Hvala što ste posjetili Nature.com. Koristite verziju preglednika s ograničenom CSS podrškom. Za najbolje iskustvo preporučujemo da koristite ažurirani preglednik (ili onemogućite način kompatibilnosti u Internet Exploreru). Osim toga, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stilova i JavaScripta.
Klizači koji prikazuju tri članka po slajdu. Za pomicanje kroz slajdove koristite gumbe Natrag i Sljedeće ili gumbe za upravljanje slajdovima na kraju za kretanje kroz svaki slajd.
Učinak mikrostrukture na mogućnost oblikovanja limova od nehrđajućeg čelika glavna je briga inženjera za obradu lima. Za austenitne čelike, prisutnost deformacijskog martenzita (\({\alpha}^{^{\prime))\)-martenzita u mikrostrukturi dovodi do značajnog otvrdnjavanja i smanjenja sposobnosti oblikovanja. U ovom istraživanju željeli smo eksperimentalnim metodama i metodama umjetne inteligencije ocijeniti sposobnost oblikovanja čelika AISI 316 s različitim martenzitnim čvrstoćama. U prvom koraku, čelik AISI 316 početne debljine 2 mm je žaren i hladno valjan na različite debljine. Zatim je metalografskim ispitivanjem izmjerena relativna deformacijska površina martenzita. Mogućnost oblikovanja valjanih limova određena je pomoću testa pucanja hemisfere kako bi se dobio dijagram ograničenja naprezanja (FLD). Podaci dobiveni kao rezultat eksperimenata dalje se koriste za treniranje i testiranje sustava umjetne neuro-fuzzy interferencije (ANFIS). Nakon ANFIS obuke, dominantni sojevi koje je predvidjela neuronska mreža uspoređeni su s novim skupom eksperimentalnih rezultata. Rezultati pokazuju da hladno valjanje ima negativan učinak na sposobnost oblikovanja ove vrste nehrđajućeg čelika, ali je čvrstoća lima znatno poboljšana. Osim toga, ANFIS pokazuje zadovoljavajuće rezultate u usporedbi s eksperimentalnim mjerenjima.
Sposobnost oblikovanja limova, iako je predmet znanstvenih članaka desetljećima, ostaje zanimljivo područje istraživanja u metalurgiji. Novi tehnički alati i računalni modeli olakšavaju pronalaženje potencijalnih čimbenika koji utječu na sposobnost oblikovanja. Ono što je najvažnije, važnost mikrostrukture za ograničenje oblika otkrivena je posljednjih godina korištenjem metode konačnih elemenata kristalne plastičnosti (CPFEM). S druge strane, dostupnost skenirajuće elektronske mikroskopije (SEM) i povratne difrakcije elektrona (EBSD) pomaže istraživačima u promatranju mikrostrukturne aktivnosti kristalnih struktura tijekom deformacije. Razumijevanje utjecaja različitih faza u metalima, veličine i orijentacije zrna te mikroskopskih defekata na razini zrna ključno je za predviđanje sposobnosti oblikovanja.
Određivanje sposobnosti oblikovanja je samo po sebi složen proces, budući da se pokazalo da sposobnost oblikovanja uvelike ovisi o stazama 1, 2, 3. Stoga su konvencionalni pojmovi konačnog naprezanja oblikovanja nepouzdani u uvjetima neproporcionalnog opterećenja. S druge strane, većina putova opterećenja u industrijskim primjenama klasificirana je kao neproporcionalno opterećenje. U tom smislu, tradicionalne hemisferične i eksperimentalne metode Marciniak-Kuchinsky (MK)4,5,6 treba koristiti s oprezom. Posljednjih godina još jedan koncept, dijagram granice loma (FFLD), privukao je pozornost mnogih inženjera oblikovanja. U ovom konceptu, model oštećenja koristi se za predviđanje mogućnosti oblikovanja lima. U tom smislu, neovisnost o putanji inicijalno je uključena u analizu, a rezultati se dobro slažu s neskalovanim eksperimentalnim rezultatima7,8,9. Mogućnost oblikovanja lima ovisi o nekoliko parametara i povijesti obrade lima, kao i o mikrostrukturi i fazi metala10,11,12,13,14,15.
