Hvala vam što ste posjetili Nature.com. Koristite verziju pretraživača sa ograničenom podrškom za CSS. Za najbolje iskustvo, preporučujemo da koristite ažurirani pretraživač (ili onemogućite način kompatibilnosti u Internet Exploreru). Osim toga, kako bismo osigurali stalnu podršku, prikazujemo stranicu bez stilova i JavaScripta.
Klizači koji prikazuju tri članka po slajdu. Koristite dugmad za nazad i sledeće da se krećete kroz slajdove ili dugmad kontrolora slajdova na kraju za kretanje kroz svaki slajd.
Utjecaj mikrostrukture na formabilnost limova od nehrđajućeg čelika je glavna briga za inženjere obrade lima. Kod austenitnih čelika, prisustvo deformacijskog martenzita (\({\alpha}^{^{\prime))\)-martenzita) u mikrostrukturi dovodi do značajnog stvrdnjavanja i smanjenja formabilnosti. U ovom istraživanju željeli smo eksperimentalnim metodama i metodama umjetne inteligencije procijeniti sposobnost oblikovanja čelika AISI 316 s različitim martenzitnim čvrstoćama. U prvom koraku, AISI 316 čelik početne debljine 2 mm je žaren i hladno valjan na različite debljine. Nakon toga, metalografskim ispitivanjem izmjerena je relativna površina martenzita deformacije. Formabilnost valjanih limova određena je ispitivanjem na pucanje hemisfere kako bi se dobio dijagram ograničenja deformacije (FLD). Podaci dobijeni kao rezultat eksperimenata se dalje koriste za obuku i testiranje sistema veštačkih neuro-fazi interferencija (ANFIS). Nakon ANFIS treninga, dominantni sojevi predviđeni neuronskom mrežom upoređeni su sa novim skupom eksperimentalnih rezultata. Rezultati pokazuju da hladno valjanje negativno utiče na formabilnost ove vrste nerđajućeg čelika, ali je čvrstoća lima znatno poboljšana. Osim toga, ANFIS pokazuje zadovoljavajuće rezultate u odnosu na eksperimentalna mjerenja.
Mogućnost formiranja lima, iako je tema naučnih članaka decenijama, ostaje zanimljiva oblast istraživanja u metalurgiji. Novi tehnički alati i računski modeli olakšavaju pronalaženje potencijalnih faktora koji utiču na formabilnost. Što je najvažnije, važnost mikrostrukture za granicu oblika otkrivena je posljednjih godina korištenjem metode konačnih elemenata kristalne plastičnosti (CPFEM). S druge strane, dostupnost skenirajuće elektronske mikroskopije (SEM) i difrakcije povratnog raspršivanja elektrona (EBSD) pomaže istraživačima da posmatraju mikrostrukturnu aktivnost kristalnih struktura tokom deformacije. Razumijevanje utjecaja različitih faza u metalima, veličine i orijentacije zrna, te mikroskopskih defekata na nivou zrna je ključno za predviđanje formabilnosti.
Određivanje formabilnosti je samo po sebi složen proces, jer se pokazalo da je sposobnost oblikovanja u velikoj mjeri ovisna o stazama 1, 2, 3. Stoga su konvencionalni pojmovi krajnjeg naprezanja oblikovanja nepouzdani pod nesrazmjernim uvjetima opterećenja. S druge strane, većina puteva opterećenja u industrijskim aplikacijama klasificirana je kao neproporcionalna opterećenja. U tom smislu, tradicionalne hemisferne i eksperimentalne metode Marciniak-Kuchinskyja (MK)4,5,6 treba koristiti s oprezom. Poslednjih godina, još jedan koncept, dijagram granica loma (FFLD), privukao je pažnju mnogih inženjera formabilnosti. U ovom konceptu, model oštećenja se koristi za predviđanje mogućnosti oblikovanja lima. S tim u vezi, neovisnost od putanje je inicijalno uključena u analizu i rezultati se dobro slažu sa neskalariranim eksperimentalnim rezultatima7,8,9. Formabilnost lima zavisi od nekoliko parametara i istorije obrade lima, kao i od mikrostrukture i faze metala10,11,12,13,14,15.
