Hvala, ker ste obiskali Nature.com. Uporabljate različico brskalnika z omejeno podporo za CSS. Za najboljšo izkušnjo priporočamo, da uporabite posodobljen brskalnik (ali onemogočite način združljivosti v Internet Explorerju). Poleg tega, da zagotovimo stalno podporo, spletno mesto prikažemo brez slogov in JavaScripta.
Drsniki, ki prikazujejo tri članke na diapozitiv. Uporabite gumba za nazaj in naprej, da se premikate po diapozitivih, ali pa gumbe za krmiljenje diapozitivov na koncu, da se premikate po vsakem diapozitivu.
Vpliv mikrostrukture na sposobnost oblikovanja pločevine iz nerjavnega jekla je glavna skrb inženirjev za obdelavo pločevine. Pri avstenitnih jeklih prisotnost deformacijskega martenzita (\({\alpha}^{^{\prime))\)-martenzita v mikrostrukturi povzroči znatno utrjevanje in zmanjšanje sposobnosti oblikovanja. V tej študiji smo želeli ovrednotiti preoblikovalnost jekel AISI 316 z različnimi martenzitnimi trdnostmi z eksperimentalnimi metodami in metodami umetne inteligence. V prvem koraku je bilo jeklo AISI 316 z začetno debelino 2 mm žarjeno in hladno valjano na različne debeline. Nato je bila z metalografskim testiranjem izmerjena relativna deformacijska površina martenzita. Sposobnost oblikovanja valjanih pločevin je bila določena s testom porušitve hemisfere, da bi dobili diagram mejnih deformacij (FLD). Podatki, pridobljeni kot rezultat poskusov, se nadalje uporabljajo za usposabljanje in testiranje sistema umetnih nevro-mehkih motenj (ANFIS). Po usposabljanju ANFIS so prevladujoče seve, ki jih je predvidela nevronska mreža, primerjali z novim nizom eksperimentalnih rezultatov. Rezultati kažejo, da hladno valjanje negativno vpliva na preoblikovalnost te vrste nerjavnega jekla, vendar se trdnost pločevine močno izboljša. Poleg tega ANFIS kaže zadovoljive rezultate v primerjavi z eksperimentalnimi meritvami.
Sposobnost oblikovanja pločevine, čeprav je predmet znanstvenih člankov že desetletja, ostaja zanimivo področje raziskav v metalurgiji. Nova tehnična orodja in računalniški modeli olajšajo iskanje možnih dejavnikov, ki vplivajo na sposobnost oblikovanja. Najpomembneje je, da je bil pomen mikrostrukture za omejitev oblike razkrit v zadnjih letih z uporabo metode končnih elementov kristalne plastičnosti (CPFEM). Po drugi strani pa razpoložljivost vrstične elektronske mikroskopije (SEM) in difrakcije povratnega sipanja elektronov (EBSD) pomaga raziskovalcem opazovati mikrostrukturno aktivnost kristalnih struktur med deformacijo. Razumevanje vpliva različnih faz v kovinah, velikosti in orientacije zrn ter mikroskopskih napak na ravni zrn je ključnega pomena za napovedovanje oblikovanja.
Določanje preoblikovalnosti je samo po sebi zapleten proces, saj se je izkazalo, da je preoblikovalnost močno odvisna od poti 1, 2, 3. Zato so konvencionalne predstave o končni preoblikovalni deformaciji nezanesljive pri nesorazmernih pogojih obremenitve. Po drugi strani pa je večina poti obremenitve v industrijskih aplikacijah razvrščenih kot neproporcionalna obremenitev. V zvezi s tem je treba tradicionalne hemisferične in eksperimentalne metode Marciniak-Kuchinsky (MK) 4, 5, 6 uporabljati previdno. V zadnjih letih je še en koncept, diagram mejnih vrednosti zloma (FFLD), pritegnil pozornost mnogih inženirjev oblikovanja. V tem konceptu se model poškodb uporablja za napovedovanje oblikovanja pločevine. V zvezi s tem je neodvisnost poti na začetku vključena v analizo in rezultati se dobro ujemajo z neprimerjenimi eksperimentalnimi rezultati7,8,9. Sposobnost oblikovanja pločevine je odvisna od več parametrov in zgodovine obdelave pločevine ter od mikrostrukture in faze kovine10,11,12,13,14,15.
