Dziękujemy za odwiedzenie Nature.com. Używasz wersji przeglądarki z ograniczoną obsługą CSS. Aby uzyskać najlepszą jakość, zalecamy użycie zaktualizowanej przeglądarki (lub wyłączenie trybu zgodności w przeglądarce Internet Explorer). Ponadto, aby zapewnić ciągłość wsparcia, wyświetlamy witrynę bez stylów i JavaScript.
Suwaki pokazujące trzy artykuły na slajd. Użyj przycisków Wstecz i Dalej, aby poruszać się po slajdach, lub przycisków kontrolera slajdów na końcu, aby poruszać się po poszczególnych slajdach.
Wpływ mikrostruktury na odkształcalność blach ze stali nierdzewnej jest głównym przedmiotem zainteresowania inżynierów zajmujących się obróbką blach. W przypadku stali austenitycznych obecność martenzytu odkształceniowego (\({\alpha}^{^{\prime))\)-martenzyt) w mikrostrukturze prowadzi do znacznego umocnienia i zmniejszenia odkształcalności. W tym badaniu chcieliśmy ocenić odkształcalność stali AISI 316 o różnej wytrzymałości martenzytycznej metodami eksperymentalnymi i sztuczną inteligencją. W pierwszym etapie stal AISI 316 o grubości początkowej 2 mm została wyżarzana i walcowana na zimno do różnych grubości. Następnie zmierzono względną powierzchnię martenzytu odkształcenia za pomocą badań metalograficznych. Odkształcalność walcowanych arkuszy określono za pomocą testu rozrywania półkuli w celu uzyskania wykresu granicznego odkształcenia (FLD). Dane uzyskane w wyniku eksperymentów są następnie wykorzystywane do szkolenia i testowania sztucznego systemu interferencji neurorozmytej (ANFIS). Po treningu ANFIS dominujące odkształcenia przewidywane przez sieć neuronową porównano z nowym zestawem wyników eksperymentalnych. Wyniki pokazują, że walcowanie na zimno ma negatywny wpływ na odkształcalność tego typu stali nierdzewnej, ale wytrzymałość blachy znacznie się poprawia. Ponadto ANFIS wykazuje zadowalające wyniki w porównaniu z pomiarami eksperymentalnymi.
Możliwość kształtowania blachy, choć od kilkudziesięciu lat jest przedmiotem artykułów naukowych, pozostaje ciekawym obszarem badań w metalurgii. Nowe narzędzia techniczne i modele obliczeniowe ułatwiają znalezienie potencjalnych czynników wpływających na odkształcalność. Co najważniejsze, w ostatnich latach odkryto znaczenie mikrostruktury dla ograniczenia kształtu, stosując metodę elementów skończonych plastyczności kryształu (CPFEM). Z drugiej strony dostępność skaningowej mikroskopii elektronowej (SEM) i dyfrakcji rozproszenia wstecznego elektronów (EBSD) pomaga badaczom obserwować aktywność mikrostrukturalną struktur krystalicznych podczas deformacji. Zrozumienie wpływu różnych faz w metalach, wielkości i orientacji ziaren oraz mikroskopijnych defektów na poziomie ziaren ma kluczowe znaczenie dla przewidywania odkształcalności.
Określanie odkształcalności samo w sobie jest złożonym procesem, ponieważ wykazano, że odkształcalność w dużym stopniu zależy od ścieżek 1, 2, 3. Dlatego też konwencjonalne pojęcia ostatecznego odkształcenia przy formowaniu są zawodne w nieproporcjonalnych warunkach obciążenia. Z drugiej strony większość ścieżek obciążenia w zastosowaniach przemysłowych jest klasyfikowana jako obciążenie nieproporcjonalne. W tym względzie należy zachować ostrożność stosując tradycyjne metody półkuliste i eksperymentalne Marciniaka-Kuchinskiego (MK)4,5,6. W ostatnich latach uwagę wielu inżynierów zajmujących się plastycznością przykuła inna koncepcja, Diagram Granicznej Pękania (FFLD). W tej koncepcji model uszkodzeń służy do przewidywania odkształcalności arkusza. W związku z tym w analizie początkowo uwzględniono niezależność ścieżki, a wyniki są w dobrej zgodności z nieskalowanymi wynikami eksperymentalnymi7,8,9. Odkształcalność blachy zależy od kilku parametrów i historii obróbki blachy, a także od mikrostruktury i fazy metalu10,11,12,13,14,15.