Ovisnost o veličini predstavlja problem kada se razmatraju mikroskopske karakteristike metala. Pokazalo se da u malim deformacionim prostorima zavisnost vibracionih i izvijajućih svojstava snažno zavisi od skale dužine materijala16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Utjecaj veličine zrna na formabilnost odavno je prepoznat u industriji. Yamaguchi i Mellor [31] proučavali su utjecaj veličine zrna i debljine na vlačna svojstva metalnih limova korištenjem teorijske analize. Koristeći Marciniacov model, oni izvještavaju da pod biaksijalnim vlačnim opterećenjem smanjenje omjera debljine i veličine zrna dovodi do smanjenja vlačnih svojstava lima. Eksperimentalni rezultati Wilson et al. 32 je potvrdilo da je smanjenje debljine na prosječni promjer zrna (t/d) rezultiralo smanjenjem biaksijalne rastezljivosti limova tri različite debljine. Zaključili su da pri t/d vrijednostima manjim od 20, na primjetnu deformacijsku nehomogenost i grlo uglavnom utiču pojedina zrna u debljini lima. Ulvan i Koursaris33 proučavali su utjecaj veličine zrna na ukupnu obradivost austenitnih nehrđajućih čelika 304 i 316. Oni navode da veličina zrna ne utiče na sposobnost oblikovanja ovih metala, ali se mogu vidjeti male promjene u vlačnim svojstvima. Povećanje veličine zrna dovodi do smanjenja karakteristika čvrstoće ovih čelika. Utjecaj gustine dislokacije na napon tečenja metala nikla pokazuje da gustina dislokacije određuje napon tečenja metala, bez obzira na veličinu zrna34. Interakcija zrna i početna orijentacija također imaju veliki utjecaj na evoluciju teksture aluminija, što su istraživali Becker i Panchanadiswaran koristeći eksperimente i modeliranje plastičnosti kristala35. Numerički rezultati u njihovoj analizi dobro se slažu s eksperimentima, iako neki rezultati simulacije odstupaju od eksperimenata zbog ograničenja primijenjenih rubnih uvjeta. Proučavanjem uzoraka plastičnosti kristala i eksperimentalnim otkrivanjem, valjani aluminijski limovi pokazuju različitu formabilnost36. Rezultati su pokazali da iako su krivulje naprezanje-deformacija različitih limova gotovo iste, postoje značajne razlike u njihovoj formabilnosti na temelju početnih vrijednosti. Amelirad i Assempour su koristili eksperimente i CPFEM da bi dobili krivulje naprezanje-deformacija za austenitne limove od nehrđajućeg čelika37. Njihove simulacije su pokazale da se povećanje veličine zrna pomiče prema gore u FLD-u, formirajući graničnu krivulju. Osim toga, isti autori su istraživali utjecaj orijentacije i morfologije zrna na formiranje šupljina 38 .
Pored morfologije i orijentacije zrna u austenitnim nerđajućim čelicima, važno je i stanje blizanaca i sekundarnih faza. Twinning je glavni mehanizam za kaljenje i povećanje istezanja TWIP 39 čelika. Hwang40 je izvijestio da je sposobnost oblikovanja TWIP čelika bila loša unatoč dovoljnoj vlačnoj reakciji. Međutim, učinak deformacijskog dvojenja na formabilnost austenitnih čeličnih limova nije dovoljno istražen. Mishra et al. 41 proučavao je austenitne nehrđajuće čelike kako bi promatrao bratimljenje pod različitim putevima vlačne deformacije. Otkrili su da blizanci mogu potjecati iz izvora raspadanja i žarenih blizanaca i nove generacije blizanaca. Uočeno je da se najveći blizanci formiraju pod biaksijalnom napetošću. Pored toga, uočeno je da transformacija austenita u \({\alpha}^{^{\prime}}\)-martenzit zavisi od putanje deformacije. Hong et al. 42 istraživao je učinak dvojenja i martenzita izazvanog deformacijom na vodikovu krtost u rasponu temperatura u selektivnom laserskom topljenju austenitnog čelika 316L. Uočeno je da, ovisno o temperaturi, vodik može uzrokovati kvar ili poboljšati formabilnost čelika 316L. Shen et al. 43 eksperimentalno je izmjeren volumen deformacijskog martenzita pod vlačnim opterećenjem pri različitim brzinama opterećenja. Utvrđeno je da povećanje vlačne deformacije povećava volumni udio martenzitne frakcije.
