Kiitos vierailustasi Nature.comissa. Käytät selainversiota, jossa on rajoitettu CSS-tuki. Parhaan kokemuksen saamiseksi suosittelemme käyttämään päivitettyä selainta (tai poistamaan Yhteensopivuustila käytöstä Internet Explorerissa). Jatkuvan tuen takaamiseksi näytämme lisäksi sivuston ilman tyylejä ja JavaScriptiä.
Liukusäätimet, joissa näkyy kolme artikkelia per dia. Käytä Takaisin- ja Seuraava-painikkeita liikkuaksesi diojen välillä tai diaohjaimen painikkeita lopussa.
Mikrorakenteen vaikutus ruostumattomien teräslevyjen muovattavuuteen on peltityöstöinsinööreille suuri huolenaihe. Austeniittisten terästen muodonmuutosmartensiitti (\({\alpha}^{^{\prime))\)-martensiitti) mikrorakenteessa johtaa merkittävään kovettumiseen ja muovattavuuden heikkenemiseen. Tässä tutkimuksessa pyrimme arvioimaan eri martensiittisten lujuuksien omaavien AISI 316 -terästen muovattavuutta kokeellisilla ja tekoälymenetelmillä. Ensimmäisessä vaiheessa hehkutettiin ja kylmävalssattiin AISI 316 -teräs, jonka alkupaksuus oli 2 mm. Sen jälkeen suhteellinen jännitysmartensiitin pinta-ala mitattiin metallografisella testauksella. Valssattujen arkkien muovattavuus määritettiin käyttämällä puolipallopurkaustestiä venymärajadiagrammin (FLD) saamiseksi. Kokeiden tuloksena saatuja tietoja käytetään edelleen keinotekoisen neuro-fuzzy-häiriöjärjestelmän (ANFIS) harjoittamiseen ja testaamiseen. ANFIS-koulutuksen jälkeen hermoverkon ennustamia hallitsevia kantoja verrattiin uusiin koetuloksiin. Tulokset osoittavat, että kylmävalssauksella on negatiivinen vaikutus tämän tyyppisen ruostumattoman teräksen muovattavuuteen, mutta levyn lujuus paranee huomattavasti. Lisäksi ANFIS näyttää tyydyttäviä tuloksia kokeellisiin mittauksiin verrattuna.
Kyky muodostaa metallilevyä, vaikka se on ollut tieteellisten artikkelien aihe vuosikymmeniä, on edelleen mielenkiintoinen metallurgian tutkimusalue. Uudet tekniset työkalut ja laskennalliset mallit helpottavat mahdollisten muotoutumiseen vaikuttavien tekijöiden löytämistä. Mikä tärkeintä, mikrorakenteen merkitys muotorajojen kannalta on paljastunut viime vuosina käyttämällä Crystal Plasticity Finite Element Method (CPFEM) -menetelmää. Toisaalta pyyhkäisyelektronimikroskoopin (SEM) ja elektronien takaisinsirontadiffraktion (EBSD) saatavuus auttaa tutkijoita tarkkailemaan kiderakenteiden mikrorakenteellista aktiivisuutta muodonmuutoksen aikana. Metallien eri faasien vaikutuksen, raekoon ja orientaation sekä raetason mikroskooppisten vikojen ymmärtäminen on kriittistä muovattavuuden ennustamisen kannalta.
Muovattavuuden määrittäminen on sinänsä monimutkainen prosessi, koska muovattavuuden on osoitettu olevan erittäin riippuvainen poluista 1, 2, 3. Siksi perinteiset käsitteet lopullisesta muovautumisesta ovat epäluotettavia suhteettomissa kuormitusolosuhteissa. Toisaalta useimmat kuormitusreitit teollisissa sovelluksissa luokitellaan epäsuhteelliseksi kuormitukseksi. Tässä suhteessa perinteisiä puolipallon muotoisia ja kokeellisia Marciniak-Kuchinsky (MK) -menetelmiä4,5,6 tulee käyttää varoen. Viime vuosina toinen konsepti, murtumisrajakaavio (FFLD), on herättänyt monien muovattavuusinsinöörien huomion. Tässä konseptissa vauriomallia käytetään ennustamaan arkin muovattavuutta. Tältä osin polun riippumattomuus sisällytetään analyysiin aluksi ja tulokset ovat hyvin sopusoinnussa skaalaamattomien koetulosten kanssa7,8,9. Pellin muovattavuus riippuu useista parametreista ja levyn työstöhistoriasta sekä metallin mikrorakenteesta ja faasista10,11,12,13,14,15.
