Grazie per aver visitato Nature.com. Stai utilizzando una versione del browser con supporto CSS limitato. Per un'esperienza ottimale, ti consigliamo di utilizzare un browser aggiornato (o disattivare la modalità compatibilità in Internet Explorer). Inoltre, per garantire un supporto continuo, mostriamo il sito senza stili e JavaScript.
Dispositivi di scorrimento che mostrano tre articoli per diapositiva. Utilizza i pulsanti Indietro e Avanti per spostarti tra le diapositive oppure i pulsanti del controller diapositiva alla fine per spostarti tra ciascuna diapositiva.
L'effetto della microstruttura sulla formabilità delle lamiere di acciaio inossidabile è una delle principali preoccupazioni per gli ingegneri della lavorazione della lamiera. Per gli acciai austenitici, la presenza di martensite da deformazione (\({\alpha}^{^{\prime))\)-martensite) nella microstruttura porta ad un significativo indurimento e ad una diminuzione della formabilità. In questo studio, abbiamo mirato a valutare la formabilità degli acciai AISI 316 con diverse resistenze martensitiche mediante metodi sperimentali e di intelligenza artificiale. Nella prima fase, l'acciaio AISI 316 con uno spessore iniziale di 2 mm è stato ricotto e laminato a freddo a vari spessori. Successivamente, l'area relativa della martensite di deformazione è stata misurata mediante test metallografico. La formabilità dei fogli laminati è stata determinata utilizzando una prova di scoppio dell'emisfero per ottenere un diagramma limite di deformazione (FLD). I dati ottenuti a seguito degli esperimenti vengono ulteriormente utilizzati per addestrare e testare il sistema di interferenza neuro-fuzzy artificiale (ANFIS). Dopo l'addestramento con ANFIS, i ceppi dominanti previsti dalla rete neurale sono stati confrontati con una nuova serie di risultati sperimentali. I risultati mostrano che la laminazione a freddo ha un effetto negativo sulla formabilità di questo tipo di acciaio inossidabile, ma la resistenza della lamiera risulta notevolmente migliorata. Inoltre, l'ANFIS mostra risultati soddisfacenti rispetto alle misurazioni sperimentali.
La capacità di formare la lamiera, sebbene oggetto di articoli scientifici da decenni, rimane un interessante ambito di ricerca in metallurgia. Nuovi strumenti tecnici e modelli computazionali facilitano l’individuazione di potenziali fattori che influenzano la formabilità. Ancora più importante, l’importanza della microstruttura per il limite di forma è stata rivelata negli ultimi anni utilizzando il metodo degli elementi finiti della plasticità cristallina (CPFEM). D'altra parte, la disponibilità della microscopia elettronica a scansione (SEM) e della diffrazione di retrodiffusione elettronica (EBSD) aiuta i ricercatori a osservare l'attività microstrutturale delle strutture cristalline durante la deformazione. Comprendere l'influenza delle diverse fasi nei metalli, della dimensione e dell'orientamento dei grani e dei difetti microscopici a livello dei grani è fondamentale per prevedere la formabilità.
Determinare la formabilità è di per sé un processo complesso, poiché è stato dimostrato che la formabilità dipende fortemente dai percorsi 1, 2, 3. Pertanto, le nozioni convenzionali di deformazione ultima di formatura sono inaffidabili in condizioni di carico sproporzionate. D'altro canto, la maggior parte dei percorsi di carico nelle applicazioni industriali sono classificati come carichi non proporzionali. A questo proposito, i metodi tradizionali emisferici e sperimentali Marciniak-Kuchinsky (MK)4,5,6 dovrebbero essere usati con cautela. Negli ultimi anni, un altro concetto, il diagramma del limite di frattura (FFLD), ha attirato l’attenzione di molti ingegneri della formabilità. In questo concetto, viene utilizzato un modello di danno per prevedere la formabilità della lamiera. A questo proposito, l'indipendenza dal percorso è inizialmente inclusa nell'analisi e i risultati sono in buon accordo con i risultati sperimentali non in scala7,8,9. La formabilità di una lamiera dipende da diversi parametri e dalla storia di lavorazione della lamiera, nonché dalla microstruttura e dalla fase del metallo10,11,12,13,14,15.