Ovisnost o veličini je problem kada se razmatraju mikroskopske značajke metala. Pokazalo se da, u malim prostorima deformacije, ovisnost vibracijskih svojstava i svojstava izvijanja jako ovisi o duljini materijala16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Učinak veličine zrna na sposobnost oblikovanja odavno je prepoznat u industriji. Yamaguchi i Mellor [31] proučavali su učinak veličine i debljine zrna na vlačna svojstva metalnih ploča pomoću teorijske analize. Koristeći Marciniacov model, izvješćuju da pod dvoosnim vlačnim opterećenjem, smanjenje omjera debljine i veličine zrna dovodi do smanjenja vlačnih svojstava lima. Eksperimentalni rezultati Wilsona i sur. 32 potvrdio je da smanjenje debljine na prosječni promjer zrna (t/d) rezultira smanjenjem dvoosne rastezljivosti metalnih limova tri različite debljine. Zaključili su da pri t/d vrijednostima manjim od 20, na uočljive deformacijske nehomogenosti i vratove uglavnom utječu pojedinačna zrna u debljini lima. Ulvan i Koursaris33 proučavali su učinak veličine zrna na ukupnu obradivost austenitnih nehrđajućih čelika 304 i 316. Oni izvješćuju da na sposobnost oblikovanja ovih metala ne utječe veličina zrna, ali se mogu vidjeti male promjene u svojstvima rastezanja. Povećanje veličine zrna dovodi do smanjenja karakteristika čvrstoće ovih čelika. Utjecaj gustoće dislokacija na naprezanje tečenja metala nikla pokazuje da gustoća dislokacija određuje naprezanje tečenja metala, bez obzira na veličinu zrna34. Interakcija zrna i početna orijentacija također imaju velik utjecaj na evoluciju teksture aluminija, što su istražili Becker i Panchanadiswaran koristeći eksperimente i modeliranje kristalne plastičnosti35. Numerički rezultati u njihovoj analizi dobro se slažu s eksperimentima, iako neki rezultati simulacije odstupaju od eksperimenata zbog ograničenja primijenjenih rubnih uvjeta. Proučavanjem uzoraka kristalne plastičnosti i eksperimentalnim otkrivanjem, valjani aluminijski listovi pokazuju različitu sposobnost oblikovanja36. Rezultati su pokazali da, iako su krivulje naprezanje-deformacija različitih limova bile gotovo iste, postoje značajne razlike u njihovoj sposobnosti oblikovanja na temelju početnih vrijednosti. Amelirad i Assempour koristili su pokuse i CPFEM kako bi dobili krivulje naprezanje-deformacija za austenitne ploče od nehrđajućeg čelika37. Njihove su simulacije pokazale da se povećanje veličine zrna pomiče prema gore u FLD-u, tvoreći ograničavajuću krivulju. Osim toga, isti autori istraživali su učinak orijentacije i morfologije zrna na stvaranje šupljina 38 .
Osim morfologije i orijentacije zrna kod austenitnih nehrđajućih čelika, važno je i stanje dvojnika i sekundarnih faza. Dvojenje je glavni mehanizam za otvrdnjavanje i povećanje istezanja u čeliku TWIP 39. Hwang40 je izvijestio da je sposobnost oblikovanja TWIP čelika bila loša unatoč dovoljnom vlačnom odzivu. Međutim, učinak dvojničenja deformacija na sposobnost oblikovanja austenitnih čeličnih limova nije dovoljno istražen. Mishra i sur. 41 je proučavao austenitne nehrđajuće čelike kako bi promatrao zbrajanje pod različitim stazama vlačne deformacije. Otkrili su da blizanci mogu potjecati iz izvora raspadanja i žarenih blizanaca i nove generacije blizanaca. Uočeno je da najveći blizanci nastaju pod dvoosnom napetosti. Osim toga, primijećeno je da transformacija austenita u \({\alpha}^{^{\prime}}\)-martenzit ovisi o putu deformacije. Hong i sur. 42 istraživao je učinak dvojničenja izazvanog naprezanjem i martenzita na vodikovu krtost u nizu temperatura u selektivnom laserskom taljenju austenitnog čelika 316L. Uočeno je da, ovisno o temperaturi, vodik može uzrokovati kvar ili poboljšati sposobnost oblikovanja čelika 316L. Shen i sur. 43 eksperimentalno je izmjerio volumen deformacijskog martenzita pod vlačnim opterećenjem pri različitim brzinama opterećenja. Utvrđeno je da povećanje vlačne deformacije povećava volumni udio frakcije martenzita.