Zależność od wielkości stanowi problem, gdy rozważa się mikroskopijne cechy metali. Wykazano, że w małych przestrzeniach odkształceń zależność właściwości drganiowych i wyboczeniowych silnie zależy od skali długości materiału16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Wpływ wielkości ziaren na odkształcalność jest od dawna uznawany w przemyśle. Yamaguchi i Mellor [31] badali wpływ wielkości i grubości ziaren na właściwości rozciągające blach za pomocą analizy teoretycznej. Korzystając z modelu Marciniaca podają, że przy dwuosiowym obciążeniu rozciągającym zmniejszenie stosunku grubości do wielkości ziaren prowadzi do zmniejszenia właściwości rozciągających blachy. Wyniki eksperymentów Wilsona i in. 32 potwierdzili, że zmniejszenie grubości do średniej średnicy ziarna (t/d) spowodowało zmniejszenie dwuosiowej rozciągliwości blach o trzech różnych grubościach. Doszli do wniosku, że przy wartościach t/d mniejszych niż 20 na zauważalną niejednorodność odkształceń i przewężenie wpływają głównie pojedyncze ziarna w grubości blachy. Ulvan i Koursaris33 badali wpływ wielkości ziaren na ogólną skrawalność austenitycznych stali nierdzewnych 304 i 316. Podają, że wielkość ziaren nie ma wpływu na odkształcalność tych metali, ale można zaobserwować niewielkie zmiany właściwości przy rozciąganiu. To właśnie wzrost wielkości ziaren prowadzi do obniżenia właściwości wytrzymałościowych tych stali. Wpływ gęstości dyslokacji na naprężenie płynięcia metali niklowych pokazuje, że gęstość dyslokacji determinuje naprężenie płynięcia metalu, niezależnie od wielkości ziaren34. Duży wpływ na ewolucję tekstury aluminium mają także interakcja ziaren i początkowa orientacja, co badali Becker i Panchanadiswaran, wykorzystując eksperymenty i modelowanie plastyczności kryształów35. Wyniki numeryczne ich analizy są dobrze zgodne z eksperymentami, chociaż niektóre wyniki symulacji odbiegają od eksperymentów ze względu na ograniczenia zastosowanych warunków brzegowych. Badając wzorce plastyczności kryształów i eksperymentalnie wykrywając, walcowane blachy aluminiowe wykazują różną odkształcalność36. Wyniki pokazały, że chociaż krzywe naprężenia i odkształcenia różnych arkuszy były prawie takie same, istniały znaczne różnice w ich odkształcalności w oparciu o wartości początkowe. Amelirad i Assempour wykorzystali eksperymenty i CPFEM do uzyskania krzywych naprężenia-odkształcenia dla blach austenitycznej stali nierdzewnej37. Przeprowadzone przez nich symulacje wykazały, że wzrost wielkości ziaren przesuwa się w górę w FLD, tworząc krzywą ograniczającą. Ponadto ci sami autorzy badali wpływ orientacji i morfologii ziaren na powstawanie pustek 38 .