La dipendenza dalle dimensioni è un problema quando si considerano le caratteristiche microscopiche dei metalli. È stato dimostrato che, in piccoli spazi di deformazione, la dipendenza delle proprietà vibrazionali e di buckling dipende fortemente dalla scala di lunghezza del materiale16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. L'effetto della dimensione del grano sulla formabilità è stato riconosciuto da tempo nel settore. Yamaguchi e Mellor [31] hanno studiato l'effetto della dimensione del grano e dello spessore sulle proprietà di trazione delle lamiere utilizzando l'analisi teorica. Utilizzando il modello Marciniac, riportano che sotto carico di trazione biassiale, una diminuzione del rapporto tra spessore e dimensione dei grani porta ad una diminuzione delle proprietà di trazione del foglio. Risultati sperimentali di Wilson et al. 32 hanno confermato che la riduzione dello spessore al diametro medio del grano (t/d) ha comportato una diminuzione dell'estensibilità biassiale delle lamiere di tre diversi spessori. Hanno concluso che con valori t/d inferiori a 20, la notevole disomogeneità della deformazione e la striatura sono principalmente influenzate dai singoli grani nello spessore della lamiera. Ulvan e Koursaris33 hanno studiato l'effetto della dimensione del grano sulla lavorabilità complessiva degli acciai inossidabili austenitici 304 e 316. Riferiscono che la formabilità di questi metalli non è influenzata dalla dimensione del grano, ma si possono osservare piccoli cambiamenti nelle proprietà di trazione. È l'aumento della dimensione del grano che porta ad una diminuzione delle caratteristiche di resistenza di questi acciai. L'influenza della densità di dislocazione sullo stress di flusso dei metalli di nichel mostra che la densità di dislocazione determina lo stress di flusso del metallo, indipendentemente dalla dimensione del grano34. Anche l'interazione dei grani e l'orientamento iniziale hanno una grande influenza sull'evoluzione della struttura dell'alluminio, che è stata studiata da Becker e Panchanadiswaran utilizzando esperimenti e modelli di plasticità cristallina35. I risultati numerici nella loro analisi sono in buon accordo con gli esperimenti, sebbene alcuni risultati delle simulazioni si discostino dagli esperimenti a causa delle limitazioni delle condizioni al contorno applicate. Studiando i modelli di plasticità dei cristalli e rilevando sperimentalmente, i fogli di alluminio laminati mostrano una diversa formabilità36. I risultati hanno mostrato che, sebbene le curve sforzo-deformazione dei diversi fogli fossero quasi le stesse, c’erano differenze significative nella loro formabilità in base ai valori iniziali. Amelirad e Assempour hanno utilizzato esperimenti e CPFEM per ottenere le curve sforzo-deformazione per lamiere di acciaio inossidabile austenitico37. Le loro simulazioni hanno mostrato che l’aumento della dimensione dei grani si sposta verso l’alto nel FLD, formando una curva limitante. Inoltre, gli stessi autori hanno studiato l'effetto dell'orientamento e della morfologia dei grani sulla formazione dei vuoti 38 .
Negli acciai inossidabili austenitici, oltre alla morfologia e all’orientamento dei grani, è importante anche lo stato delle fasi gemellari e secondarie. Il gemellaggio è il meccanismo principale per l'indurimento e l'aumento dell'allungamento nell'acciaio TWIP 39. Hwang40 ha riferito che la formabilità degli acciai TWIP era scarsa nonostante una risposta a trazione sufficiente. Tuttavia, l’effetto del gemellaggio delle deformazioni sulla formabilità delle lamiere di acciaio austenitico non è stato sufficientemente studiato. Mishra et al. 41 hanno studiato gli acciai inossidabili austenitici per osservare il geminamento sotto vari percorsi di deformazione a trazione. Hanno scoperto che i gemelli potrebbero provenire da fonti di decadimento sia dei gemelli ricotti che della nuova generazione di gemelli. È stato osservato che i gemelli più grandi si formano sotto tensione biassiale. Inoltre, si è notato che la trasformazione dell'austenite in \({\alpha}^{^{\prime}}\)-martensite dipende dal percorso di deformazione. Hong et al. 42 hanno studiato l'effetto del twinning indotto dalla deformazione e della martensite sull'infragilimento da idrogeno in un intervallo di temperature nella fusione laser selettiva dell'acciaio austenitico 316L. È stato osservato che, a seconda della temperatura, l'idrogeno potrebbe causare guasti o migliorare la formabilità dell'acciaio 316L. Shen et al. 43 hanno misurato sperimentalmente il volume della martensite deformata sotto carico di trazione a varie velocità di carico. Si è riscontrato che un aumento della deformazione a trazione aumenta la frazione volumetrica della frazione martensite.