Metode umjetne inteligencije koriste se u znanosti i tehnologiji zbog svoje svestranosti u modeliranju složenih problema bez pribjegavanja fizičkim i matematičkim temeljima problema44,45,46,47,48,49,50,51,52 Broj metoda umjetne inteligencije raste . Moradi i sur. 44 koristio je tehnike strojnog učenja za optimizaciju kemijskih uvjeta za proizvodnju finijih čestica nanosilicijevog dioksida. Ostala kemijska svojstva također utječu na svojstva materijala u nanorazmjerima, što je istraženo u mnogim istraživačkim člancima53. Ce i sur. 45 koristio je ANFIS za predviđanje mogućnosti oblikovanja običnog metalnog lima od ugljičnog čelika pod različitim uvjetima valjanja. Zbog hladnog valjanja, gustoća dislokacija u mekom čeliku značajno se povećala. Obični ugljični čelici razlikuju se od austenitnih nehrđajućih čelika po svojim mehanizmima otvrdnjavanja i obnavljanja. U jednostavnom ugljičnom čeliku ne dolazi do faznih transformacija u mikrostrukturi metala. Osim metalne faze, na duktilnost, lom, obradivost itd. metala utječe i nekoliko drugih mikrostrukturnih značajki koje se javljaju tijekom raznih vrsta toplinske obrade, hladne obrade i starenja54,55,56,57,58,59 ,60. , 61, 62. Nedavno su Chen i sur. 63 proučavali su učinak hladnog valjanja na sposobnost oblikovanja čelika 304L. Uzeli su u obzir fenomenološka opažanja samo u eksperimentalnim testovima kako bi istrenirali neuronsku mrežu da predvidi sposobnost oblikovanja. Zapravo, u slučaju austenitnih nehrđajućih čelika, nekoliko čimbenika se kombinira kako bi se smanjila vlačna svojstva lima. Lu et al.64 koristili su ANFIS za promatranje učinka različitih parametara na proces širenja otvora.
Kao što je ukratko objašnjeno u gornjem pregledu, učinak mikrostrukture na dijagram ograničenja oblika dobio je malo pažnje u literaturi. S druge strane, potrebno je uzeti u obzir mnoge mikrostrukturne značajke. Stoga je analitičkim metodama gotovo nemoguće uključiti sve mikrostrukturne čimbenike. U tom smislu korištenje umjetne inteligencije može biti od koristi. U tom smislu, ova studija istražuje učinak jednog aspekta mikrostrukturnih čimbenika, naime prisutnost martenzita izazvanog naprezanjem, na sposobnost oblikovanja limova od nehrđajućeg čelika. Ova se studija razlikuje od drugih studija umjetne inteligencije u pogledu mogućnosti oblikovanja po tome što je fokus na mikrostrukturnim značajkama, a ne samo na eksperimentalnim FLD krivuljama. Nastojali smo procijeniti sposobnost oblikovanja čelika 316 s različitim sadržajem martenzita koristeći eksperimentalne metode i metode umjetne inteligencije. U prvom koraku, čelik 316 početne debljine od 2 mm je žaren i hladno valjan na različite debljine. Zatim je pomoću metalografske kontrole izmjerena relativna površina martenzita. Mogućnost oblikovanja valjanih limova određena je pomoću testa pucanja hemisfere kako bi se dobio dijagram ograničenja naprezanja (FLD). Podaci dobiveni od njega kasnije su korišteni za treniranje i testiranje sustava umjetne neuro-fuzzy interferencije (ANFIS). Nakon obuke ANFIS-a, predviđanja neuronske mreže uspoređuju se s novim skupom eksperimentalnih rezultata.