AI metode se koriste u nauci i tehnologiji zbog njihove svestranosti u modeliranju složenih problema bez pribjegavanja fizičkim i matematičkim osnovama problema44,45,46,47,48,49,50,51,52 Broj AI metoda se povećava . Moradi et al. 44 je koristilo tehnike mašinskog učenja za optimizaciju hemijskih uslova za proizvodnju finijih čestica nanosilikata. Ostala hemijska svojstva takođe utiču na svojstva materijala nanorazmera, što je istraženo u mnogim istraživačkim člancima53. Ce et al. 45 je koristio ANFIS za predviđanje mogućnosti oblikovanja običnog čeličnog lima od ugljičnog čelika u različitim uvjetima valjanja. Zbog hladnog valjanja, gustina dislokacije u mekom čeliku je značajno povećana. Obični ugljični čelici razlikuju se od austenitnih nehrđajućih čelika po mehanizmu očvršćavanja i obnavljanja. Kod jednostavnog ugljeničnog čelika, fazne transformacije se ne dešavaju u mikrostrukturi metala. Pored metalne faze, na duktilnost, lom, obradivost itd. metala utiče i nekoliko drugih mikrostrukturnih karakteristika koje se javljaju tokom različitih vrsta termičke obrade, hladne obrade i starenja54,55,56,57,58,59 ,60. , 61, 62. Nedavno, Chen et al. 63 proučavao je učinak hladnog valjanja na formabilnost čelika 304L. Uzeli su u obzir fenomenološka zapažanja samo u eksperimentalnim testovima kako bi obučili neuronsku mrežu da predvidi mogućnost oblikovanja. Zapravo, u slučaju austenitnih nehrđajućih čelika, nekoliko faktora se kombinuje kako bi se smanjila vlačna svojstva lima. Lu i saradnici64 su koristili ANFIS da posmatraju uticaj različitih parametara na proces širenja rupe.
Kao što je ukratko razmotreno u prethodnom pregledu, u literaturi je malo pažnje posvećeno uticaju mikrostrukture na dijagram ograničenja oblika. S druge strane, mnoge mikrostrukturne karakteristike moraju se uzeti u obzir. Stoga je gotovo nemoguće uključiti sve mikrostrukturne faktore u analitičke metode. U tom smislu, korištenje umjetne inteligencije može biti od koristi. S tim u vezi, ova studija istražuje učinak jednog aspekta mikrostrukturnih faktora, odnosno prisutnosti martenzita izazvanog naprezanjem, na formabilnost limova od nehrđajućeg čelika. Ova studija se razlikuje od drugih studija AI u pogledu formabilnosti po tome što je fokus na mikrostrukturnim karakteristikama, a ne samo na eksperimentalnim FLD krivuljama. Eksperimentalnim metodama i metodama umjetne inteligencije nastojali smo procijeniti sposobnost oblikovanja čelika 316 s različitim sadržajem martenzita. U prvom koraku, čelik 316 početne debljine 2 mm je žaren i hladno valjan na različite debljine. Zatim je pomoću metalografske kontrole izmjerena relativna površina martenzita. Formabilnost valjanih limova određena je ispitivanjem na pucanje hemisfere kako bi se dobio dijagram ograničenja deformacije (FLD). Podaci dobijeni od njega kasnije su korišćeni za obuku i testiranje sistema veštačkih neuro-fazi interferencija (ANFIS). Nakon ANFIS obuke, predviđanja neuronske mreže se upoređuju sa novim skupom eksperimentalnih rezultata.
316 austenitni lim od nehrđajućeg čelika korišten u ovoj studiji ima kemijski sastav kao što je prikazano u Tablici 1 i početnu debljinu od 1,5 mm. Žarenje na 1050°C u trajanju od 1 sata, nakon čega slijedi gašenje vodom kako bi se smanjila zaostala naprezanja u listu i dobila ujednačena mikrostruktura.