I metodi di intelligenza artificiale sono utilizzati nella scienza e nella tecnologia per la loro versatilità nella modellazione di problemi complessi senza ricorrere ai fondamenti fisici e matematici del problema44,45,46,47,48,49,50,51,52 Il numero di metodi di intelligenza artificiale è in aumento . Moradi et al. 44 hanno utilizzato tecniche di apprendimento automatico per ottimizzare le condizioni chimiche per produrre particelle di nanosilice più fini. Anche altre proprietà chimiche influenzano le proprietà dei materiali su scala nanometrica, cosa che è stata studiata in molti articoli di ricerca53. Ce et al. 45 hanno utilizzato ANFIS per prevedere la formabilità di lamiere semplici in acciaio al carbonio in varie condizioni di laminazione. A causa della laminazione a freddo, la densità delle dislocazioni nell'acciaio dolce è aumentata in modo significativo. Gli acciai semplici al carbonio differiscono dagli acciai inossidabili austenitici nei loro meccanismi di indurimento e ripristino. Nell'acciaio al carbonio semplice, le trasformazioni di fase non si verificano nella microstruttura del metallo. Oltre alla fase metallica, la duttilità, la frattura, la lavorabilità, ecc. dei metalli sono influenzate anche da numerose altre caratteristiche microstrutturali che si verificano durante vari tipi di trattamento termico, lavorazione a freddo e invecchiamento54,55,56,57,58,59 ,60. , 61, 62. Recentemente, Chen et al. 63 hanno studiato l'effetto della laminazione a freddo sulla formabilità dell'acciaio 304L. Hanno preso in considerazione le osservazioni fenomenologiche solo nei test sperimentali per addestrare la rete neurale a prevedere la formabilità. Infatti, nel caso degli acciai inossidabili austenitici, diversi fattori concorrono a ridurre le proprietà tensili della lamiera. Lu et al.64 hanno utilizzato ANFIS per osservare l'effetto di vari parametri sul processo di espansione del foro.
Come brevemente discusso nella revisione precedente, l’effetto della microstruttura sul diagramma limite di forma ha ricevuto poca attenzione in letteratura. D’altro canto è necessario tenere conto di numerose caratteristiche microstrutturali. Pertanto, è quasi impossibile includere tutti i fattori microstrutturali nei metodi analitici. In questo senso l’uso dell’intelligenza artificiale può essere utile. A questo proposito, questo studio indaga l’effetto di un aspetto dei fattori microstrutturali, vale a dire la presenza di martensite indotta da stress, sulla formabilità delle lamiere di acciaio inossidabile. Questo studio differisce da altri studi sull'intelligenza artificiale per quanto riguarda la formabilità in quanto l'attenzione si concentra sulle caratteristiche microstrutturali piuttosto che solo sulle curve FLD sperimentali. Abbiamo cercato di valutare la formabilità dell'acciaio 316 con vari contenuti di martensite utilizzando metodi sperimentali e di intelligenza artificiale. Nella prima fase, l'acciaio 316 con uno spessore iniziale di 2 mm è stato ricotto e laminato a freddo a vari spessori. Successivamente, mediante controllo metallografico, è stata misurata l’area relativa della martensite. La formabilità dei fogli laminati è stata determinata utilizzando una prova di scoppio dell'emisfero per ottenere un diagramma limite di deformazione (FLD). I dati da lui ricevuti sono stati successivamente utilizzati per addestrare e testare il sistema di interferenza neuro-fuzzy artificiale (ANFIS). Dopo l'addestramento ANFIS, le previsioni della rete neurale vengono confrontate con una nuova serie di risultati sperimentali.