Oprócz morfologii i orientacji ziaren w austenitycznych stalach nierdzewnych ważny jest również stan bliźniaków i faz wtórnych. Twinning jest głównym mechanizmem hartowania i zwiększania wydłużenia stali TWIP 39. Hwang40 podał, że odkształcalność stali TWIP była słaba pomimo wystarczającej reakcji na rozciąganie. Jednakże wpływ bliźniaczych odkształceń na odkształcalność blach ze stali austenitycznej nie został dostatecznie zbadany. Mishra i in. 41 badało austenityczne stale nierdzewne, aby zaobserwować bliźniacze właściwości pod różnymi drogami odkształcenia rozciągającego. Odkryli, że bliźnięta mogą pochodzić ze źródeł rozpadu zarówno bliźniąt wyżarzonych, jak i bliźniąt nowej generacji. Zaobserwowano, że największe bliźnięta powstają pod wpływem napięcia dwuosiowego. Dodatkowo zauważono, że przemiana austenitu w \({\alpha}^{^{\prime}}\)-martenzyt zależy od drogi odkształcenia. Hong i in. 42 badali wpływ bliźniakowania wywołanego odkształceniem i martenzytu na kruchość wodorową w pewnym zakresie temperatur podczas selektywnego topienia laserowego stali austenitycznej 316L. Zaobserwowano, że w zależności od temperatury wodór może spowodować uszkodzenie lub poprawić odkształcalność stali 316L. Shen i in. 43 doświadczalnie zmierzyli objętość martenzytu odkształceniowego pod obciążeniem rozciągającym przy różnych prędkościach obciążenia. Stwierdzono, że wzrost odkształcenia przy rozciąganiu zwiększa udział objętościowy frakcji martenzytycznej.
Metody AI są stosowane w nauce i technologii ze względu na ich wszechstronność w modelowaniu złożonych problemów bez odwoływania się do fizycznych i matematycznych podstaw problemu44,45,46,47,48,49,50,51,52 Liczba metod AI rośnie . Moradi i in. 44 wykorzystali techniki uczenia maszynowego do optymalizacji warunków chemicznych w celu wytworzenia drobniejszych cząstek nanokrzemionki. Inne właściwości chemiczne również wpływają na właściwości materiałów w skali nano, co było badane w wielu artykułach naukowych53. Ce i in. 45 wykorzystali ANFIS do przewidywania odkształcalności zwykłej blachy ze stali węglowej w różnych warunkach walcowania. W wyniku walcowania na zimno gęstość dyslokacji w stali miękkiej znacznie wzrosła. Zwykłe stale węglowe różnią się od austenitycznych stali nierdzewnych mechanizmami hartowania i regeneracji. W prostej stali węglowej przemiany fazowe nie zachodzą w mikrostrukturze metalu. Oprócz fazy metalicznej na ciągliwość, pękanie, skrawalność itp. metali wpływa również kilka innych cech mikrostrukturalnych, które występują podczas różnych rodzajów obróbki cieplnej, obróbki plastycznej na zimno i starzenia54,55,56,57,58,59 ,60. , 61, 62. Ostatnio Chen i in. 63 badali wpływ walcowania na zimno na odkształcalność stali 304L. Obserwacje fenomenologiczne uwzględnili jedynie w testach eksperymentalnych, aby wytrenować sieć neuronową w zakresie przewidywania odkształcalności. W rzeczywistości, w przypadku austenitycznych stali nierdzewnych, kilka czynników zmniejsza właściwości rozciągające blachy. Lu i wsp.64 wykorzystali ANFIS do obserwacji wpływu różnych parametrów na proces rozszerzania się otworu.