Metalni lim od austenitnog nehrđajućeg čelika 316 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 tijekom 1 sata nakon čega slijedi kaljenje vodom kako bi se smanjili zaostali naponi u limu i postigla jednolika mikrostruktura.
Mikrostruktura austenitnih čelika može se otkriti pomoću nekoliko jetkača. Jedan od najboljih sredstava za jetkanje je 60% dušična kiselina u destiliranoj vodi, jetkana na 1 VDC tijekom 120 s38. Međutim, ovaj alat za jetkanje pokazuje samo granice zrna i ne može identificirati dvostruke granice zrna, kao što je prikazano na slici 1a. Drugi jetkač je glicerol acetat, u kojem se granice blizanaca mogu dobro vizualizirati, ali granice zrna nisu, kao što je prikazano na slici 1b. Osim toga, nakon transformacije metastabilne austenitne faze u \({\alpha }^{^{\prime}}\)-martenzitnu fazu može se detektirati pomoću jetkača glicerol acetata, što je od interesa za ovu studiju.
Mikrostruktura metalne ploče 316 nakon žarenja, prikazana različitim jetkanjem, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) u destiliranoj vodi pri 1,5 V tijekom 120 s, i (b) 200x , gliceril acetat.
Žareni listovi su izrezani na listove širine 11 cm i dužine 1 m za valjanje. Hladna valjaonica ima dva simetrična valjka promjera 140 mm. Proces hladnog valjanja uzrokuje transformaciju austenita u deformacijski martenzit u nehrđajućem čeliku 316. Traženje omjera martenzitne faze i austenitne faze nakon hladnog valjanja kroz različite debljine. Na sl. 2 prikazuje uzorak mikrostrukture lima. Na sl. Slika 2a prikazuje metalografsku sliku valjanog uzorka, gledano iz smjera okomitog na lim. Na sl. 2b pomoću softvera ImageJ65, martenzitni dio je označen crnom bojom. Pomoću alata ovog softvera otvorenog koda može se izmjeriti površina udjela martenzita. Tablica 2 prikazuje detaljne frakcije martenzitne i austenitne faze nakon valjanja do različitih smanjenja debljine.
Mikrostruktura lima od 316 L nakon valjanja do smanjenja debljine od 50%, gledano okomito na ravninu lima, uvećano 200 puta, glicerol acetat.
Vrijednosti prikazane u tablici 2 dobivene su usrednjavanjem izmjerenih frakcija martenzita na tri fotografije snimljene na različitim mjestima na istom metalografskom uzorku. Osim toga, na sl. Slika 3 prikazuje kvadratne krivulje prilagodbe 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 prikazati ovaj odnos.
Varijacija udjela martenzita kao funkcija smanjenja debljine tijekom hladnog valjanja inicijalno žarenog lima od čelika 316.
Granica oblikovanja procijenjena je u skladu s uobičajenim postupkom pomoću testova pucanja hemisfere37,38,45,66. Ukupno je laserskim rezanjem proizvedeno šest uzoraka dimenzija prikazanih na slici 4a kao skup eksperimentalnih uzoraka. Za svako stanje martenzitne frakcije pripremljene su i ispitane tri serije 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 hemisferičnog probijanja provedeno je pomoću hidrauličke preše s brzinom kretanja od 2 mm/s. Kontaktne površine bušilice i ploče dobro su podmazane kako bi se minimalizirao učinak trenja na granice oblikovanja. Nastavite s ispitivanjem dok se na uzorku ne uoči značajno suženje ili lom. Na sl. Slika 5 prikazuje uništeni uzorak u uređaju i uzorak nakon ispitivanja.
Granica oblikovanja određena je ispitivanjem hemisferičnog pucanja, (a) ispitni uređaj, (b) ploča uzorka pri lomu ispitnog uređaja, (c) isti uzorak nakon ispitivanja.