Kokoriippuvuus on ongelma, kun tarkastellaan metallien mikroskooppisia ominaisuuksia. On osoitettu, että pienissä muodonmuutostiloissa värähtely- ja nurjahdusominaisuuksien riippuvuus riippuu voimakkaasti materiaalin pituusasteikosta16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Raekoon vaikutus muovattavuuteen on tunnettu teollisuudessa pitkään. Yamaguchi ja Mellor [31] tutkivat raekoon ja -paksuuden vaikutusta metallilevyjen vetoominaisuuksiin teoreettisen analyysin avulla. Marciniac-mallia käyttäen he raportoivat, että biaksiaalisessa vetokuormituksessa paksuuden ja raekoon suhteen pieneneminen johtaa levyn vetoominaisuuksien heikkenemiseen. Wilsonin et ai. kokeelliset tulokset. 32 vahvisti, että paksuuden pienentäminen keskimääräiseen raehalkaisijaan (t/d) johti kolmen eri paksuisen metallilevyn biaksiaalisen venymisen laskuun. He päättelivät, että alle 20:n t/d-arvoilla havaittavissa olevaan muodonmuutoksen epähomogeenisuuteen ja kaulautumiseen vaikuttavat pääasiassa yksittäiset rakeet arkin paksuudessa. Ulvan ja Koursaris33 tutkivat raekoon vaikutusta 304- ja 316-austeniittisten ruostumattomien terästen kokonaistyöstettävyyteen. He raportoivat, että raekoko ei vaikuta näiden metallien muovattavuuteen, mutta pieniä muutoksia vetoominaisuuksissa on havaittavissa. Juuri raekoon kasvu johtaa näiden terästen lujuusominaisuuksien heikkenemiseen. Dislokaatiotiheyden vaikutus nikkelimetallien virtausjännitykseen osoittaa, että dislokaatiotiheys määrää metallin virtausjännityksen raekoosta riippumatta34. Raevuorovaikutuksella ja alkuorientaatiolla on myös suuri vaikutus alumiinirakenteen kehitykseen, jota Becker ja Panchanadiswaran tutkivat kokein ja kiteen plastisuuden mallintamalla35. Niiden analyysien numeeriset tulokset ovat hyvin sopusoinnussa kokeiden kanssa, vaikka jotkut simulaatiotulokset poikkeavatkin kokeista sovellettavien rajaehtojen rajoitusten vuoksi. Kiteen plastisuuskuvioita tutkimalla ja kokeellisesti havaitsemalla valssatut alumiinilevyt osoittavat erilaista muovattavuutta36. Tulokset osoittivat, että vaikka eri arkkien jännitys-venymäkäyrät olivat lähes samat, niiden muovattavuudessa oli merkittäviä eroja lähtöarvojen perusteella. Amelirad ja Assempour käyttivät kokeita ja CPFEM:ää saadakseen jännitys-venymäkäyrät austeniittisille ruostumattomille teräslevyille37. Heidän simulaationsa osoittivat, että raekoon kasvu siirtyy ylöspäin FLD:ssä muodostaen rajoittavan käyrän. Lisäksi samat kirjoittajat tutkivat raeorientaation ja morfologian vaikutusta onteloiden muodostumiseen 38 .