La lamiera di acciaio inossidabile austenitico 316 utilizzata nel presente studio ha una composizione chimica come mostrato nella Tabella 1 e uno spessore iniziale di 1,5 mm. Ricottura a 1050°C per 1 ora seguita da tempra in acqua per alleviare le tensioni residue nella lastra e ottenere una microstruttura uniforme.
La microstruttura degli acciai austenitici può essere rivelata utilizzando diversi agenti aggressivi. Uno dei migliori agenti mordenzanti è l'acido nitrico al 60% in acqua distillata, inciso a 1 V CC per 120 s38. Tuttavia, questo attacco mostra solo i confini dei grani e non può identificare i doppi confini dei grani, come mostrato in Fig. 1a. Un altro agente mordenzante è l'acetato di glicerolo, in cui i confini gemelli possono essere ben visualizzati, ma i confini dei grani no, come mostrato in Fig. 1b. Inoltre, dopo la trasformazione della fase austenitica metastabile nella fase \({\alpha }^{^{\prime}}\)-martensite può essere rilevata utilizzando il mordenzante acetato di glicerolo, che è di interesse nel presente studio.
Microstruttura della piastra metallica 316 dopo la ricottura, mostrata da vari agenti di attacco, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) in acqua distillata a 1,5 V per 120 s, e (b) 200x , acetato di glicerile.
I fogli ricotti sono stati tagliati in fogli larghi 11 cm e lunghi 1 m per la laminazione. L'impianto di laminazione a freddo è composto da due rulli simmetrici del diametro di 140 mm. Il processo di laminazione a freddo provoca la trasformazione dell'austenite in martensite da deformazione nell'acciaio inossidabile 316. Ricerca del rapporto tra la fase martensite e la fase austenite dopo la laminazione a freddo attraverso diversi spessori. Nella fig. 2 mostra un campione della microstruttura della lamiera. Nella fig. 2a mostra un'immagine metallografica di un campione laminato, visto da una direzione perpendicolare alla lamiera. Nella fig. 2b utilizzando il software ImageJ65, la parte martensitica è evidenziata in nero. Utilizzando gli strumenti di questo software open source è possibile misurare l'area della frazione martensite. La tabella 2 mostra le frazioni dettagliate delle fasi martensitica e austenitica dopo la laminazione a varie riduzioni di spessore.
Microstruttura di una lastra da 316 L dopo la laminazione fino a una riduzione dello spessore del 50%, vista perpendicolare al piano della lastra, ingrandita 200 volte, acetato di glicerolo.
I valori presentati nella Tabella 2 sono stati ottenuti facendo la media delle frazioni di martensite misurate su tre fotografie scattate in punti diversi sullo stesso campione metallografico. Inoltre, nella fig. 3 mostra curve di adattamento quadratiche per comprendere meglio l'effetto della laminazione a freddo sulla martensite. Si può vedere che esiste una correlazione quasi lineare tra la proporzione di martensite e la riduzione di spessore nella condizione di laminazione a freddo. Tuttavia, una relazione quadratica può rappresentare meglio questa relazione.
Variazione della proporzione di martensite in funzione della riduzione di spessore durante la laminazione a freddo di una lamiera di acciaio 316 inizialmente ricotta.
Il limite di modellamento è stato valutato secondo la procedura consueta utilizzando prove di scoppio dell'emisfero37,38,45,66. In totale, sei campioni sono stati fabbricati mediante taglio laser con le dimensioni mostrate in Fig. 4a come serie di campioni sperimentali. Per ciascuno stato della frazione martensite sono state preparate e testate tre serie di provini. Nella fig. 4b mostra campioni tagliati, lucidati e marcati.
Lo stampaggio Nakazima limita le dimensioni del campione e il tagliere. (a) Dimensioni, (b) Campioni tagliati e marcati.
La prova di punzonatura emisferica è stata effettuata utilizzando una pressa idraulica con velocità di traslazione di 2 mm/s. Le superfici di contatto del punzone e della lamiera sono ben lubrificate per ridurre al minimo l'effetto dell'attrito sui limiti di formatura. Continuare il test finché non si osserva un restringimento o una rottura significativa nel campione. Nella fig. 5 mostra il campione distrutto nel dispositivo e il campione dopo il test.