Neuro-fuzzy sustav koji je razvio Jang67 prikladan je alat za predviđanje granične krivulje formiranja lista. Ova vrsta umjetne neuronske mreže uključuje utjecaj parametara s nejasnim opisima. To znači da mogu dobiti bilo kakvu stvarnu vrijednost u svojim poljima. Vrijednosti ove vrste dalje se klasificiraju prema njihovoj vrijednosti. Svaka kategorija ima svoja pravila. Na primjer, vrijednost temperature može biti bilo koji realni broj, a ovisno o njegovoj vrijednosti, temperature se mogu klasificirati kao hladne, srednje, tople i vruće. S tim u vezi, primjerice, za niske temperature vrijedi pravilo “nositi jaknu”, a za tople temperature pravilo je “dovoljno majica”. U samoj neizrazitoj logici, izlaz se procjenjuje na točnost i pouzdanost. Kombinacija sustava neuronske mreže s neizrazitom logikom osigurava da će ANFIS dati pouzdane rezultate.
Slika 6 koju je dao Jang67 prikazuje jednostavnu neizrazitu neuronsku mrežu. Kao što je prikazano, mreža uzima dva ulaza, u našem istraživanju ulaz je udio martenzita u mikrostrukturi i vrijednost manje deformacije. Na prvoj razini analize, ulazne vrijednosti su fuzzificirane pomoću neizrazitih pravila i funkcija članstva (FC):
Za \(i=1, 2\), budući da se pretpostavlja da ulaz ima dvije kategorije opisa. MF može poprimiti bilo koji trokutasti, trapezoidni, Gaussov ili bilo koji drugi oblik.
Na temelju kategorija \({A}_{i}\) i \({B}_{i}\) i njihovih MF vrijednosti na razini 2, usvojena su neka pravila, kao što je prikazano na slici 7. U ovom sloju, učinci različitih inputa se nekako kombiniraju. Ovdje se koriste sljedeća pravila za kombiniranje utjecaja udjela martenzita i vrijednosti manje deformacije:
Izlaz \({w}_{i}\) ovog sloja naziva se intenzitet paljenja. Ovi intenziteti paljenja normalizirani su u sloju 3 prema sljedećem odnosu:
U sloju 4, pravila Takagi i Sugeno67,68 uključena su u izračun kako bi se uzeo u obzir utjecaj početnih vrijednosti ulaznih parametara. Ovaj sloj ima sljedeće odnose:
Na rezultirajući \({f}_{i}\) utječu normalizirane vrijednosti u slojevima, što daje konačni rezultat, glavne vrijednosti krivljenja:
gdje \(NR\) predstavlja broj pravila. Uloga neuronske mreže ovdje je da koristi svoj interni optimizacijski algoritam za ispravljanje nepoznatih parametara mreže. Nepoznati parametri su rezultirajući parametri \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), i parametri koji se odnose na MF smatraju se generaliziranom funkcijom oblika vjetrenjača:
Dijagrami ograničenja oblika ovise o mnogim parametrima, od kemijskog sastava do povijesti deformacije lima. Neke parametre je lako procijeniti, uključujući parametre vlačnog ispitivanja, dok drugi zahtijevaju složenije postupke kao što je metalografija ili određivanje zaostalog naprezanja. U većini slučajeva, preporučljivo je provesti test ograničenja naprezanja za svaku seriju ploča. Međutim, ponekad se drugi rezultati ispitivanja mogu koristiti za približnu granicu oblikovanja. Na primjer, nekoliko je studija koristilo rezultate ispitivanja rastezanja za određivanje mogućnosti oblikovanja ploča69,70,71,72. Druge studije uključile su više parametara u svoju analizu, kao što su debljina i veličina zrna31,73,74,75,76,77. Međutim, nije računalno korisno uključiti sve dopuštene parametre. Stoga bi uporaba ANFIS modela mogla biti razuman pristup rješavanju ovih problema45,63.