Austeniittisten ruostumattomien terästen raemorfologian ja orientaation lisäksi myös kaksois- ja sekundaarifaasien tila on tärkeä. Twinning on TWIP 39 -teräksen päämekanismi karkaisuun ja venymän lisäämiseen. Hwang40 raportoi, että TWIP-terästen muovattavuus oli huono riittävästä vetovasteesta huolimatta. Muodonmuutospariutumisen vaikutusta austeniittisten teräslevyjen muovattavuuteen ei ole kuitenkaan tutkittu riittävästi. Mishra et ai. 41 tutki austeniittisia ruostumattomia teräksiä havaitakseen twinning-toimintaa eri vetojännitysreiteillä. He havaitsivat, että kaksoset saattoivat olla peräisin sekä hehkutettujen kaksosten että uuden sukupolven kaksosten hajoamislähteistä. On havaittu, että suurimmat kaksoset muodostuvat biaksiaalisen jännityksen alaisena. Lisäksi todettiin, että austeniitin muuttuminen \({\alpha}^{^{\prime}}\)-martensiitiksi riippuu jännitysreitistä. Hong et ai. 42 tutki muodonmuutos-indusoidun twinningin ja martensiitin vaikutusta vetyhaurastumiseen eri lämpötiloissa 316 litran austeniittisen teräksen selektiivisessä lasersulatuksessa. Havaittiin, että lämpötilasta riippuen vety voi aiheuttaa vaurioita tai parantaa 316L-teräksen muovattavuutta. Shen et ai. 43 mittasi kokeellisesti deformaatiomartensiitin tilavuuden vetokuormituksen alaisena eri kuormitusnopeuksilla. Havaittiin, että vetojännityksen lisääntyminen lisää martensiittifraktion tilavuusosuutta.
Tekoälymenetelmiä käytetään tieteessä ja tekniikassa niiden monipuolisuuden vuoksi monimutkaisten ongelmien mallintamisessa turvautumatta ongelman fyysisiin ja matemaattisiin perusteisiin44,45,46,47,48,49,50,51,52 Tekoälymenetelmien määrä kasvaa. . Moradi et ai. 44 käytti koneoppimistekniikoita optimoidakseen kemiallisia olosuhteita hienompien nanosilikahiukkasten tuottamiseksi. Nanomittakaavaisten materiaalien ominaisuuksiin vaikuttavat myös muut kemialliset ominaisuudet, mitä on tutkittu monissa tutkimusartikkeleissa53. Ce et ai. 45 käytti ANFIS:a ennustamaan tavallisen hiiliteräslevyn muovattavuutta erilaisissa valssausolosuhteissa. Kylmävalssauksen ansiosta lievän teräksen dislokaatiotiheys on kasvanut merkittävästi. Tavalliset hiiliteräkset eroavat austeniittisista ruostumattomista teräksistä karkaisu- ja palautumismekanismeiltaan. Yksinkertaisessa hiiliteräksessä metallin mikrorakenteessa ei tapahdu faasimuutoksia. Metallifaasin lisäksi metallien sitkeyteen, murtumiseen, työstettävyyteen jne. vaikuttavat myös monet muut mikrorakenteelliset ominaisuudet, joita esiintyy erilaisten lämpökäsittelyjen, kylmämuokkausten ja vanhenemisen aikana54,55,56,57,58,59 ,60. , 61, 62. Äskettäin Chen et ai. 63 tutki kylmävalssauksen vaikutusta 304L-teräksen muokattavuuteen. He ottivat fenomenologiset havainnot huomioon vain kokeellisissa testeissä kouluttaakseen hermoverkkoa ennustamaan muovattavuutta. Itse asiassa austeniittisten ruostumattomien terästen tapauksessa useat tekijät yhdessä vähentävät levyn vetoominaisuuksia. Lu et al.64 käyttivät ANFIS:ia tarkkailemaan eri parametrien vaikutusta reiän laajennusprosessiin.