Jak pokrótce omówiono w powyższym przeglądzie, w literaturze niewiele uwagi poświęcono wpływowi mikrostruktury na wykres granic kształtu. Z drugiej strony należy wziąć pod uwagę wiele cech mikrostrukturalnych. Dlatego prawie niemożliwe jest uwzględnienie w metodach analitycznych wszystkich czynników mikrostrukturalnych. W tym sensie wykorzystanie sztucznej inteligencji może być korzystne. W tym kontekście w niniejszym badaniu zbadano wpływ jednego aspektu czynników mikrostrukturalnych, a mianowicie obecności martenzytu wywołanego naprężeniami, na odkształcalność blach ze stali nierdzewnej. Badanie to różni się od innych badań AI pod względem odkształcalności tym, że skupiono się na cechach mikrostrukturalnych, a nie tylko na eksperymentalnych krzywych FLD. Staraliśmy się ocenić odkształcalność stali 316 o różnej zawartości martenzytu, stosując metody eksperymentalne i sztuczną inteligencję. W pierwszym etapie stal 316 o początkowej grubości 2 mm została wyżarzana i walcowana na zimno do różnych grubości. Następnie, stosując kontrolę metalograficzną, zmierzono względną powierzchnię martenzytu. Odkształcalność walcowanych arkuszy określono za pomocą testu rozrywania półkuli w celu uzyskania wykresu granicznego odkształcenia (FLD). Otrzymane od niego dane wykorzystano później do szkolenia i testowania sztucznego systemu interferencji neurorozmytej (ANFIS). Po przeszkoleniu ANFIS przewidywania sieci neuronowej porównuje się z nowym zestawem wyników eksperymentalnych.
Blacha ze stali austenitycznej 316 zastosowana w niniejszym badaniu ma skład chemiczny pokazany w tabeli 1 i początkową grubość 1,5 mm. Wyżarzanie w temperaturze 1050°C przez 1 godzinę, a następnie hartowanie w wodzie w celu zmniejszenia naprężeń szczątkowych w blasze i uzyskania jednolitej mikrostruktury.
Mikrostrukturę stali austenitycznych można ujawnić za pomocą kilku środków trawiących. Jednym z najlepszych trawicieli jest 60% kwas azotowy w wodzie destylowanej, trawiony pod napięciem 1 VDC przez 120 s38. Jednak ten wytrawiacz pokazuje tylko granice ziaren i nie może zidentyfikować granic podwójnych ziaren, jak pokazano na ryc. 1a. Innym środkiem trawiącym jest octan gliceryny, w którym można dobrze uwidocznić bliźniacze granice, ale nie są to granice ziaren, jak pokazano na ryc. 1b. Dodatkowo, po przekształceniu metastabilnej fazy austenitycznej w fazę \({\alpha }^{^{\prime}}\)-martenzytu można wykryć za pomocą wytrawiacza octanu glicerolu, co jest przedmiotem zainteresowania w bieżących badaniach.
Mikrostruktura blachy 316 po wyżarzeniu, pokazana różnymi środkami trawiącymi, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) w wodzie destylowanej przy 1,5 V przez 120 s oraz (b) 200x , octan gliceryny.
Wyżarzone arkusze pocięto na arkusze o szerokości 11 cm i długości 1 m przeznaczone do walcowania. Walcownia na zimno posiada dwa symetryczne walce o średnicy 140 mm. Proces walcowania na zimno powoduje przemianę austenitu w martenzyt odkształcalny w stali nierdzewnej 316. Poszukiwanie stosunku fazy martenzytycznej do fazy austenitycznej po walcowaniu na zimno w różnych grubościach. Na ryc. Na ryc. 2 przedstawiono próbkę mikrostruktury blachy. Na ryc. Fig. 2a przedstawia obraz metalograficzny walcowanej próbki widzianej z kierunku prostopadłego do blachy. Na ryc. 2b przy użyciu oprogramowania ImageJ65 część martenzytyczna jest podświetlona na czarno. Korzystając z narzędzi tego oprogramowania typu open source, można zmierzyć powierzchnię frakcji martenzytu. W tabeli 2 przedstawiono szczegółowe frakcje fazy martenzytycznej i austenitycznej po walcowaniu do różnych redukcji grubości.
Mikrostruktura blachy 316 L po walcowaniu do zmniejszenia grubości o 50%, oglądana prostopadle do płaszczyzny blachy, powiększona 200 razy, octan glicerolu.