Mikrostruktura austenitnih čelika može se otkriti pomoću nekoliko jetkača. Jedan od najboljih jetkača je 60% azotne kiseline u destilovanoj vodi, ugraviran na 1 VDC za 120 s38. Međutim, ovaj nagrizač pokazuje samo granice zrna i ne može identificirati dvostruke granice zrna, kao što je prikazano na slici 1a. Drugi nagrizač je glicerol acetat, u kojem se granice blizanaca mogu dobro vizualizirati, ali granice zrna nisu, kao što je prikazano na slici 1b. Pored toga, nakon transformacije metastabilne austenitne faze u \({\alpha }^{^{\prime}}\)-martenzitnu fazu može se detektovati pomoću glicerol acetatnog jetkača, što je od interesa u trenutnoj studiji.
Mikrostruktura metalne ploče 316 nakon žarenja, prikazana raznim nagrizajima, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) u destilovanoj vodi na 1,5 V tokom 120 s, i (b) 200x , gliceril acetat.
Žareni limovi su rezani u listove širine 11 cm i dužine 1 m za valjanje. Postrojenje za hladno valjanje ima dva simetrična valjaka prečnika 140 mm. Proces hladnog valjanja uzrokuje transformaciju austenita u deformacijski martenzit u nehrđajućem čeliku 316. Traži se omjer martenzitne faze i austenitne faze nakon hladnog valjanja kroz različite debljine. Na sl. 2 prikazan je uzorak mikrostrukture lima. Na sl. 2a prikazuje metalografsku sliku valjanog uzorka, gledano iz smjera okomitog na lim. Na sl. 2b pomoću softvera ImageJ65, martenzitni dio je označen crnom bojom. Koristeći alate ovog softvera otvorenog koda, može se izmjeriti površina martenzitne frakcije. Tablica 2 prikazuje detaljne frakcije martenzitne i austenitne faze nakon valjanja na različite redukcije debljine.
Mikrostruktura lima od 316 L nakon valjanja do 50% smanjenja debljine, gledano okomito na ravan lima, uvećano 200 puta, glicerol acetat.
Vrijednosti prikazane u tablici 2. dobivene su usrednjavanjem izmjerenih frakcija martenzita na tri fotografije snimljene na različitim lokacijama na istom metalografskom uzorku. Osim toga, na sl. 3 prikazuje kvadratne krivulje uklapanja kako bi se bolje razumio učinak hladnog valjanja na martenzit. Može se vidjeti da postoji gotovo linearna korelacija između udjela martenzita i smanjenja debljine u hladno valjanom stanju. Međutim, kvadratni odnos može bolje predstaviti ovaj odnos.
Varijacija u udjelu martenzita kao funkcija smanjenja debljine tijekom hladnog valjanja inicijalno žarenog čeličnog lima 316.
Granica oblikovanja procijenjena je prema uobičajenoj proceduri korištenjem testova pucanja hemisfere37,38,45,66. Ukupno je šest uzoraka proizvedeno laserskim rezanjem dimenzija prikazanih na slici 4a kao skup eksperimentalnih uzoraka. Za svako stanje martenzitne frakcije pripremljena su i ispitana tri seta ispitnih uzoraka. Na sl. 4b prikazuje izrezane, polirane i označene uzorke.
Nakazima kalupljenje ograničava veličinu uzorka i dasku za rezanje. (a) Dimenzije, (b) Izrezani i označeni uzorci.
Ispitivanje hemisfernog probijanja izvedeno je pomoću hidrauličke preše sa brzinom kretanja od 2 mm/s. Kontaktne površine probijača i lima su dobro podmazane kako bi se smanjio učinak trenja na granice oblikovanja. Nastavite sa ispitivanjem sve dok se na uzorku ne uoči značajno sužavanje ili lomljenje. Na sl. 5 prikazuje uništeni uzorak u uređaju i uzorak nakon ispitivanja.
Granica oblikovanja određena je ispitivanjem hemisferičnog pucanja, (a) ispitnom opremom, (b) pločicom uzorka pri lomu u ispitnoj opremi, (c) istim uzorkom nakon ispitivanja.