Kuten yllä olevassa katsauksessa lyhyesti käsiteltiin, mikrorakenteen vaikutus muotorajakaavioon on saanut kirjallisuudessa vain vähän huomiota. Toisaalta monet mikrorakenteen piirteet on otettava huomioon. Siksi on lähes mahdotonta sisällyttää analyyttisiin menetelmiin kaikkia mikrorakennetekijöitä. Tässä mielessä tekoälyn käyttö voi olla hyödyllistä. Tässä suhteessa tämä tutkimus tutkii yhden mikrorakennetekijöiden näkökohdan, nimittäin jännityksen aiheuttaman martensiitin läsnäolon, vaikutusta ruostumattomien teräslevyjen muovattavuuteen. Tämä tutkimus eroaa muista tekoälytutkimuksista muovattavuuden suhteen siinä, että painopiste on mikrorakenteen piirteissä eikä vain kokeellisissa FLD-käyrissä. Pyrimme arvioimaan 316-teräksen muovattavuutta eri martensiittipitoisuuksilla käyttämällä kokeellisia ja tekoälymenetelmiä. Ensimmäisessä vaiheessa 316-teräs, jonka alkupaksuus oli 2 mm, hehkutettiin ja kylmävalssattiin eri paksuisiksi. Sitten metallografisen kontrollin avulla mitattiin martensiitin suhteellinen pinta-ala. Valssattujen arkkien muovattavuus määritettiin käyttämällä puolipallopurkaustestiä venymärajadiagrammin (FLD) saamiseksi. Häneltä saatuja tietoja käytettiin myöhemmin keinotekoisen neuro-fuzzy-häiriöjärjestelmän (ANFIS) harjoittamiseen ja testaamiseen. ANFIS-koulutuksen jälkeen hermoverkkoennusteita verrataan uusiin kokeellisiin tuloksiin.
Tässä tutkimuksessa käytetyn 316-austeniittisen ruostumattoman teräslevyn kemiallinen koostumus on taulukon 1 mukainen ja sen alkupaksuus on 1,5 mm. Hehkutus 1050 °C:ssa 1 tunnin ajan, mitä seuraa vesisammuttaminen arkin jäännösjännityksen poistamiseksi ja yhtenäisen mikrorakenteen saamiseksi.
Austeniittisten terästen mikrorakenne voidaan paljastaa useiden etsausaineiden avulla. Yksi parhaista etsausaineista on 60-prosenttinen typpihappo tislatussa vedessä, syövytetty 1 VDC:llä 120 s38. Tämä etsausaine näyttää kuitenkin vain raerajat eikä pysty tunnistamaan kaksoisraerajaa, kuten kuvassa 1a esitetään. Toinen syövytysaine on glyseroliasetaatti, jossa kaksoisrajat voidaan visualisoida hyvin, mutta raeraajat eivät, kuten kuvassa 1b esitetään. Lisäksi metastabiilin austeniittisen faasin muuttumisen jälkeen \({\alpha }^{^{\prime}}\)-martensiittifaasi voidaan havaita käyttämällä glyseroliasetaattietsausainetta, mikä on kiinnostavaa tässä tutkimuksessa.
Metallilevyn 316 mikrorakenne hehkutuksen jälkeen eri etsausaineilla, (a) 200x, 60 % \({\mathrm{HNO}}_{3}\) tislatussa vedessä 1,5 V 120 s, ja (b) 200x , glyseryyliasetaatti.
Hehkutetut levyt leikattiin rullausta varten 11 cm leveiksi ja 1 m pituisiksi levyiksi. Kylmävalssaamossa on kaksi symmetristä telaa, joiden halkaisija on 140 mm. Kylmävalssausprosessi aiheuttaa austeniitin muuttumisen muodonmuutosmartensiitiksi ruostumattomassa 316-teräksessä. Etsitään martensiittifaasin ja austeniittifaasin suhdetta kylmävalssauksen jälkeen eri paksuuksien läpi. Kuvassa Kuvassa 2 on näyte metallilevyn mikrorakenteesta. Kuvassa Kuva 2a esittää metallografista kuvaa valssatusta näytteestä katsottuna kohtisuorassa levyyn nähden. Kuvassa 2b käyttämällä ImageJ65-ohjelmistoa, martensiittinen osa on korostettu mustalla. Tämän avoimen lähdekoodin ohjelmiston työkaluilla voidaan mitata martensiittifraktion pinta-ala. Taulukossa 2 on esitetty yksityiskohtaiset martensiittisen ja austeniittisen faasin jakeet valssauksen jälkeen eri paksuusvähennyksiin.
316 litran levyn mikrorakenne valssauksen jälkeen 50 %:n paksuuden pienenemiseen, katsottuna kohtisuorassa levyn tasoon nähden, suurennettu 200-kertaisesti, glyseroliasetaatti.