U ovom radu istražen je utjecaj sadržaja martenzita na granični dijagram oblikovanja lima od austenitnog čelika 316. U tom smislu, eksperimentalnim testovima pripremljen je skup podataka. Razvijeni sustav ima dvije ulazne varijable: udio martenzita izmjeren u metalografskim ispitivanjima i raspon malih inženjerskih deformacija. Rezultat je velika inženjerska deformacija granične krivulje oblikovanja. Postoje tri vrste martenzitnih frakcija: fine, srednje i visoke frakcije. Nizak znači da je udio martenzita manji od 10%. U umjerenim uvjetima udio martenzita kreće se od 10% do 20%. Visoke vrijednosti martenzita smatraju se udjelima većim od 20%. Osim toga, sekundarna deformacija ima tri različite kategorije između -5% i 5% blizu okomite osi, koje se koriste za određivanje FLD0. Pozitivni i negativni rasponi su druge dvije kategorije.
Rezultati hemisferičnog testa prikazani su na Sl. Na slici je prikazano 6 dijagrama oblikovanja granica, od kojih su 5 FLD pojedinačnih valjanih listova. Dana je sigurnosna točka i njezina gornja granična krivulja koja tvori graničnu krivulju (FLC). Posljednja slika uspoređuje sve FLC-ove. Kao što se može vidjeti na zadnjoj slici, povećanje udjela martenzita u 316 austenitnom čeliku smanjuje sposobnost oblikovanja lima. S druge strane, povećanje udjela martenzita postupno pretvara FLC u simetričnu krivulju oko vertikalne osi. Na posljednja dva grafikona desna strana krivulje je nešto viša od lijeve, što znači da je sposobnost oblikovanja pri dvoosnom naprezanju veća nego kod jednoosnog naprezanja. Osim toga, i manje i velike inženjerske napetosti prije grla smanjuju se s povećanjem udjela martenzita.
316 tvoreći graničnu krivulju. Utjecaj udjela martenzita na sposobnost oblikovanja austenitnih čeličnih limova. (sigurnosna točka SF, granična krivulja stvaranja FLC, martenzit M).
Neuronska mreža je trenirana na 60 setova eksperimentalnih rezultata s udjelima martenzita od 7,8, 18,3 i 28,7%. Skup podataka od 15,4% martenzita rezerviran je za postupak verifikacije i 25,6% za postupak ispitivanja. Pogreška nakon 150 epoha je oko 1,5%. Na sl. Slika 9 prikazuje korelaciju između stvarnog rezultata (\({\epsilon }_{1}\), osnovno inženjersko radno opterećenje) osiguranog za obuku i testiranje. Kao što vidite, uvježbani NFS zadovoljavajuće predviđa \({\epsilon} _{1}\) za dijelove od lima.
(a) Korelacija između predviđenih i stvarnih vrijednosti nakon procesa obuke, (b) Pogreška između predviđenih i stvarnih vrijednosti za glavna inženjerska opterećenja na FLC tijekom obuke i verifikacije.
U nekom trenutku tijekom obuke, ANFIS mreža se neizbježno reciklira. Kako bi se to utvrdilo, provodi se paralelna provjera koja se naziva "provjera". Ako vrijednost greške provjere odstupa od vrijednosti obuke, mreža počinje ponovno trenirati. Kao što je prikazano na slici 9b, prije epohe 150, razlika između krivulja učenja i validacije je mala i one slijede otprilike istu krivulju. U ovoj točki, pogreška procesa validacije počinje odstupati od krivulje učenja, što je znak pretjeranog opremanja ANFIS-a. Tako je ANFIS mreža za krug 150 sačuvana s pogreškom od 1,5%. Zatim se uvodi FLC predviđanje za ANFIS. Na sl. Slika 10 prikazuje predviđene i stvarne krivulje za odabrane uzorke korištene u procesu obuke i verifikacije. Budući da su podaci iz ovih krivulja korišteni za treniranje mreže, nije iznenađujuće promatrati vrlo bliska predviđanja.
Stvarne eksperimentalne FLC i ANFIS prediktivne krivulje pod različitim uvjetima sadržaja martenzita. Ove krivulje se koriste u procesu treninga.