Odvisnost od velikosti je problem, če upoštevamo mikroskopske lastnosti kovin. Pokazalo se je, da je v majhnih deformacijskih prostorih odvisnost vibracijskih in uklonskih lastnosti močno odvisna od dolžinskega merila materiala16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Učinek velikosti zrn na sposobnost oblikovanja je v industriji že dolgo priznan. Yamaguchi in Mellor [31] sta s teoretično analizo proučevala vpliv velikosti in debeline zrn na natezne lastnosti kovinskih plošč. Z uporabo modela Marciniac poročajo, da pri dvoosni natezni obremenitvi zmanjšanje razmerja med debelino in velikostjo zrn povzroči zmanjšanje nateznih lastnosti pločevine. Eksperimentalni rezultati Wilson et al. 32 je potrdilo, da je zmanjšanje debeline na povprečni premer zrn (t/d) povzročilo zmanjšanje dvoosne razteznosti kovinskih plošč treh različnih debelin. Ugotovili so, da pri vrednostih t/d manj kot 20 na opazno deformacijsko nehomogenost in vratove vplivajo predvsem posamezna zrna v debelini pločevine. Ulvan in Koursaris33 sta proučevala vpliv velikosti zrn na celotno obdelovalnost avstenitnih nerjavnih jekel 304 in 316. Poročajo, da na sposobnost oblikovanja teh kovin ne vpliva velikost zrn, vendar je mogoče opaziti majhne spremembe v nateznih lastnostih. Povečanje velikosti zrn vodi do zmanjšanja trdnostnih lastnosti teh jekel. Vpliv gostote dislokacij na napetost tečenja kovin niklja kaže, da gostota dislokacij določa napetost tečenja kovine, ne glede na velikost zrn34. Interakcija zrn in začetna orientacija prav tako močno vplivata na razvoj teksture aluminija, kar sta raziskala Becker in Panchanadiswaran z uporabo poskusov in modeliranja kristalne plastičnosti35. Numerični rezultati v njihovi analizi se dobro ujemajo z eksperimenti, čeprav nekateri rezultati simulacij odstopajo od eksperimentov zaradi omejitev uporabljenih robnih pogojev. S preučevanjem vzorcev kristalne plastičnosti in eksperimentalnim odkrivanjem valjane aluminijaste plošče kažejo različno sposobnost oblikovanja36. Rezultati so pokazali, da čeprav so bile krivulje napetosti in deformacije različnih plošč skoraj enake, obstajajo pomembne razlike v njihovi preoblikovalnosti glede na začetne vrednosti. Amelirad in Assempour sta uporabila eksperimente in CPFEM za pridobitev krivulj napetosti in deformacije za avstenitne pločevine iz nerjavnega jekla37. Njihove simulacije so pokazale, da se povečanje velikosti zrn premakne navzgor v FLD in tvori omejevalno krivuljo. Poleg tega so isti avtorji raziskovali učinek orientacije in morfologije zrn na nastanek praznin 38 .
Poleg morfologije in orientacije zrn pri avstenitnih nerjavnih jeklih je pomembno tudi stanje dvojčkov in sekundarnih faz. Dvojenje je glavni mehanizem za utrjevanje in povečanje raztezka v jeklu TWIP 39. Hwang40 je poročal, da je bila sposobnost oblikovanja jekel TWIP slaba kljub zadostnemu nateznemu odzivu. Vendar pa učinek deformacijskega dvojjenja na preoblikovalnost avstenitnih jeklenih pločevin ni bil dovolj raziskan. Mishra et al. 41 je proučeval avstenitna nerjavna jekla, da bi opazoval dvojčenje pod različnimi potemi nateznih deformacij. Ugotovili so, da lahko dvojčki izvirajo iz virov razpada tako žarjenih dvojčkov kot nove generacije dvojčkov. Ugotovljeno je bilo, da največji dvojčki nastanejo pod dvoosno napetostjo. Poleg tega je bilo ugotovljeno, da je pretvorba avstenita v \({\alpha}^{^{\prime}}\)-martenzit odvisna od deformacijske poti. Hong et al. 42 raziskali učinek z deformacijami povzročenega dvojčkanja in martenzita na vodikovo krhkost v razponu temperatur pri selektivnem laserskem taljenju avstenitnega jekla 316L. Ugotovljeno je bilo, da lahko vodik, odvisno od temperature, povzroči okvaro ali izboljša sposobnost oblikovanja jekla 316L. Shen et al. 43 eksperimentalno izmeril volumen deformacijskega martenzita pod natezno obremenitvijo pri različnih stopnjah obremenitve. Ugotovljeno je bilo, da povečanje natezne deformacije poveča volumski delež martenzitne frakcije.