Taulukossa 2 esitetyt arvot saatiin laskemalla mitattujen martensiittifraktioiden keskiarvo kolmesta valokuvasta, jotka on otettu eri paikoista samasta metallografisesta näytteestä. Lisäksi kuvassa Kuvassa 3 on neliön sovituskäyrät, joiden avulla ymmärretään paremmin kylmävalssauksen vaikutus martensiittiin. Voidaan nähdä, että martensiitin osuuden ja paksuuden pienenemisen välillä kylmävalssatussa tilassa on lähes lineaarinen korrelaatio. Kvadraattinen suhde voi kuitenkin edustaa tätä suhdetta paremmin.
Martensiitin osuuden vaihtelu paksuuden pienenemisen funktiona alunperin hehkutetun 316-teräslevyn kylmävalssauksen aikana.
Muotoiluraja arvioitiin tavanomaisen menettelyn mukaisesti käyttäen puolipallopurkaustestejä37,38,45,66. Laserleikkauksella valmistettiin kaikkiaan kuusi näytettä, joiden mitat ovat kuviossa 4a koenäytteiden sarjana. Jokaista martensiittifraktion tilaa varten valmistettiin ja testattiin kolme testinäytesarjaa. Kuvassa Kuva 4b esittää leikattuja, kiillotettuja ja merkittyjä näytteitä.
Nakazima-muovaus rajoittaa näytekokoa ja leikkuulautaa. (a) Mitat, (b) Leikatut ja merkityt näytteet.
Puolipallomaisen lävistyksen testi suoritettiin hydraulipuristimella, jonka liikenopeus oli 2 mm/s. Lävistimen ja levyn kosketuspinnat on voideltu hyvin kitkan vaikutuksen muovausrajoihin minimoimiseksi. Jatka testausta, kunnes näytteessä havaitaan merkittävä kapeneminen tai murtuminen. Kuvassa Kuvassa 5 näkyy tuhoutunut näyte laitteessa ja näyte testauksen jälkeen.
Muotoiluraja määritettiin käyttämällä puolipallon muotoista murtumiskoetta, (a) testilaitetta, (b) näytelevyä testilaitteen murtumiskohdassa, (c) samaa näytettä testauksen jälkeen.
Jang67:n kehittämä neuro-fuzzy-järjestelmä on sopiva työkalu lehtien muodostumisen rajakäyrän ennustamiseen. Tämän tyyppinen keinotekoinen hermoverkko sisältää parametrien vaikutuksen epämääräisillä kuvauksilla. Tämä tarkoittaa, että he voivat saada mitä tahansa todellista arvoa aloillaan. Tämän tyyppiset arvot luokitellaan edelleen niiden arvon mukaan. Jokaisella kategorialla on omat säännöt. Esimerkiksi lämpötila-arvo voi olla mikä tahansa reaaliluku, ja sen arvosta riippuen lämpötilat voidaan luokitella kylmäksi, keskilämpötilaksi, lämpimäksi ja kuumaksi. Tässä suhteessa esimerkiksi alhaisten lämpötilojen sääntö on "pukeudu takkiin" ja lämpimien lämpötilojen sääntö "riittävästi T-paita". Itse sumeassa logiikassa lähdön tarkkuus ja luotettavuus arvioidaan. Hermoverkkojärjestelmien yhdistelmä sumean logiikan kanssa varmistaa, että ANFIS tarjoaa luotettavia tuloksia.
Jang67:n tarjoama kuva 6 esittää yksinkertaisen hermosoluisen sumean verkon. Kuten näkyy, verkko ottaa kaksi syöttöä, tutkimuksessamme syötteenä on martensiitin osuus mikrorakenteessa ja vähäisen jännityksen arvo. Analyysin ensimmäisellä tasolla syötearvot sumennetaan käyttämällä sumeita sääntöjä ja jäsenyysfunktioita (FC):
Kohdalle \(i=1, 2\), koska syötteellä oletetaan olevan kaksi kuvausluokkaa. MF voi ottaa minkä tahansa kolmion, puolisuunnikkaan, Gaussin tai minkä tahansa muun muodon.