Neuro-fuzzy sistem koji je razvio Jang67 je pogodan alat za predviđanje granične krive formiranja listova. Ova vrsta umjetne neuronske mreže uključuje utjecaj parametara sa nejasnim opisima. To znači da mogu dobiti bilo koju stvarnu vrijednost u svojim poljima. Vrijednosti ove vrste se dalje klasificiraju prema njihovoj vrijednosti. Svaka kategorija ima svoja pravila. Na primjer, vrijednost temperature može biti bilo koji realan broj, a ovisno o njenoj vrijednosti, temperature se mogu klasificirati na hladne, srednje, tople i vruće. S tim u vezi, na primjer, za niske temperature važi pravilo „obuci jaknu“, a za tople temperature „dosta majice“. U samoj fazi logike, izlaz se procjenjuje na tačnost i pouzdanost. Kombinacija sistema neuronske mreže sa fuzzy logikom osigurava da će ANFIS pružiti pouzdane rezultate.
Slika 6 koju je dao Jang67 prikazuje jednostavnu neuronsku rasplinutu mrežu. Kao što je prikazano, mreža ima dva ulaza, u našoj studiji ulaz je udio martenzita u mikrostrukturi i vrijednost manje deformacije. Na prvom nivou analize, ulazne vrijednosti se fuzzificiraju pomoću fuzzy pravila i funkcija članstva (FC):
Za \(i=1, 2\), budući da se pretpostavlja da ulaz ima dvije kategorije opisa. MF može poprimiti bilo koji trouglasti, trapezoidni, Gausov ili bilo koji drugi oblik.
Na osnovu kategorija \({A}_{i}\) i \({B}_{i}\) i njihovih MF vrijednosti na nivou 2, usvojena su neka pravila, kao što je prikazano na slici 7. U ovom sloja, efekti različitih ulaza su nekako kombinovani. Ovdje se sljedeća pravila koriste za kombiniranje utjecaja martenzitne frakcije i vrijednosti manjih deformacija:
Izlaz \({w}_{i}\) ovog sloja naziva se intenzitet paljenja. Ovi intenziteti paljenja su normalizovani u sloju 3 prema sledećem odnosu:
U sloju 4, Takagi i Sugeno pravila67,68 su uključena u proračun kako bi se uzeo u obzir utjecaj početnih vrijednosti ulaznih parametara. Ovaj sloj ima sljedeće odnose:
Na rezultirajuću \({f}_{i}\) utiču normalizirane vrijednosti u slojevima, što daje konačni rezultat, glavne vrijednosti warp-a:
gdje \(NR\) predstavlja broj pravila. Uloga neuronske mreže je da koristi svoj interni algoritam optimizacije za ispravljanje nepoznatih parametara mreže. Nepoznati parametri su rezultujući parametri \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), i parametri koji se odnose na MF smatraju se generaliziranom funkcijom oblika zvona vjetra:
Granični dijagrami oblika zavise od mnogih parametara, od hemijskog sastava do istorije deformacija lima. Neki parametri se lako procjenjuju, uključujući parametre zateznog ispitivanja, dok drugi zahtijevaju složenije postupke kao što su metalografija ili određivanje zaostalih naprezanja. U većini slučajeva, preporučljivo je provesti ispitivanje ograničenja naprezanja za svaku seriju lima. Međutim, ponekad se drugi rezultati testa mogu koristiti za aproksimaciju granice oblikovanja. Na primjer, nekoliko studija koristilo je rezultate vlačnog ispitivanja za određivanje mogućnosti oblikovanja lima69,70,71,72. Druge studije su uključile više parametara u svoju analizu, kao što su debljina i veličina zrna31,73,74,75,76,77. Međutim, nije računski korisno uključiti sve dozvoljene parametre. Stoga, korištenje ANFIS modela može biti razuman pristup rješavanju ovih problema45,63.