Metode umetne inteligence se uporabljajo v znanosti in tehnologiji zaradi njihove vsestranskosti pri modeliranju zapletenih problemov, ne da bi se zatekali k fizikalnim in matematičnim temeljem problema44,45,46,47,48,49,50,51,52 Število metod umetne inteligence narašča . Moradi idr. 44 je uporabil tehnike strojnega učenja za optimizacijo kemičnih pogojev za proizvodnjo finejših delcev nanosilicijevega dioksida. Tudi druge kemijske lastnosti vplivajo na lastnosti materialov v nanometrskem merilu, kar je bilo raziskano v številnih raziskovalnih člankih53. Ce et al. 45 je uporabil ANFIS za napovedovanje oblikovanja navadne pločevine iz ogljikovega jekla v različnih pogojih valjanja. Zaradi hladnega valjanja se je gostota dislokacij v mehkem jeklu znatno povečala. Navadna ogljikova jekla se od avstenitnih nerjavnih jekel razlikujejo po mehanizmu utrjevanja in obnavljanju. V enostavnem ogljikovem jeklu se fazne transformacije ne pojavljajo v kovinski mikrostrukturi. Poleg kovinske faze na duktilnost, lom, obdelovalnost itd. kovin vpliva tudi več drugih mikrostrukturnih značilnosti, ki se pojavijo med različnimi vrstami toplotne obdelave, hladne obdelave in staranja54,55,56,57,58,59 ,60. , 61, 62. Pred kratkim sta Chen et al. 63 preučevali učinek hladnega valjanja na preoblikovalnost jekla 304L. Upoštevali so fenomenološka opažanja samo v eksperimentalnih testih, da bi usposobili nevronsko mrežo za napovedovanje oblikovanja. Dejansko se v primeru avstenitnih nerjavnih jekel združi več dejavnikov, ki zmanjšajo natezne lastnosti pločevine. Lu et al.64 so uporabili ANFIS za opazovanje učinka različnih parametrov na proces širjenja lukenj.
Kot je na kratko razloženo v zgornjem pregledu, je bil učinek mikrostrukture na diagram mejnih oblik v literaturi deležen malo pozornosti. Po drugi strani pa je treba upoštevati številne mikrostrukturne značilnosti. Zato je v analizne metode skoraj nemogoče vključiti vse mikrostrukturne dejavnike. V tem smislu je uporaba umetne inteligence lahko koristna. V zvezi s tem ta študija raziskuje učinek enega vidika mikrostrukturnih dejavnikov, in sicer prisotnost martenzita, ki ga povzroča napetost, na sposobnost oblikovanja pločevine iz nerjavnega jekla. Ta študija se razlikuje od drugih študij umetne inteligence glede oblikovanja, saj je poudarek na mikrostrukturnih značilnostih in ne le na eksperimentalnih krivuljah FLD. Z eksperimentalnimi metodami in metodami umetne inteligence smo skušali ovrednotiti sposobnost oblikovanja jekla 316 z različnimi vsebnostmi martenzita. V prvem koraku je bilo jeklo 316 z začetno debelino 2 mm žarjeno in hladno valjano na različne debeline. Nato smo z metalografsko kontrolo izmerili relativno površino martenzita. Sposobnost oblikovanja valjanih pločevin je bila določena s testom porušitve hemisfere, da bi dobili diagram mejnih deformacij (FLD). Podatke, ki jih je prejel od njega, so kasneje uporabili za usposabljanje in testiranje sistema umetnih nevro-mehkih motenj (ANFIS). Po usposabljanju ANFIS se napovedi nevronske mreže primerjajo z novim nizom eksperimentalnih rezultatov.
Kovinska pločevina iz avstenitnega nerjavečega jekla 316, uporabljena v tej študiji, ima kemično sestavo, kot je prikazana v tabeli 1, in začetno debelino 1,5 mm. Žarjenje pri 1050 °C 1 uro, ki mu sledi kaljenje z vodo, da se razbremenijo preostale napetosti v plošči in pridobi enotna mikrostruktura.