Luokkien \({A}_{i}\) ja \({B}_{i}\) ja niiden MF-arvojen perusteella 2 tasolla, joitain sääntöjä otetaan käyttöön, kuten kuvassa 7. Tässä kerros, eri tulojen vaikutukset yhdistetään jollain tavalla. Tässä käytetään seuraavia sääntöjä yhdistämään martensiittifraktion ja pienten jännitysarvojen vaikutus:
Tämän kerroksen lähtöä \({w}_{i}\) kutsutaan sytytysintensiteetiksi. Nämä sytytysvoimakkuudet normalisoidaan kerroksessa 3 seuraavan suhteen mukaisesti:
Tasossa 4 Takagi- ja Sugeno-säännöt67,68 sisällytetään laskelmaan, jotta voidaan ottaa huomioon syöttöparametrien alkuarvojen vaikutus. Tällä kerroksella on seuraavat suhteet:
Tuloksena olevaan arvoon \({f}_{i}\) vaikuttavat tasojen normalisoidut arvot, mikä antaa lopputuloksen, tärkeimmät loimiarvot:
missä \(NR\) edustaa sääntöjen määrää. Neuraaliverkon tehtävänä tässä on käyttää sisäistä optimointialgoritmiaan tuntemattomien verkkoparametrien korjaamiseen. Tuntemattomat parametrit ovat tuloksena saadut parametrit \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) ja MF:ään liittyvät parametrit katsotaan yleistetyksi tuulikellojen muotofunktioksi:
Muotorajakaaviot riippuvat monista parametreista kemiallisesta koostumuksesta levyn muodonmuutoshistoriaan. Jotkin parametrit on helppo arvioida, mukaan lukien vetokoeparametrit, kun taas toiset vaativat monimutkaisempia menetelmiä, kuten metallografiaa tai jäännösjännityksen määritystä. Useimmissa tapauksissa on suositeltavaa suorittaa jännitysrajakoe jokaiselle arkkierälle. Joskus voidaan kuitenkin käyttää muita testituloksia likimääräiseen muotoilurajaan. Esimerkiksi useissa tutkimuksissa on käytetty vetokoetuloksia arkin muovattavuuden määrittämiseen69,70,71,72. Muut tutkimukset sisälsivät analyysiin enemmän parametreja, kuten raepaksuutta ja -kokoa31,73,74,75,76,77. Ei kuitenkaan ole laskennallisesti edullista sisällyttää kaikkia sallittuja parametreja. Siten ANFIS-mallien käyttö voi olla järkevä tapa ratkaista nämä ongelmat45,63.
Tässä työssä tutkittiin martensiittipitoisuuden vaikutusta 316 austeniittisen teräslevyn muotoilurajakaavioon. Tätä varten laadittiin tietojoukko kokeellisten testien avulla. Kehitetyllä järjestelmällä on kaksi syöttömuuttujaa: metallografisissa testeissä mitatun martensiitin osuus ja pienten teknisten jännitysten valikoima. Tuloksena on muodostusrajakäyrän suuri tekninen muodonmuutos. Martensiittisia fraktioita on kolmenlaisia: hienojakeet, keskisuuret ja korkeat fraktiot. Matala tarkoittaa, että martensiitin osuus on alle 10 %. Kohtuullisissa olosuhteissa martensiitin osuus vaihtelee 10 prosentista 20 prosenttiin. Martensiitin korkeina arvoina pidetään yli 20 %:n fraktioita. Lisäksi toissijaisella venymyksellä on kolme erillistä luokkaa välillä -5 % ja 5 % lähellä pystyakselia, joita käytetään FLD0:n määrittämiseen. Positiiviset ja negatiiviset vaihteluvälit ovat kaksi muuta luokkaa.
Puolipallon testin tulokset on esitetty kuviossa 1. Kuvassa on 6 rajan muotoilukaaviota, joista 5 on yksittäisten valssattujen arkkien FLD. Annettu turvapiste ja sen ylärajakäyrä, joka muodostaa rajakäyrän (FLC). Viimeinen kuva vertaa kaikkia FLC:itä. Kuten viimeisestä kuvasta voidaan nähdä, martensiitin osuuden kasvu austeniittisessa 316-teräksessä vähentää levyn muovattavuutta. Toisaalta martensiitin osuuden lisääminen muuttaa FLC:n asteittain symmetriseksi käyräksi pystyakselin ympäri. Kahdessa viimeisessä kaaviossa käyrän oikea puoli on hieman korkeampi kuin vasen, mikä tarkoittaa, että muovattavuus biaksiaalisessa jännityksessä on suurempi kuin yksiakselisessa jännityksessä. Lisäksi sekä pienet että suuret tekniset jännitykset ennen kaulaamista vähenevät martensiitin osuuden kasvaessa.