Wartości przedstawione w tabeli 2 uzyskano poprzez uśrednienie zmierzonych frakcji martenzytu na trzech zdjęciach wykonanych w różnych miejscach tej samej próbki metalograficznej. Ponadto na ryc. 3 pokazuje kwadratowe krzywe dopasowania, aby lepiej zrozumieć wpływ walcowania na zimno na martenzyt. Można zauważyć, że istnieje niemal liniowa korelacja pomiędzy udziałem martenzytu i zmniejszeniem grubości w stanie walcowanym na zimno. Jednak zależność kwadratowa może lepiej przedstawić tę zależność.
Zmiana proporcji martenzytu w funkcji zmniejszenia grubości podczas walcowania na zimno wstępnie wyżarzonej blachy stalowej 316.
Granicę kształtowania oceniano zgodnie ze zwykłą procedurą, stosując testy rozrywania półkuli37,38,45,66. Łącznie wykonano metodą cięcia laserowego sześć próbek o wymiarach pokazanych na ryc. 4a, stanowiących zestaw próbek doświadczalnych. Dla każdego stanu frakcji martenzytycznej przygotowano i zbadano trzy komplety próbek do badań. Na ryc. 4b przedstawia próbki wycięte, wypolerowane i oznaczone.
Formowanie Nakazima ogranicza wielkość próbki i deskę do krojenia. (a) Wymiary, (b) Wycięte i oznaczone próbki.
Próbę wykrawania półkulistego przeprowadzono przy użyciu prasy hydraulicznej o prędkości przesuwu 2 mm/s. Powierzchnie styku stempla i blachy są dobrze nasmarowane, aby zminimalizować wpływ tarcia na granice formowania. Kontynuuj badanie do momentu zaobserwowania znacznego zwężenia lub pęknięcia próbki. Na ryc. 5 przedstawia próbkę zniszczoną w urządzeniu oraz próbkę po badaniu.
Granicę kształtowania określono za pomocą próby rozrywania półkuli, (a) na stanowisku badawczym, (b) płytce próbnej przy zerwaniu na stanowisku badawczym, (c) tej samej próbce po badaniu.
System neuro-rozmyty opracowany przez Jang67 jest odpowiednim narzędziem do przewidywania krzywej granicznej tworzenia liści. Ten typ sztucznej sieci neuronowej uwzględnia wpływ parametrów o niejasnych opisach. Oznacza to, że mogą uzyskać jakąkolwiek realną wartość w swoich dziedzinach. Wartości tego typu są dalej klasyfikowane według ich wartości. Każda kategoria rządzi się swoimi prawami. Na przykład wartość temperatury może być dowolną liczbą rzeczywistą i w zależności od jej wartości temperatury można sklasyfikować jako zimne, średnie, ciepłe i gorące. W tym względzie na przykład regułą przy niskich temperaturach jest zasada „załóż kurtkę”, a przy wysokich temperaturach zasadą jest „wystarczy T-shirt”. W samej logice rozmytej dane wyjściowe są oceniane pod kątem dokładności i niezawodności. Połączenie systemów sieci neuronowych z logiką rozmytą gwarantuje, że ANFIS zapewni wiarygodne wyniki.
Rysunek 6 dostarczony przez Jang67 przedstawia prostą rozmytą sieć neuronową. Jak pokazano, sieć pobiera dwa dane wejściowe, w naszym badaniu danymi wejściowymi jest udział martenzytu w mikrostrukturze oraz wartość niewielkiego odkształcenia. Na pierwszym poziomie analizy wartości wejściowe są rozmyte za pomocą reguł rozmytych i funkcji przynależności (FC):
Dla \(i=1, 2\), ponieważ zakłada się, że dane wejściowe mają dwie kategorie opisu. MF może przyjmować dowolny kształt trójkątny, trapezowy, gaussowski lub dowolny inny.