Mikrostrukturo avstenitnih jekel lahko razkrijemo z uporabo več jedkalnikov. Eno najboljših jedkal je 60 % dušikova kislina v destilirani vodi, jedkano pri 1 VDC 120 s38. Vendar ta jedkalnik prikazuje samo meje zrn in ne more identificirati meja dvojnih zrn, kot je prikazano na sliki 1a. Drugo jedkalo je glicerol acetat, v katerem je mogoče dobro prikazati meje dvojčkov, meje zrn pa ne, kot je prikazano na sliki 1b. Poleg tega je mogoče po transformaciji metastabilne avstenitne faze v \({\alpha }^{^{\prime}}\)-martenzitno fazo zaznati z jedkalom za glicerol acetat, kar je zanimivo za trenutno študijo.
Mikrostruktura kovinske plošče 316 po žarjenju, prikazana z različnimi jedkalniki, (a) 200x, 60 % \({\mathrm{HNO}}_{3}\) v destilirani vodi pri 1,5 V za 120 s in (b) 200x , gliceril acetat.
Žarjene pločevine smo razrezali na plošče širine 11 cm in dolžine 1 m za valjanje. Hladna valjarna ima dva simetrična valja s premerom 140 mm. Postopek hladnega valjanja povzroči pretvorbo avstenita v deformacijski martenzit v nerjavnem jeklu 316. Iskanje razmerja med martenzitno fazo in avstenitno fazo po hladnem valjanju skozi različne debeline. Na sl. 2 prikazuje vzorec mikrostrukture pločevine. Na sl. 2a prikazuje metalografsko sliko valjanega vzorca, gledano iz smeri, ki je pravokotna na pločevino. Na sl. 2b z uporabo programske opreme ImageJ65 je martenzitni del poudarjen s črno. Z orodji te odprtokodne programske opreme je mogoče izmeriti površino frakcije martenzita. Tabela 2 prikazuje podrobne frakcije martenzitne in avstenitne faze po valjanju do različnih zmanjšanj debeline.
Mikrostruktura pločevine 316 L po valjanju do 50-odstotnega zmanjšanja debeline, gledano pravokotno na ravnino plošče, povečano 200-krat, glicerol acetat.
Vrednosti, predstavljene v tabeli 2, so bile pridobljene s povprečenjem izmerjenih frakcij martenzita na treh fotografijah, posnetih na različnih lokacijah na istem metalografskem vzorcu. Poleg tega je na sl. 3 prikazuje kvadratne prilegajoče krivulje za boljše razumevanje učinka hladnega valjanja na martenzit. Vidimo lahko, da obstaja skoraj linearna korelacija med deležem martenzita in zmanjšanjem debeline v hladno valjanem stanju. Vendar lahko kvadratno razmerje bolje predstavi to razmerje.
Sprememba deleža martenzita kot funkcija zmanjšanja debeline med hladnim valjanjem prvotno žarjene jeklene pločevine 316.
Meja oblikovanja je bila ovrednotena v skladu z običajnim postopkom z uporabo hemisfernih razpočnih testov37,38,45,66. Skupaj je bilo z laserskim rezanjem izdelanih šest vzorcev z dimenzijami, prikazanimi na sliki 4a, kot niz eksperimentalnih vzorcev. Za vsako stanje martenzitne frakcije so bili pripravljeni in testirani trije nizi preizkušancev. Na sl. 4b prikazuje rezane, polirane in označene vzorce.
Oblikovanje Nakazima omejuje velikost vzorca in desko za rezanje. (a) Mere, (b) Izrezani in označeni primerki.
Preizkus polkroglastega štancanja je bil izveden s hidravlično stiskalnico s hitrostjo premikanja 2 mm/s. Stične površine luknjača in pločevine so dobro namazane, da se zmanjša učinek trenja na meje oblikovanja. Nadaljujte s testiranjem, dokler na vzorcu ne opazite znatne zožitve ali zloma. Na sl. 5 prikazuje uničen vzorec v napravi in vzorec po testiranju.
Meja oblikovanja je bila določena z uporabo hemisferičnega preskusa porušitve, (a) preskusna naprava, (b) vzorčna plošča ob zlomu v preskusni napravi, (c) isti vzorec po testiranju.