316 muodostaen rajakäyrän. Martensiitin osuuden vaikutus austeniittisten teräslevyjen muovattavuuteen. (turvapiste SF, muodostumisrajakäyrä FLC, martensiitti M).
Neuraaliverkkoa koulutettiin 60 koetulossarjalla martensiittifraktioilla 7,8, 18,3 ja 28,7 %. Varmennusprosessia varten varattiin 15,4 % martensiitin tietojoukko ja testausprosessia varten 25,6 %. Virhe 150 jakson jälkeen on noin 1,5 %. Kuvassa Kuva 9 näyttää korrelaation koulutukseen ja testaukseen tarjotun todellisen tuotoksen (\({\epsilon }_{1}\), perustekniikan työmäärän) välillä. Kuten näet, koulutettu NFS ennustaa \({\epsilon} _{1}\) tyydyttävästi ohutlevyosille.
(a) Ennusteiden ja todellisten arvojen välinen korrelaatio koulutusprosessin jälkeen, (b) Virhe ennustettujen ja todellisten arvojen välillä FLC:n tärkeimmille teknisille kuormituksille koulutuksen ja tarkastuksen aikana.
Jossain vaiheessa koulutuksen aikana ANFIS-verkko kierrätetään väistämättä. Tämän määrittämiseksi suoritetaan rinnakkaistarkastus, jota kutsutaan "tarkastukseksi". Jos validointivirhearvo poikkeaa koulutusarvosta, verkko alkaa harjoitella uudelleen. Kuten kuvasta 9b näkyy, ennen epookkia 150 ero oppimis- ja validointikäyrien välillä on pieni, ja ne noudattavat suunnilleen samaa käyrää. Tässä vaiheessa validointiprosessin virhe alkaa poiketa oppimiskäyrästä, mikä on merkki ANFIS:n ylisovituksesta. Siten ANFIS-verkko kierrokselle 150 säilyy 1,5 %:n virheellä. Sitten otetaan käyttöön FLC-ennuste ANFIS:lle. Kuvassa Kuva 10 näyttää ennustetut ja todelliset käyrät valituille näytteille, joita käytetään koulutus- ja varmistusprosessissa. Koska näiden käyrien dataa käytettiin verkon kouluttamiseen, ei ole yllättävää havaita hyvin läheisiä ennusteita.
Todelliset kokeelliset FLC- ja ANFIS-ennustuskäyrät erilaisissa martensiittipitoisuuden olosuhteissa. Näitä käyriä käytetään harjoitusprosessissa.
ANFIS-malli ei tiedä, mitä viimeiselle näytteelle tapahtui. Siksi testasimme koulutettua ANFIS-järjestelmäämme FLC:lle toimittamalla näytteitä, joiden martensiittifraktio oli 25,6 %. Kuvassa Kuva 11 esittää ANFIS FLC -ennusteen sekä kokeellisen FLC:n. Ennustetun arvon ja kokeellisen arvon välinen maksimivirhe on 6,2 %, mikä on suurempi kuin koulutuksen ja validoinnin aikana ennustettu arvo. Tämä virhe on kuitenkin siedettävä virhe verrattuna muihin tutkimuksiin, jotka ennustavat FLC:tä teoreettisesti37.