Il limite di sagomatura è stato determinato utilizzando un test di scoppio emisferico, (a) banco di prova, (b) piastra campione alla rottura del banco di prova, (c) lo stesso campione dopo il test.
Il sistema neuro-fuzzy sviluppato da Jang67 è uno strumento adatto per la previsione della curva limite di formazione delle foglie. Questo tipo di rete neurale artificiale prevede l'influenza di parametri con descrizioni vaghe. Ciò significa che possono ottenere qualsiasi valore reale nei loro campi. I valori di questo tipo vengono ulteriormente classificati in base al loro valore. Ogni categoria ha le sue regole. Ad esempio, un valore di temperatura può essere un numero reale qualsiasi e, a seconda del suo valore, le temperature possono essere classificate come fredde, medie, calde e calde. A questo proposito, ad esempio, la regola per le basse temperature è “indossare una giacca”, mentre per le temperature calde la regola è “basta maglietta”. Nella stessa logica fuzzy, l'accuratezza e l'affidabilità dell'output vengono valutate. La combinazione di sistemi di rete neurale con logica fuzzy garantisce che ANFIS fornisca risultati affidabili.
La Figura 6 fornita da Jang67 mostra una semplice rete neurale fuzzy. Come mostrato, la rete riceve due input, nel nostro studio l'input è la proporzione di martensite nella microstruttura e il valore della deformazione minore. Al primo livello di analisi, i valori di input vengono fuzzificati utilizzando regole fuzzy e funzioni di appartenenza (FC):
Per \(i=1, 2\), poiché si presuppone che l'input abbia due categorie di descrizione. La MF può assumere qualsiasi forma triangolare, trapezoidale, gaussiana o qualsiasi altra forma.
In base alle categorie \({A}_{i}\) e \({B}_{i}\) e ai loro valori MF al livello 2, vengono adottate alcune regole, come mostrato nella Figura 7. In questa livello, gli effetti dei vari input vengono in qualche modo combinati. Qui vengono utilizzate le seguenti regole per combinare l'influenza della frazione martensite e i valori di deformazione minore:
L'output \({w}_{i}\) di questo strato è chiamato intensità di accensione. Queste intensità di accensione sono normalizzate nello strato 3 secondo la seguente relazione:
Nel livello 4, nel calcolo vengono incluse le regole Takagi e Sugeno67,68 per tenere conto dell'influenza dei valori iniziali dei parametri di input. Questo livello ha le seguenti relazioni:
Il risultante \({f}_{i}\) è influenzato dai valori normalizzati negli strati, che danno al risultato finale, i principali valori di warp:
dove \(NR\) rappresenta il numero di regole. Il ruolo della rete neurale in questo caso è utilizzare il suo algoritmo di ottimizzazione interno per correggere parametri di rete sconosciuti. I parametri sconosciuti sono i parametri risultanti \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) e i parametri relativi al MF sono considerate funzioni di forma generalizzate dei campanelli eolici:
I diagrammi limite di forma dipendono da molti parametri, dalla composizione chimica alla storia deformativa della lamiera. Alcuni parametri sono facili da valutare, compresi i parametri delle prove di trazione, mentre altri richiedono procedure più complesse come la metallografia o la determinazione dello stress residuo. Nella maggior parte dei casi è consigliabile effettuare una prova limite di deformazione per ogni lotto di lamiera. Tuttavia, a volte è possibile utilizzare altri risultati di test per approssimare il limite di modellatura. Ad esempio, diversi studi hanno utilizzato i risultati delle prove di trazione per determinare la formabilità dei fogli69,70,71,72. Altri studi hanno incluso più parametri nella loro analisi, come lo spessore e la dimensione del grano31,73,74,75,76,77. Tuttavia, non è computazionalmente vantaggioso includere tutti i parametri consentiti. Pertanto, l’uso dei modelli ANFIS può rappresentare un approccio ragionevole per affrontare questi problemi45,63.