Nevro-mehki sistem, ki ga je razvil Jang67, je primerno orodje za napoved mejne krivulje oblikovanja listov. Ta vrsta umetne nevronske mreže vključuje vpliv parametrov z nejasnimi opisi. To pomeni, da lahko na svojih področjih pridobijo kakršno koli resnično vrednost. Vrednosti te vrste so nadalje razvrščene glede na njihovo vrednost. Vsaka kategorija ima svoja pravila. Vrednost temperature je lahko na primer poljubno realno število in glede na njeno vrednost lahko temperature razvrstimo kot hladne, srednje, tople in vroče. V zvezi s tem je na primer pravilo za nizke temperature pravilo »oblecite jakno«, pravilo za tople temperature pa »dovolj majica«. V sami mehki logiki se izhod oceni glede točnosti in zanesljivosti. Kombinacija sistemov nevronske mreže z mehko logiko zagotavlja, da bo ANFIS zagotovil zanesljive rezultate.
Slika 6, ki jo je zagotovil Jang67, prikazuje preprosto nevronsko mehko mrežo. Kot je prikazano, ima mreža dva vhoda, v naši študiji je vhod delež martenzita v mikrostrukturi in vrednost manjše deformacije. Na prvi ravni analize so vhodne vrednosti mehke z uporabo mehkih pravil in članskih funkcij (FC):
Za \(i=1, 2\), ker se predpostavlja, da ima vnos dve kategoriji opisa. MF ima lahko poljubno trikotno, trapezoidno, Gaussovo ali katero koli drugo obliko.
Na podlagi kategorij \({A}_{i}\) in \({B}_{i}\) ter njihovih vrednosti MF na ravni 2 so sprejeta nekatera pravila, kot je prikazano na sliki 7. plasti, so učinki različnih vložkov nekako združeni. Tukaj se uporabljajo naslednja pravila za združevanje vpliva frakcije martenzita in vrednosti manjše deformacije:
Izhod \({w}_{i}\) te plasti se imenuje intenzivnost vžiga. Te intenzivnosti vžiga so normalizirane v plasti 3 v skladu z naslednjim razmerjem:
V sloju 4 sta v izračun vključena pravila Takagi in Sugeno67,68, da se upošteva vpliv začetnih vrednosti vhodnih parametrov. Ta plast ima naslednja razmerja:
Na rezultat \({f}_{i}\) vplivajo normalizirane vrednosti v plasteh, kar daje končni rezultat, glavne vrednosti deformacije:
kjer \(NR\) predstavlja število pravil. Vloga nevronske mreže je, da s svojim algoritmom notranje optimizacije popravi neznane parametre omrežja. Neznani parametri so nastali parametri \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) in parametri, povezani z MF veljajo za posplošeno funkcijo oblike vetrnih zvončkov:
Diagrami mejnih oblik so odvisni od številnih parametrov, od kemične sestave do zgodovine deformacij pločevine. Nekatere parametre je enostavno oceniti, vključno s parametri nateznega preskusa, medtem ko drugi zahtevajo bolj zapletene postopke, kot je metalografija ali določanje preostale napetosti. V večini primerov je priporočljivo izvesti test mejne napetosti za vsako serijo pločevine. Vendar pa je včasih mogoče za približek meje oblikovanja uporabiti druge rezultate preskusov. Na primer, več študij je uporabilo rezultate nateznih preskusov za določitev oblikovanja plošč69,70,71,72. Druge študije so v analizo vključile več parametrov, kot sta debelina in velikost zrn31,73,74,75,76,77. Vendar pa ni računsko ugodno vključiti vseh dovoljenih parametrov. Zato je lahko uporaba modelov ANFIS razumen pristop k reševanju teh vprašanj45,63.