W oparciu o kategorie \({A}_{i}\) i \({B}_{i}\) oraz ich wartości MF na poziomie 2 przyjmuje się pewne zasady, jak pokazano na rysunku 7. W tym warstwie efekty różnych danych wejściowych są w jakiś sposób łączone. W tym przypadku stosuje się następujące zasady łączenia wpływu frakcji martenzytycznej i mniejszych wartości odkształceń:
Wyjście \({w}_{i}\) tej warstwy nazywane jest intensywnością zapłonu. Te intensywności zapłonu są normalizowane w warstwie 3 według następującej zależności:
W warstwie 4 w obliczeniach uwzględniono reguły Takagi i Sugeno67,68, aby uwzględnić wpływ początkowych wartości parametrów wejściowych. Warstwa ta ma następujące relacje:
Na wynikowy \({f}_{i}\) wpływają znormalizowane wartości w warstwach, co daje wynik końcowy, główne wartości wypaczenia:
gdzie \(NR\) oznacza liczbę reguł. Rolą sieci neuronowej jest tutaj wykorzystanie własnego algorytmu optymalizacji wewnętrznej do skorygowania nieznanych parametrów sieci. Nieznane parametry to parametry wynikowe \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) oraz parametry związane z MF uważane są za uogólnioną funkcję kształtu dzwonków wietrznych:
Diagramy granic kształtu zależą od wielu parametrów, od składu chemicznego po historię odkształceń blachy. Niektóre parametry są łatwe do oceny, w tym parametry próby rozciągania, podczas gdy inne wymagają bardziej skomplikowanych procedur, takich jak metalografia lub oznaczanie naprężeń szczątkowych. W większości przypadków zaleca się przeprowadzenie próby granicznej odkształcenia dla każdej partii blachy. Czasami jednak do przybliżenia granicy kształtowania można wykorzystać inne wyniki testów. Na przykład w kilku badaniach wykorzystano wyniki próby rozciągania do określenia odkształcalności arkusza69,70,71,72. W innych badaniach uwzględniono w analizie więcej parametrów, takich jak grubość i wielkość ziarna31,73,74,75,76,77. Jednakże uwzględnienie wszystkich dozwolonych parametrów nie jest korzystne obliczeniowo. Zatem stosowanie modeli ANFIS może być rozsądnym podejściem do rozwiązania tych problemów45,63.
W pracy zbadano wpływ zawartości martenzytu na wykres graniczny kształtowania blachy ze stali austenitycznej 316. W tym celu przygotowano zbiór danych za pomocą testów eksperymentalnych. Opracowany system posiada dwie zmienne wejściowe: udział martenzytu mierzony w badaniach metalograficznych oraz zakres małych odkształceń inżynierskich. Rezultatem jest poważne odkształcenie inżynieryjne krzywej granicznej formowania. Wyróżnia się trzy rodzaje frakcji martenzytycznych: frakcje drobne, średnie i wysokie. Niski oznacza, że udział martenzytu jest mniejszy niż 10%. W umiarkowanych warunkach udział martenzytu waha się od 10% do 20%. Za wysokie wartości martenzytu uważa się ułamki większe niż 20%. Ponadto odkształcenie wtórne ma trzy różne kategorie od -5% do 5% w pobliżu osi pionowej, które są wykorzystywane do określenia FLD0. Pozostałe dwie kategorie to zakresy dodatnie i ujemne.
Wyniki testu półkuli przedstawiono na FIG. Na rysunku przedstawiono 6 wykresów kształtowania granic, z czego 5 to FLD poszczególnych walcowanych arkuszy. Biorąc pod uwagę punkt bezpieczeństwa i jego górną krzywą graniczną tworzącą krzywą graniczną (FLC). Ostatni rysunek porównuje wszystkie FLC. Jak widać z ostatniego rysunku, zwiększenie udziału martenzytu w stali austenitycznej 316 zmniejsza odkształcalność blachy. Z drugiej strony zwiększanie udziału martenzytu stopniowo zmienia FLC w krzywą symetryczną wokół osi pionowej. Na dwóch ostatnich wykresach prawa strona krzywej jest nieco wyższa od lewej, co oznacza, że odkształcalność przy rozciąganiu dwuosiowym jest większa niż przy rozciąganiu jednoosiowym. Ponadto zarówno mniejsze, jak i większe odkształcenia inżynieryjne przed przewężeniem zmniejszają się wraz ze wzrostem udziału martenzytu.
