervormingsgeschiedenis van het plaatmetaal. Sommige parameters zijn gemakkelijk te evalueren, inclusief trekproefparameters, terwijl andere complexere procedures vereisen, zoals metallografie of bepaling van restspanning. In de meeste gevallen is het raadzaam om voor elke partij platen een reklimiettest uit te voeren. Soms kunnen echter andere testresultaten worden gebruikt om de vormlimiet te benaderen. Verschillende onderzoeken hebben bijvoorbeeld trekproefresultaten gebruikt om de vervormbaarheid van platen te bepalen69,70,71,72. Andere onderzoeken namen meer parameters mee in hun analyse, zoals korreldikte en -grootte31,73,74,75,76,77. Het is echter rekenkundig niet voordelig om alle toegestane parameters op te nemen. Het gebruik van ANFIS-modellen kan dus een redelijke aanpak zijn om deze problemen aan te pakken45,63.
In dit artikel werd de invloed van het martensietgehalte op het vormlimietdiagram van een 316 austenitische staalplaat onderzocht. In dit opzicht werd een dataset opgesteld met behulp van experimentele tests. Het ontwikkelde systeem heeft twee invoervariabelen: het aandeel martensiet gemeten in metallografische tests en het bereik van kleine technische spanningen. Het resultaat is een grote technische vervorming van de vormlimietcurve. Er zijn drie soorten martensitische fracties: fijne, medium en hoge fracties. Laag betekent dat het aandeel martensiet minder dan 10% bedraagt. Onder gematigde omstandigheden varieert het aandeel martensiet van 10% tot 20%. Hoge martensietwaarden worden beschouwd als fracties van meer dan 20%. Bovendien heeft secundaire rek drie verschillende categorieën tussen -5% en 5% nabij de verticale as, die worden gebruikt om FLD0 te bepalen. Positieve en negatieve bereiken zijn de andere twee categorieën.
De resultaten van de hemisferische test worden getoond in FIG. De figuur toont 6 vormdiagrammen van limieten, waarvan er 5 de FLD zijn van individuele gewalste platen. Gegeven een veiligheidspunt en de bovenste limietcurve die een limietcurve (FLC) vormt. Het laatste cijfer vergelijkt alle FLC's. Zoals uit de laatste figuur blijkt, vermindert een toename van het martensietaandeel in 316 austenitisch staal de vervormbaarheid van het plaatmetaal. Aan de andere kant verandert het vergroten van het aandeel martensiet de FLC geleidelijk in een symmetrische curve rond de verticale as. In de laatste twee grafieken is de rechterkant van de curve iets hoger dan de linkerkant, wat betekent dat de vervormbaarheid bij biaxiale spanning hoger is dan bij uniaxiale spanning. Bovendien nemen zowel kleine als grote technische spanningen vóór het insnoeren af met een toenemend aandeel martensiet.
316 vormt een limietcurve. Invloed van het aandeel martensiet op de vervormbaarheid van austenitische staalplaten. (veiligheidspunt SF, formatiegrenscurve FLC, martensiet M).
Het neurale netwerk werd getraind op 60 sets experimentele resultaten met martensietfracties van 7,8, 18,3 en 28,7%. Een dataset van 15,4% martensiet was gereserveerd voor het verificatieproces en 25,6% voor het testproces. De fout na 150 tijdperken bedraagt ongeveer 1,5%. Op afb. Figuur 9 toont de correlatie tussen de daadwerkelijke output (\({\epsilon }_{1}\), fundamentele technische werklast) die wordt geleverd voor training en testen. Zoals u kunt zien, voorspelt de getrainde NFS \({\epsilon} _{1}\) op bevredigende wijze voor plaatwerkonderdelen.
(a) Correlatie tussen voorspelde en werkelijke waarden na het trainingsproces, (b) Fout tussen voorspelde en werkelijke waarden voor de belangrijkste technische belastingen op de FLC tijdens training en verificatie.
Op een bepaald moment tijdens de training wordt het ANFIS-netwerk onvermijdelijk gerecycled. Om dit te bepalen wordt een parallelle controle uitgevoerd, een zogenaamde “check”. Als de validatiefoutwaarde afwijkt van de trainingswaarde, begint het netwerk opnieuw te trainen. Zoals weergegeven in figuur 9b is vóór tijdperk 150 het verschil tussen de leer- en validatiecurven klein en volgen ze grofweg dezelfde curve. Op dit punt begint de fout in het validatieproces af te wijken van de leercurve, wat een teken is van overfitting van ANFIS. Het ANFIS-netwerk voor ronde 150 blijft dus behouden met een fout van 1,5%. Vervolgens wordt de FLC-voorspelling voor ANFIS geïntroduceerd. Op afb. 10 toont de voorspelde en werkelijke curven voor de geselecteerde monsters die worden gebruikt in het trainings- en verificatieproces. Omdat de gegevens uit deze curven werden gebruikt om het netwerk te trainen, is het niet verrassend om zeer nauwkeurige voorspellingen te zien.