V tem prispevku je bil raziskan vpliv vsebnosti martenzita na mejni diagram oblikovanja pločevine iz avstenitnega jekla 316. V zvezi s tem je bil z uporabo eksperimentalnih testov pripravljen nabor podatkov. Razviti sistem ima dve vhodni spremenljivki: delež martenzita, izmerjen pri metalografskih preizkusih, in obseg majhnih inženirskih deformacij. Rezultat je velika inženirska deformacija mejne krivulje oblikovanja. Poznamo tri vrste martenzitnih frakcij: fine, srednje in visoke frakcije. Nizka pomeni, da je delež martenzita manjši od 10 %. Pri zmernih pogojih se delež martenzita giblje od 10 % do 20 %. Visoke vrednosti martenzita se štejejo za frakcije več kot 20%. Poleg tega ima sekundarna deformacija tri različne kategorije med -5 % in 5 % blizu navpične osi, ki se uporabljajo za določanje FLD0. Pozitivni in negativni razponi sta drugi dve kategoriji.
Rezultati hemisferičnega testa so prikazani na sl. Na sliki je prikazanih 6 diagramov oblikovanja meja, od katerih je 5 FLD posameznih valjanih plošč. Dana je varnostna točka in njena zgornja mejna krivulja, ki tvori mejno krivuljo (FLC). Zadnja slika primerja vse FLC. Kot je razvidno iz zadnje slike, povečanje deleža martenzita v avstenitnem jeklu 316 zmanjša sposobnost oblikovanja pločevine. Po drugi strani pa povečanje deleža martenzita postopoma spremeni FLC v simetrično krivuljo okoli navpične osi. Na zadnjih dveh grafih je desna stran krivulje nekoliko višja od leve, kar pomeni, da je preoblikovalnost pri dvoosnem nategu večja kot pri enoosnem nategu. Poleg tega se z naraščajočim deležem martenzita zmanjšajo tako manjše kot velike inženirske obremenitve pred vratom.
316, ki tvori mejno krivuljo. Vpliv deleža martenzita na preoblikovalnost avstenitnih jeklenih pločevin. (varnostna točka SF, mejna krivulja nastajanja FLC, martenzit M).
Nevronska mreža je bila naučena na 60 nizih eksperimentalnih rezultatov z deleži martenzita 7,8, 18,3 in 28,7 %. Nabor podatkov 15,4 % martenzita je bil rezerviran za postopek preverjanja in 25,6 % za postopek testiranja. Napaka po 150 epohah je približno 1,5 %. Na sl. Slika 9 prikazuje korelacijo med dejanskim rezultatom (\({\epsilon }_{1}\), osnovna inženirska delovna obremenitev), zagotovljenim za usposabljanje in testiranje. Kot lahko vidite, usposobljeni NFS zadovoljivo napove \({\epsilon} _{1}\) za pločevinaste dele.
(a) Korelacija med predvidenimi in dejanskimi vrednostmi po procesu usposabljanja, (b) Napaka med predvidenimi in dejanskimi vrednostmi za glavne inženirske obremenitve FLC med usposabljanjem in preverjanjem.
Na neki točki med usposabljanjem se omrežje ANFIS neizogibno reciklira. Da bi to ugotovili, se izvede vzporedno preverjanje, imenovano "preverjanje". Če vrednost napake preverjanja odstopa od vrednosti usposabljanja, se omrežje začne ponovno usposabljati. Kot je prikazano na sliki 9b, je pred epoho 150 razlika med krivuljo učenja in potrjevanja majhna in sledita približno isti krivulji. Na tej točki začne napaka validacijskega procesa odstopati od krivulje učenja, kar je znak prekomernega opremljanja ANFIS. Tako je mreža ANFIS za krog 150 ohranjena z napako 1,5 %. Nato je uvedena napoved FLC za ANFIS. Na sl. 10 prikazuje predvidene in dejanske krivulje za izbrane vzorce, uporabljene v procesu usposabljanja in verifikacije. Ker so bili podatki iz teh krivulj uporabljeni za usposabljanje omrežja, ni presenetljivo opazovati zelo natančne napovedi.
Dejanske eksperimentalne napovedne krivulje FLC in ANFIS pri različnih pogojih vsebnosti martenzita. Te krivulje se uporabljajo v procesu usposabljanja.
Model ANFIS ne ve, kaj se je zgodilo z zadnjim vzorcem. Zato smo preizkusili naš usposobljeni ANFIS za FLC tako, da smo predložili vzorce z deležem martenzita 25,6 %. Na sl. 11 prikazuje napoved ANFIS FLC kot tudi eksperimentalni FLC. Največja napaka med napovedano vrednostjo in eksperimentalno vrednostjo je 6,2 %, kar je več od predvidene vrednosti med usposabljanjem in validacijo. Vendar je ta napaka sprejemljiva napaka v primerjavi z drugimi študijami, ki teoretično napovedujejo FLC37.