316 tworząc krzywą graniczną. Wpływ udziału martenzytu na odkształcalność blach ze stali austenitycznej. (punkt bezpieczeństwa SF, krzywa graniczna tworzenia FLC, martenzyt M).
Sieć neuronową trenowano na 60 zestawach wyników eksperymentalnych z frakcjami martenzytu 7,8, 18,3 i 28,7%. Do procesu weryfikacji zarezerwowano zbiór danych składający się z 15,4% martenzytu, a do procesu testowania 25,6%. Błąd po 150 epokach wynosi około 1,5%. Na ryc. 9 pokazuje korelację pomiędzy rzeczywistym wyjściem (\({\epsilon }_{1}\), podstawowym obciążeniem pracą inżynierską) zapewnionym na potrzeby szkolenia i testowania. Jak widać, wyszkolony NFS przewiduje \({\epsilon} _{1}\) w sposób zadowalający dla części blaszanych.
(a) Korelacja między wartościami przewidywanymi i rzeczywistymi po procesie szkolenia, (b) Błąd między wartościami przewidywanymi i rzeczywistymi dla głównych obciążeń inżynieryjnych na FLC podczas szkolenia i weryfikacji.
W pewnym momencie szkolenia sieć ANFIS nieuchronnie ulega recyklingowi. Aby to ustalić, przeprowadza się równoległą kontrolę zwaną „kontrolą”. Jeśli wartość błędu walidacji odbiega od wartości uczenia, sieć rozpoczyna ponowne uczenie. Jak pokazano na rysunku 9b, przed epoką 150 różnica między krzywymi uczenia się i walidacji jest niewielka i przebiegają one mniej więcej według tej samej krzywej. W tym momencie błąd procesu walidacji zaczyna odbiegać od krzywej uczenia się, co jest oznaką nadmiernego dopasowania ANFIS. Zatem sieć ANFIS dla rundy 150 jest zachowana z błędem 1,5%. Następnie wprowadzono prognozę FLC dla ANFIS. Na ryc. 10 przedstawia przewidywane i rzeczywiste krzywe dla wybranych próbek wykorzystywanych w procesie uczenia i weryfikacji. Ponieważ dane z tych krzywych wykorzystano do uczenia sieci, nie jest zaskakujące obserwowanie bardzo bliskich przewidywań.
Rzeczywiste eksperymentalne krzywe predykcyjne FLC i ANFIS w różnych warunkach zawartości martenzytu. Krzywe te są wykorzystywane w procesie uczenia.
Model ANFIS nie wie, co stało się z ostatnią próbką. Dlatego przetestowaliśmy nasz wyszkolony ANFIS pod kątem FLC, przesyłając próbki z frakcją martenzytu wynoszącą 25,6%. Na ryc. 11 przedstawia przewidywanie ANFIS FLC, jak również eksperymentalne FLC. Maksymalny błąd między wartością przewidywaną a wartością eksperymentalną wynosi 6,2% i jest wyższy niż wartość przewidywana podczas uczenia i walidacji. Jednakże błąd ten jest błędem tolerowanym w porównaniu z innymi badaniami, które teoretycznie przewidują FLC37.