Teollisuudessa muovattavuuteen vaikuttavat parametrit kuvataan kielekkeen muodossa. Esimerkiksi "karkea rake vähentää muovattavuutta" tai "lisääntynyt kylmämuokkaus vähentää FLC:tä". Ensimmäisessä vaiheessa ANFIS-verkkoon syötettävä syöttö luokitellaan kielellisiin luokkiin, kuten matala, keskitaso ja korkea. Verkon eri luokille on erilaisia sääntöjä. Siksi teollisuudessa tämäntyyppiset verkostot voivat olla erittäin hyödyllisiä, kun otetaan huomioon useita tekijöitä niiden kielelliseen kuvaukseen ja analyysiin. Tässä työssä yritimme ottaa huomioon yhden austeniittisten ruostumattomien terästen mikrorakenteen pääpiirteistä voidaksemme hyödyntää ANFIS:n mahdollisuuksia. Jännityksen aiheuttaman martensiitin määrä 316 on suora seuraus näiden inserttien kylmätyöstyksestä. Kokeiden ja ANFIS-analyysin avulla on havaittu, että martensiitin osuuden lisääminen tämän tyyppisessä austeniittisessa ruostumattomassa teräksessä johtaa levyn 316 FLC:n merkittävään laskuun, joten martensiitin osuuden lisääminen 7,8 %:sta 28,7 %:iin pienentää FLD0 alkaen 0,35. 0,1 asti. Toisaalta koulutettu ja validoitu ANFIS-verkko voi ennustaa FLC:tä käyttämällä 80 % saatavilla olevista kokeellisista tiedoista 6,5 %:n maksimivirheellä, mikä on hyväksyttävä virhemarginaali verrattuna muihin teoreettisiin menetelmiin ja fenomenologisiin suhteisiin.
Tässä tutkimuksessa käytetyt ja/tai analysoidut aineistot ovat saatavilla vastaavilta tekijöiltä kohtuullisesta pyynnöstä.
Iftikhar, CMA, et ai. Ekstrudoidun AZ31-magnesiumlejeeringin myöhempien tuottopolkujen kehitys "sellaisenaan" suhteellisilla ja ei-suhteellisilla kuormitusreiteillä: CPFEM-kokeet ja simulaatiot. sisäinen J. Prast. 151, 103 216 (2022).
Iftikhar, TsMA et ai. Myöhempi myötöpinnan kehitys plastisen muodonmuutoksen jälkeen hehkutetun AA6061-lejeeringin suhteellisia ja epäsuhtaisia kuormitusteitä pitkin: kokeet ja kiteen plastisuuden elementtimallinnus. sisäinen J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Stressitransientit, työkarkaisu ja alumiinin r-arvot jännityspolun muutoksista. sisäinen J. Prast. 69, 1–20 (2015).
Mamushi, H. et ai. Uusi kokeellinen menetelmä rajoitusmuotoilukaavion määrittämiseen ottaen huomioon normaalipaineen vaikutus. sisäinen J. Alma mater. muodossa. 15(1), 1 (2022).
Yang Z. et ai. AA7075-T6 metallilevyn sitkeiden murtumisparametrien ja jännitysrajojen kokeellinen kalibrointi. J. Alma mater. käsitellä. teknologioita. 291, 117044 (2021).
Petrits, A. et ai. Piilotetut energiankeruulaitteet ja biolääketieteelliset anturit, jotka perustuvat erittäin joustaviin ferrosähköisiin muuntimiin ja orgaanisiin diodeihin. Kansallinen kunta. 12(1), 2399 (2021).
Basak, S. ja Panda, SK Erilaisten esimuotoiltujen levyjen kaventumis- ja murtumisrajojen analyysi polaarisissa tehokkaissa plastisissa muodonmuutosreiteissä Yld 2000–2d -saantomallilla. J. Alma mater. käsitellä. teknologioita. 267, 289–307 (2019).
Basak, S. ja Panda, SK Murtuman muodonmuutokset anisotrooppisissa levymetalleissa: kokeellinen arviointi ja teoreettiset ennusteet. sisäinen J. Mecha. tiedettä. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Kokeellinen ja teoreettinen tutkimus venymärajan muuttamisen vaikutuksesta muovausrajakaavioon AA5083. sisäinen J. Adv. valmistaja. teknologioita. 76(5–8), 1343–1352 (2015).
Habibi, M. et ai. Kitkasekoitushitsattujen aihioiden mekaanisten ominaisuuksien, muovattavuuden ja rajoittavan muotoilun kokeellinen tutkimus. J. Maker. käsitellä. 31, 310–323 (2018).
Habibi, M., et ai. Taivutuksen vaikutus huomioon ottaen rajakaavio muodostetaan sisällyttämällä MC-malli elementtimallinnukseen. käsitellä. Turkisinstituutti. hanke. L 232(8), 625–636 (2018).
Postitusaika: 08.06.2023