U ovom radu istražen je utjecaj sadržaja martenzita na dijagram granice oblikovanja austenitnog čeličnog lima 316. S tim u vezi, pripremljen je skup podataka korištenjem eksperimentalnih testova. Razvijeni sistem ima dvije ulazne varijable: udio martenzita izmjeren u metalografskim ispitivanjima i raspon malih inženjerskih deformacija. Rezultat je velika inženjerska deformacija granične krivulje formiranja. Postoje tri vrste martenzitnih frakcija: fine, srednje i visoke frakcije. Nizak znači da je udio martenzita manji od 10%. U umjerenim uvjetima, udio martenzita se kreće od 10% do 20%. Visoke vrijednosti martenzita smatraju se frakcijama većim od 20%. Osim toga, sekundarna deformacija ima tri različite kategorije između -5% i 5% u blizini vertikalne ose, koje se koriste za određivanje FLD0. Pozitivni i negativni rasponi su druge dvije kategorije.
Rezultati hemisfernog testa prikazani su na Sl. Na slici je prikazano 6 dijagrama oblikovanja granica, od kojih je 5 FLD pojedinačnih valjanih limova. Zadata sigurnosna tačka i njena gornja granična kriva formiraju graničnu krivu (FLC). Posljednja brojka upoređuje sve FLC. Kao što se može vidjeti iz posljednje slike, povećanje udjela martenzita u austenitnom čeliku 316 smanjuje sposobnost oblikovanja lima. S druge strane, povećanje udjela martenzita postepeno pretvara FLC u simetričnu krivu oko vertikalne ose. Na posljednja dva grafikona desna strana krivulje je nešto viša od lijeve, što znači da je oblikovnost kod dvoosnog zatezanja veća nego kod jednoosnog zatezanja. Osim toga, i manja i velika inženjerska naprezanja prije grlića se smanjuju s povećanjem udjela martenzita.
316 formirajući graničnu krivu. Utjecaj udjela martenzita na formabilnost austenitnih čeličnih limova. (sigurnosna tačka SF, granična kriva formacije FLC, martenzit M).
Neuronska mreža je obučena na 60 setova eksperimentalnih rezultata sa udjelom martenzita od 7,8, 18,3 i 28,7%. Skup podataka od 15,4% martenzita rezerviran je za proces verifikacije i 25,6% za proces testiranja. Greška nakon 150 epoha je oko 1,5%. Na sl. 9 prikazuje korelaciju između stvarnog učinka (\({\epsilon }_{1}\), osnovno inženjersko radno opterećenje) predviđenog za obuku i testiranje. Kao što možete vidjeti, obučeni NFS predviđa \({\epsilon} _{1}\) zadovoljavajuće za dijelove od lima.
(a) Korelacija između predviđenih i stvarnih vrijednosti nakon procesa obuke, (b) Greška između predviđenih i stvarnih vrijednosti za glavna inženjerska opterećenja na FLC tokom obuke i verifikacije.
U nekom trenutku tokom obuke, ANFIS mreža se neizbežno reciklira. Da bi se to utvrdilo, izvodi se paralelna provjera, nazvana "provjera". Ako vrijednost greške validacije odstupa od vrijednosti obuke, mreža počinje da se ponovno obučava. Kao što je prikazano na slici 9b, prije epohe 150, razlika između krivulje učenja i validacije je mala i one slijede otprilike istu krivu. U ovom trenutku greška procesa validacije počinje da odstupa od krivulje učenja, što je znak preopterećenja ANFIS-a. Tako je ANFIS mreža za krug 150 sačuvana sa greškom od 1,5%. Zatim se uvodi FLC predviđanje za ANFIS. Na sl. 10 prikazane su predviđene i stvarne krive za odabrane uzorke korištene u procesu obuke i verifikacije. Budući da su podaci iz ovih krivulja korišteni za obuku mreže, nije iznenađujuće promatrati vrlo bliska predviđanja.
Stvarne eksperimentalne FLC i ANFIS prediktivne krive pod različitim uvjetima sadržaja martenzita. Ove krive se koriste u trenažnom procesu.
ANFIS model ne zna šta se dogodilo sa posljednjim uzorkom. Stoga smo testirali naš obučeni ANFIS za FLC podnošenjem uzoraka sa udjelom martenzita od 25,6%. Na sl. 11 prikazuje ANFIS FLC predviđanje kao i eksperimentalni FLC. Maksimalna greška između predviđene i eksperimentalne vrednosti je 6,2%, što je više od predviđene vrednosti tokom obuke i validacije. Međutim, ova greška je podnošljiva greška u poređenju sa drugim studijama koje teoretski predviđaju FLC37.