W przemyśle parametry wpływające na odkształcalność opisywane są w formie wypustu. Na przykład „grube ziarno zmniejsza odkształcalność” lub „zwiększona obróbka na zimno zmniejsza FLC”. Dane wejściowe wprowadzane do sieci ANFIS w pierwszym etapie są klasyfikowane w kategoriach językowych, takich jak niski, średni i wysoki. Istnieją różne zasady dla różnych kategorii w sieci. Dlatego w przemyśle tego typu sieci mogą być bardzo przydatne pod względem uwzględnienia kilku czynników w ich opisie językowym i analizie. W tej pracy staraliśmy się uwzględnić jedną z głównych cech mikrostruktury austenitycznych stali nierdzewnych, aby wykorzystać możliwości ANFIS. Ilość martenzytu 316 wywołanego naprężeniami jest bezpośrednią konsekwencją obróbki na zimno tych wkładek. Na podstawie eksperymentów i analizy ANFIS stwierdzono, że zwiększenie udziału martenzytu w tego typu austenitycznej stali nierdzewnej prowadzi do znacznego zmniejszenia FLC płyty 316, tak że zwiększenie udziału martenzytu z 7,8% do 28,7% zmniejsza FLD0 od 0,35. odpowiednio do 0,1. Z drugiej strony wyszkolona i zwalidowana sieć ANFIS może przewidzieć FLC przy użyciu 80% dostępnych danych eksperymentalnych z maksymalnym błędem 6,5%, co stanowi akceptowalny margines błędu w porównaniu z innymi procedurami teoretycznymi i zależnościami fenomenologicznymi.
Zbiory danych wykorzystane i/lub przeanalizowane w bieżącym badaniu są dostępne u odpowiednich autorów na uzasadnione żądanie.
Iftikhar, CMA i in. Ewolucja kolejnych ścieżek plastyczności wytłaczanego stopu magnezu AZ31 „tak jak jest” przy proporcjonalnych i nieproporcjonalnych ścieżkach obciążenia: eksperymenty i symulacje CPFEM. wew. J. Prast. 151, 103216 (2022).
Iftikhar, TsMA i in. Ewolucja późniejszej powierzchni plastyczności po odkształceniu plastycznym wzdłuż proporcjonalnych i nieproporcjonalnych ścieżek obciążenia wyżarzonego stopu AA6061: doświadczenia i modelowanie plastyczności kryształów metodą elementów skończonych. wew. J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. i Hopperstad, OS Stany przejściowe naprężeń, umocnienie przez zgniot i wartości r aluminium w wyniku zmian ścieżki odkształcenia. wew. J. Prast. 69, 1–20 (2015).
Mamushi, H. i in. Nowa metoda eksperymentalna wyznaczania granicznego wykresu kształtowania z uwzględnieniem wpływu ciśnienia normalnego. wew. J. Alma Mater. formularz. 15 ust. 1, 1 (2022).
Yang Z. i in. Eksperymentalna kalibracja parametrów pękania ciągliwego i granic odkształceń blachy AA7075-T6. J. Alma Mater. proces. technologie. 291, 117044 (2021).
Petrits, A. i in. Ukryte urządzenia do pozyskiwania energii i czujniki biomedyczne oparte na ultraelastycznych przetwornikach ferroelektrycznych i diodach organicznych. Gmina narodowa. 12 ust. 1, 2399 (2021).
Basak, S. i Panda, SK Analiza granic przewężeń i pęknięć różnych wstępnie odkształconych płyt w polarnych efektywnych ścieżkach odkształcenia plastycznego przy użyciu modelu plastyczności Yld 2000–2d. J. Alma Mater. proces. technologie. 267, 289–307 (2019).
Basak, S. i Panda, SK Odkształcenia pękania w anizotropowych blachach: ocena eksperymentalna i przewidywania teoretyczne. wew. J. Mecha. nauka. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. i Hosseinipur, SJ Eksperymentalne i teoretyczne badanie wpływu zmiany trajektorii odkształcenia na wykres graniczny formowania AA5083. wewnętrzny J. Adw. producent. technologie. 76(5–8), 1343–1352 (2015).
Habibi, M. i in. Eksperymentalne badanie właściwości mechanicznych, odkształcalności i ograniczającego schematu kształtowania półfabrykatów zgrzewanych tarciowo z mieszaniem. J. Maker. proces. 31, 310–323 (2018).
Habibi, M. i in. Uwzględniając wpływ zginania, wykres graniczny tworzy się poprzez włączenie modelu MC do modelowania elementów skończonych. proces. Instytut Futra. projekt. L 232(8), 625–636 (2018).
Czas publikacji: 8 czerwca 2023 r