In questo articolo è stata studiata l’influenza del contenuto di martensite sul diagramma limite di sagomatura di una lamiera di acciaio austenitico 316. A questo proposito è stato preparato un set di dati utilizzando prove sperimentali. Il sistema sviluppato ha due variabili di input: la proporzione di martensite misurata nei test metallografici e la gamma di piccole deformazioni ingegneristiche. Il risultato è una notevole deformazione ingegneristica della curva limite di formazione. Esistono tre tipi di frazioni martensitiche: frazioni fini, medie e alte. Basso significa che la percentuale di martensite è inferiore al 10%. In condizioni moderate, la percentuale di martensite varia dal 10% al 20%. Valori elevati di martensite sono considerati frazioni superiori al 20%. Inoltre, la deformazione secondaria ha tre categorie distinte tra -5% e 5% vicino all'asse verticale, che vengono utilizzate per determinare FLD0. Gli intervalli positivi e negativi sono le altre due categorie.
I risultati del test emisferico sono mostrati in FIG. In figura sono riportati 6 diagrammi di sagomatura dei limiti, 5 dei quali sono i FLD dei singoli fogli laminati. Dato un punto di sicurezza e la sua curva limite superiore forma una curva limite (FLC). L'ultima cifra confronta tutti gli FLC. Come si può vedere dall'ultima figura, un aumento della percentuale di martensite nell'acciaio austenitico 316 riduce la formabilità della lamiera. D'altra parte, aumentando la proporzione di martensite si trasforma gradualmente la FLC in una curva simmetrica attorno all'asse verticale. Negli ultimi due grafici, il lato destro della curva è leggermente più alto di quello sinistro, il che significa che la formabilità in tensione biassiale è maggiore che in tensione uniassiale. Inoltre, le deformazioni ingegneristiche sia minori che maggiori prima della formazione di strizioni diminuiscono con l'aumentare della percentuale di martensite.
316 formando una curva limite. Influenza della percentuale di martensite sulla formabilità delle lamiere di acciaio austenitico. (punto di sicurezza SF, curva limite di formazione FLC, martensite M).
La rete neurale è stata addestrata su 60 serie di risultati sperimentali con frazioni di martensite di 7,8, 18,3 e 28,7%. Un set di dati pari al 15,4% di martensite è stato riservato al processo di verifica e al 25,6% per il processo di test. L'errore dopo 150 epoche è di circa l'1,5%. Nella fig. 9 mostra la correlazione tra l'output effettivo (\({\epsilon }_{1}\), carico di lavoro di ingegneria di base) fornito per la formazione e il test. Come puoi vedere, l'NFS addestrato prevede \({\epsilon} _{1}\) in modo soddisfacente per le parti in lamiera.
(a) Correlazione tra valori previsti e reali dopo il processo di addestramento, (b) Errore tra valori previsti e reali per i principali carichi ingegneristici sulla FLC durante l'addestramento e la verifica.
Ad un certo punto della formazione la rete ANFIS viene inevitabilmente riciclata. Per determinarlo viene effettuato un controllo parallelo, detto “check”. Se il valore dell'errore di convalida si discosta dal valore di addestramento, la rete inizia a riqualificarsi. Come mostrato nella Figura 9b, prima dell'epoca 150, la differenza tra le curve di apprendimento e di convalida è piccola e seguono all'incirca la stessa curva. A questo punto, l’errore del processo di validazione inizia a deviare dalla curva di apprendimento, il che è un segno di overfitting di ANFIS. Pertanto, la rete ANFIS per il round 150 viene preservata con un errore dell'1,5%. Quindi viene introdotta la previsione FLC per ANFIS. Nella fig. 10 mostra le curve previste ed effettive per i campioni selezionati utilizzati nel processo di formazione e verifica. Poiché i dati di queste curve sono stati utilizzati per addestrare la rete, non sorprende osservare previsioni molto ravvicinate.
Curve predittive sperimentali effettive FLC e ANFIS in varie condizioni di contenuto di martensite. Queste curve vengono utilizzate nel processo di formazione.
Il modello ANFIS non sa cosa sia successo all'ultimo campione. Pertanto, abbiamo testato il nostro ANFIS addestrato per FLC inviando campioni con una frazione di martensite del 25,6%. Nella fig. 11 mostra la previsione FLC di ANFIS nonché la FLC sperimentale. L'errore massimo tra il valore previsto e il valore sperimentale è del 6,2%, ovvero superiore al valore previsto durante l'addestramento e la convalida. Tuttavia, questo errore è un errore tollerabile rispetto ad altri studi che prevedono teoricamente la FLC37.