V industriji so parametri, ki vplivajo na sposobnost oblikovanja, opisani v obliki peresa. Na primer, "grobozrnatost zmanjša sposobnost oblikovanja" ali "povečana hladna obdelava zmanjša FLC". Vnos v omrežje ANFIS v prvi fazi je razvrščen v jezikovne kategorije, kot so nizka, srednja in visoka. Za različne kategorije v omrežju obstajajo različna pravila. Zato je v industriji ta vrsta omrežij lahko zelo uporabna z vidika vključitve več dejavnikov v njihov jezikovni opis in analizo. V tem delu smo poskušali upoštevati eno glavnih značilnosti mikrostrukture avstenitnih nerjavnih jekel, da bi izkoristili možnosti ANFIS. Količina martenzita 316, ki ga povzroči napetost, je neposredna posledica hladne obdelave teh ploščic. Z eksperimentiranjem in analizo ANFIS je bilo ugotovljeno, da povečanje deleža martenzita v tej vrsti avstenitnega nerjavnega jekla povzroči znatno zmanjšanje FLC plošče 316, tako da povečanje deleža martenzita s 7,8 % na 28,7 % zmanjša FLD0 od 0,35. do 0,1 oz. Po drugi strani pa lahko usposobljeno in validirano omrežje ANFIS napove FLC z uporabo 80 % razpoložljivih eksperimentalnih podatkov z največjo napako 6,5 %, kar je sprejemljiva meja napake v primerjavi z drugimi teoretičnimi postopki in fenomenološkimi razmerji.
Podatkovni nizi, uporabljeni in/ali analizirani v trenutni študiji, so na voljo pri zadevnih avtorjih na razumno zahtevo.
Iftikhar, CMA, et al. Razvoj kasnejših poti tečenja ekstrudirane magnezijeve zlitine AZ31, »kot je« pri proporcionalnih in neproporcionalnih poteh obremenitve: poskusi in simulacije CPFEM. notranji J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Razvoj kasnejše površine tečenja po plastični deformaciji vzdolž proporcionalnih in neproporcionalnih poti obremenjevanja žarjene zlitine AA6061: eksperimenti in modeliranje kristalne plastičnosti s končnimi elementi. interna J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Prehodni pojavi napetosti, delovno utrjevanje in vrednosti r aluminija zaradi sprememb deformacijske poti. notranji J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Nova eksperimentalna metoda za določanje mejnega diagrama oblikovanja ob upoštevanju učinka normalnega tlaka. interna J. Alma mater. obliki. 15(1), 1 (2022).
Yang Z. et al. Eksperimentalna kalibracija parametrov duktilnega loma in mejnih deformacij pločevine AA7075-T6. J. Alma mater. postopek. tehnologije. 291, 117044 (2021).
Petrits, A. et al. Skrite naprave za zbiranje energije in biomedicinski senzorji na osnovi ultrafleksibilnih feroelektričnih pretvornikov in organskih diod. Narodna komuna. 12 (1), 2399 (2021).
Basak, S. in Panda, SK. Analiza meja vratu in loma različnih predhodno deformiranih plošč v polarno učinkovitih poteh plastične deformacije z uporabo modela Yld 2000–2d donosa. J. Alma mater. postopek. tehnologije. 267, 289–307 (2019).
Basak, S. in Panda, SK Zlomne deformacije v anizotropnih pločevinah: Eksperimentalna ocena in teoretične napovedi. notranji J. Meha. znanost. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Eksperimentalna in teoretična študija učinka spreminjanja trajektorije deformacije na mejni diagram oblikovanja AA5083. notranji J. Adv. proizvajalec. tehnologije. 76 (5–8), 1343–1352 (2015).
Habibi, M. et al. Eksperimentalna študija mehanskih lastnosti, preoblikovanja in mejnega diagrama oblikovanja torno mešano varjenih surovcev. J. Maker. postopek. 31, 310–323 (2018).
Habibi, M., et al. Upoštevajoč vpliv upogiba se mejni diagram oblikuje z vključitvijo modela MC v modeliranje s končnimi elementi. postopek. Inštitut za krzno. projekt. L 232 (8), 625–636 (2018).
Čas objave: jun-08-2023