ANFIS model ne zna što se dogodilo s posljednjim uzorkom. Stoga smo testirali naš obučeni ANFIS za FLC slanjem uzoraka s udjelom martenzita od 25,6%. Na sl. Slika 11 prikazuje ANFIS FLC predviđanje kao i eksperimentalni FLC. Maksimalna pogreška između predviđene vrijednosti i eksperimentalne vrijednosti je 6,2%, što je više od predviđene vrijednosti tijekom obuke i validacije. Međutim, ova je pogreška tolerantna pogreška u usporedbi s drugim studijama koje teoretski predviđaju FLC37.
U industriji se parametri koji utječu na sposobnost oblikovanja opisuju u obliku pera. Na primjer, "krupno zrno smanjuje mogućnost oblikovanja" ili "povećana hladna obrada smanjuje FLC". Unos u ANFIS mrežu u prvoj fazi razvrstava se u jezične kategorije kao što su niska, srednja i visoka. Postoje različita pravila za različite kategorije na mreži. Stoga u industriji ovaj tip mreže može biti vrlo koristan u smislu uključivanja nekoliko čimbenika u njihov jezični opis i analizu. U ovom smo radu pokušali uzeti u obzir jednu od glavnih značajki mikrostrukture austenitnih nehrđajućih čelika kako bismo iskoristili mogućnosti ANFIS-a. Količina martenzita izazvanog naprezanjem od 316 izravna je posljedica hladne obrade ovih pločica. 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 mreža ANFIS može predvidjeti FLC koristeći 80% dostupnih eksperimentalnih podataka s maksimalnom pogreškom od 6,5%, što je prihvatljiva granica pogreške u usporedbi s drugim teorijskim postupcima i fenomenološkim odnosima.
Skupovi podataka korišteni i/ili analizirani u ovoj studiji dostupni su od odgovarajućih autora na razuman zahtjev.
Iftikhar, CMA, et al. Evolucija naknadnih putanja razvlačenja ekstrudirane legure magnezija AZ31 "kakve jest" pod proporcionalnim i neproporcionalnim putevima opterećenja: CPFEM eksperimenti i simulacije. unutarnja J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evolucija naknadne površine tečenja nakon plastične deformacije duž staza proporcionalnog i neproporcionalnog opterećenja žarene legure AA6061: eksperimenti i modeliranje kristalne plastičnosti pomoću konačnih elemenata. unutarnje J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Prolazna stanja naprezanja, otvrdnjavanje radom i r vrijednosti aluminija uslijed promjena puta deformacije. unutarnja J. Prast. 69, 1–20 (2015).
Mamushi, H. i sur. Nova eksperimentalna metoda za određivanje graničnog dijagrama oblikovanja uzimajući u obzir učinak normalnog tlaka. unutarnja J. Alma mater. oblik. 15(1), 1 (2022).
Yang Z. i sur. Eksperimentalna kalibracija parametara duktilnog loma i granica deformacija lima AA7075-T6. J. Alma mater. proces. tehnologije. 291, 117044 (2021).
Petrits, A. i sur. Skriveni uređaji za prikupljanje energije i biomedicinski senzori temeljeni na ultra-fleksibilnim feroelektričnim pretvaračima i organskim diodama. Narodna komuna. 12(1), 2399 (2021).
Basak, S. i Panda, SK. Analiza granica grla i loma raznih prethodno deformiranih ploča u polarnim učinkovitim stazama 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. unutarnji J. Mecha. znanost. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Eksperimentalna i teorijska studija učinka promjene putanje deformacije na granični dijagram kalupljenja AA5083. unutarnji J. Adv. proizvođač. tehnologije. 76(5–8), 1343–1352 (2015).
Habibi, M. i sur. Eksperimentalno istraživanje mehaničkih svojstava, mogućnosti oblikovanja i graničnog dijagrama oblikovanja proizvoda zavarenih trenjem i miješanjem. J. Maker. proces. 31, 310–323 (2018).
Habibi, M. i sur. S obzirom na utjecaj savijanja, granični dijagram je formiran ugradnjom MC modela u modeliranje konačnih elemenata. proces. Zavod za krzno. projekt. L 232(8), 625-636 (2018).
Vrijeme objave: 8. lipnja 2023