U industriji, parametri koji utječu na formabilnost su opisani u obliku jezika. Na primjer, „grubo zrno smanjuje sposobnost oblikovanja“ ili „povećana obrada na hladnom smanjuje FLC“. Ulaz u ANFIS mrežu u prvoj fazi je klasifikovan u lingvističke kategorije kao što su niski, srednji i visoki. Postoje različita pravila za različite kategorije na mreži. Stoga u industriji ova vrsta mreže može biti vrlo korisna u smislu uključivanja nekoliko faktora u njihov jezički opis i analizu. U ovom radu pokušali smo da uzmemo u obzir jednu od glavnih karakteristika mikrostrukture austenitnih nerđajućih čelika kako bismo iskoristili mogućnosti ANFIS-a. Količina martenzita izazvanog naprezanjem od 316 direktna je posljedica hladne obrade ovih umetaka. Eksperimentiranjem i ANFIS analizom utvrđeno je da povećanje udjela martenzita u ovoj vrsti austenitnog nehrđajućeg čelika dovodi do značajnog smanjenja FLC ploče 316, tako da povećanje udjela martenzita sa 7,8% na 28,7% smanjuje FLD0 od 0,35. do 0,1 respektivno. S druge strane, obučena i validirana ANFIS mreža može predvideti FLC koristeći 80% dostupnih eksperimentalnih podataka sa maksimalnom greškom od 6,5%, što je prihvatljiva granica greške u poređenju sa drugim teoretskim postupcima i fenomenološkim odnosima.
Skupovi podataka korišteni i/ili analizirani u trenutnoj studiji dostupni su od odgovarajućih autora na razuman zahtjev.
Iftikhar, CMA, et al. Evolucija kasnijih puteva popuštanja ekstrudirane legure magnezijuma AZ31 „kao što jeste“ pod proporcionalnim i neproporcionalnim putevima opterećenja: CPFEM eksperimenti i simulacije. interni J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evolucija naknadne površine tečenja nakon plastične deformacije duž proporcionalnih i neproporcionalnih putanja opterećenja žarene legure AA6061: eksperimenti i modeliranje plastičnosti kristala konačnim elementima. interni J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Tranzijenti naprezanja, otvrdnjavanje pri radu i r vrijednosti aluminija zbog promjena putanje deformacije. interni J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Nova eksperimentalna metoda za određivanje graničnog dijagrama oblikovanja uzimajući u obzir učinak normalnog tlaka. interna J. Alma mater. formu. 15(1), 1 (2022).
Yang Z. et al. Eksperimentalna kalibracija parametara duktilnog loma i granica deformacije lima AA7075-T6. J. Alma mater. proces. tehnologije. 291, 117044 (2021).
Petrits, A. et al. Uređaji za prikupljanje skrivene energije i biomedicinski senzori bazirani na ultra-fleksibilnim feroelektričnim pretvaračima i organskim diodama. Nacionalna komuna. 12(1), 2399 (2021).
Basak, S. i Panda, SK Analiza granica grlića i loma različitih preddeformiranih ploča u putevima polarne efektivne plastične deformacije korištenjem Yld 2000–2d modela popuštanja. J. Alma mater. proces. tehnologije. 267, 289–307 (2019).
Basak, S. i Panda, SK Deformacije loma u anizotropnim limovima: eksperimentalna procjena i teorijska predviđanja. interni J. Mecha. nauku. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Eksperimentalno i teorijsko proučavanje efekta promjene putanje deformacije na dijagram granice oblikovanja AA5083. interni J. Adv. proizvođač. tehnologije. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Eksperimentalno proučavanje mehaničkih svojstava, formabilnosti i graničnog dijagrama oblikovanja zavarenih zarada trenjem. J. Maker. proces. 31, 310–323 (2018).
Habibi, M., et al. S obzirom na utjecaj savijanja, granični dijagram se formira ugradnjom MC modela u modeliranje konačnih elemenata. proces. Institut za krzno. projekat. L 232(8), 625–636 (2018).
Vrijeme objave: Jun-08-2023