Werkelijke experimentele FLC- en ANFIS-voorspellende curven onder verschillende martensietinhoudsomstandigheden. Deze curven worden gebruikt in het trainingsproces.
Het ANFIS-model weet niet wat er met het laatste monster is gebeurd. Daarom hebben we ons getrainde ANFIS op FLC getest door monsters in te dienen met een martensietfractie van 25,6%. Op afb. 11 toont zowel de ANFIS FLC-voorspelling als de experimentele FLC. De maximale fout tussen de voorspelde waarde en de experimentele waarde is 6,2%, wat hoger is dan de voorspelde waarde tijdens training en validatie. Deze fout is echter een aanvaardbare fout in vergelijking met andere onderzoeken die FLC theoretisch voorspellen37.
In de industrie worden de parameters die de vervormbaarheid beïnvloeden beschreven in de vorm van een tong. Bijvoorbeeld: “grove korrel vermindert de vervormbaarheid” of “verhoogde koude bewerking vermindert FLC”. De input voor het ANFIS-netwerk wordt in de eerste fase ingedeeld in taalkundige categorieën, zoals laag, gemiddeld en hoog. Er zijn verschillende regels voor verschillende categorieën op het netwerk. Daarom kan dit type netwerk in de industrie zeer nuttig zijn als het gaat om het opnemen van verschillende factoren in de taalkundige beschrijving en analyse ervan. In dit werk hebben we geprobeerd rekening te houden met een van de belangrijkste kenmerken van de microstructuur van austenitisch roestvast staal om de mogelijkheden van ANFIS te kunnen gebruiken. De hoeveelheid door spanning geïnduceerde martensiet van 316 is een direct gevolg van de koude bewerking van deze inzetstukken. Door middel van experimenten en ANFIS-analyse is gebleken dat het verhogen van het aandeel martensiet in dit type austenitisch roestvast staal leidt tot een significante afname van de FLC van plaat 316, zodat het verhogen van het aandeel martensiet van 7,8% naar 28,7% de FLD0 van 0,35. tot respectievelijk 0,1. Aan de andere kant kan het getrainde en gevalideerde ANFIS-netwerk FLC voorspellen met behulp van 80% van de beschikbare experimentele gegevens met een maximale fout van 6,5%, wat een aanvaardbare foutmarge is vergeleken met andere theoretische procedures en fenomenologische relaties.
De datasets die in het huidige onderzoek zijn gebruikt en/of geanalyseerd, zijn op redelijk verzoek verkrijgbaar bij de respectieve auteurs.
Iftikhar, CMA, et al. Evolutie van daaropvolgende vloeipaden van geëxtrudeerde AZ31-magnesiumlegering “zoals het is” onder proportionele en niet-proportionele belastingspaden: CPFEM-experimenten en simulaties. intern J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evolutie van het daaropvolgende vloeioppervlak na plastische vervorming langs proportionele en niet-proportionele belastingspaden van de gegloeide AA6061-legering: experimenten en eindige elementenmodellering van kristalplasticiteit. intern J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Spanningstransiënten, werkverharding en aluminium r-waarden als gevolg van veranderingen in het spanningspad. intern J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Een nieuwe experimentele methode voor het bepalen van het beperkende vormgevingsdiagram, rekening houdend met het effect van normale druk. intern J. Alma mater. formulier. 15(1), 1 (2022).
Yang Z. et al. Experimentele kalibratie van ductiele breukparameters en reklimieten van AA7075-T6 plaatmetaal. J. Alma mater. proces. technologieën. 291, 117044 (2021).
Petrits, A. et al. Verborgen apparaten voor het oogsten van energie en biomedische sensoren op basis van ultraflexibele ferro-elektrische omzetters en organische diodes. Nationale gemeente. 12(1), 2399 (2021).
Basak, S. en Panda, SK Analyse van de insnoerings- en breukgrenzen van verschillende voorvervormde platen in polair effectieve plastische vervormingspaden met behulp van het Yld 2000–2d-opbrengstmodel. J. Alma mater. proces. technologieën. 267, 289–307 (2019).
Basak, S. en Panda, SK Breukvervormingen in anisotrope plaatmetalen: experimentele evaluatie en theoretische voorspellingen. interne J. Mecha. de wetenschap. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Experimenteel en theoretisch onderzoek naar het effect van het veranderen van het rektraject op het vormlimietdiagram AA5083. intern J. Adv. fabrikant. technologieën. 76 (5–8), 1343–1352 (2015).
Habibi, M. et al. Experimentele studie van de mechanische eigenschappen, vervormbaarheid en beperkende vormgevingsdiagrammen van wrijvingsroergelaste plano's. J. Maker. proces. 31, 310–323 (2018).
Habibi, M., et al. Rekening houdend met de invloed van buiging, wordt het limietdiagram gevormd door het MC-model te integreren in de eindige-elementenmodellering. proces. Bont Instituut. project. L 232(8), 625–636 (2018).
Posttijd: 08-jun-2023