Nell'industria, i parametri che influiscono sulla formabilità sono descritti sotto forma di una lingua. Ad esempio, “la grana grossa riduce la formabilità” o “una maggiore lavorazione a freddo riduce la FLC”. Gli input alla rete ANFIS nella prima fase vengono classificati in categorie linguistiche come basso, medio e alto. Esistono regole diverse per le diverse categorie sulla rete. Pertanto, nell'industria, questo tipo di rete può essere molto utile in termini di inclusione di diversi fattori nella loro descrizione e analisi linguistica. In questo lavoro, abbiamo cercato di prendere in considerazione una delle caratteristiche principali della microstruttura degli acciai inossidabili austenitici per sfruttare le possibilità di ANFIS. La quantità di martensite indotta da stress pari a 316 è una diretta conseguenza della lavorazione a freddo di questi inserti. Attraverso la sperimentazione e l'analisi ANFIS, si è riscontrato che aumentando la percentuale di martensite in questo tipo di acciaio inossidabile austenitico porta ad una significativa diminuzione della FLC della piastra 316, per cui aumentando la percentuale di martensite dal 7,8% al 28,7% si riduce la percentuale FLD0 da 0,35. fino a 0,1 rispettivamente. D'altra parte, la rete ANFIS addestrata e validata può prevedere la FLC utilizzando l'80% dei dati sperimentali disponibili con un errore massimo del 6,5%, che è un margine di errore accettabile rispetto ad altre procedure teoriche e relazioni fenomenologiche.
I set di dati utilizzati e/o analizzati nel presente studio sono disponibili presso i rispettivi autori su ragionevole richiesta.
Iftikhar, CMA et al. Evoluzione dei successivi percorsi di snervamento della lega di magnesio estrusa AZ31 “così com'è” sotto percorsi di carico proporzionali e non proporzionali: esperimenti e simulazioni CPFEM. interno J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evoluzione della successiva superficie di snervamento dopo deformazione plastica lungo percorsi di carico proporzionali e non proporzionali della lega AA6061 ricotta: esperimenti e modellazione agli elementi finiti della plasticità cristallina. interno J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Transitori di sollecitazione, incrudimento e valori r dell'alluminio dovuti a cambiamenti del percorso di deformazione. interno J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Un nuovo metodo sperimentale per determinare il diagramma di sagomatura limite tenendo conto dell'effetto della pressione normale. interno J. Alma mater. modulo. 15(1), 1 (2022).
Yang Z. et al. Calibrazione sperimentale dei parametri di frattura duttile e dei limiti di deformazione della lamiera AA7075-T6. J. Alma Mater. processo. tecnologie. 291, 117044 (2021).
Petrits, A. et al. Dispositivi nascosti di raccolta di energia e sensori biomedici basati su convertitori ferroelettrici ultraflessibili e diodi organici. Comune nazionale. 12(1), 2399 (2021).
Basak, S. e Panda, SK Analisi dei limiti di strizione e frattura di varie piastre predeformate in percorsi di deformazione plastica efficaci polari utilizzando il modello di snervamento Yld 2000–2d. J. Alma Mater. processo. tecnologie. 267, 289–307 (2019).
Basak, S. e Panda, SK Deformazioni di frattura in lamiere anisotrope: valutazione sperimentale e previsioni teoriche. interno J. Mecha. la scienza. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Studio sperimentale e teorico dell'effetto del cambiamento della traiettoria della deformazione sul diagramma limite di stampaggio AA5083. interno J. Avv. produttore. tecnologie. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Studio sperimentale delle proprietà meccaniche, della formabilità e del diagramma di sagomatura limite di grezzi saldati per attrito. J. Maker. processo. 31, 310–323 (2018).
Habibi, M., et al. Considerando l'influenza della flessione, il diagramma limite viene formato incorporando il modello MC nella modellazione agli elementi finiti. processo. Istituto della pelliccia. progetto. L 232(8), 625–636 (2018).
Orario di pubblicazione: 08-giu-2023