Vielen Dank für Ihren Besuch auf Nature.com. Sie verwenden eine Browserversion mit eingeschränkter CSS-Unterstützung. Für ein optimales Erlebnis empfehlen wir die Verwendung eines aktualisierten Browsers (oder die Deaktivierung des Kompatibilitätsmodus im Internet Explorer). Um weiterhin Support zu gewährleisten, zeigen wir die Seite außerdem ohne Stile und JavaScript an.
Slider mit drei Artikeln pro Folie. Verwenden Sie die Schaltflächen „Zurück“ und „Weiter“, um durch die Folien zu navigieren, oder die Schaltflächen des Schiebereglers am Ende, um durch die einzelnen Folien zu navigieren.
Der Einfluss der Mikrostruktur auf die Formbarkeit von Edelstahlblechen ist für Blechbearbeitungsingenieure ein wichtiges Anliegen. Bei austenitischen Stählen führt das Vorhandensein von Verformungsmartensit (\({\alpha}^{^{\prime))\)-Martensit) in der Mikrostruktur zu einer erheblichen Verhärtung und einer Verschlechterung der Umformbarkeit. In dieser Studie wollten wir die Formbarkeit von AISI 316-Stählen mit unterschiedlichen Martensitfestigkeiten durch experimentelle und künstliche Intelligenzmethoden bewerten. Im ersten Schritt wurde AISI 316-Stahl mit einer Ausgangsdicke von 2 mm geglüht und auf verschiedene Dicken kaltgewalzt. Anschließend wurde die relative Verformungsmartensitfläche durch metallografische Tests gemessen. Die Formbarkeit der gewalzten Bleche wurde mithilfe eines Halbkugel-Bersttests bestimmt, um ein Dehngrenzendiagramm (FLD) zu erhalten. Die als Ergebnis der Experimente gewonnenen Daten werden weiterhin zum Trainieren und Testen des künstlichen Neuro-Fuzzy-Interferenzsystems (ANFIS) verwendet. Nach dem ANFIS-Training wurden die vom neuronalen Netzwerk vorhergesagten dominanten Stämme mit einer neuen Reihe experimenteller Ergebnisse verglichen. Die Ergebnisse zeigen, dass sich Kaltwalzen negativ auf die Umformbarkeit dieses Edelstahltyps auswirkt, die Festigkeit des Blechs jedoch deutlich verbessert wird. Darüber hinaus zeigt ANFIS im Vergleich zu experimentellen Messungen zufriedenstellende Ergebnisse.
Die Fähigkeit, Bleche zu formen, bleibt, obwohl sie seit Jahrzehnten Gegenstand wissenschaftlicher Artikel ist, ein interessantes Forschungsgebiet in der Metallurgie. Neue technische Werkzeuge und Rechenmodelle erleichtern das Auffinden potenzieller Einflussfaktoren auf die Umformbarkeit. Am wichtigsten ist, dass in den letzten Jahren mithilfe der Crystal Plasticity Finite Element Method (CPFEM) die Bedeutung der Mikrostruktur für die Formgrenze aufgezeigt wurde. Andererseits hilft die Verfügbarkeit von Rasterelektronenmikroskopie (REM) und Elektronenrückstreubeugung (EBSD) Forschern, die mikrostrukturelle Aktivität von Kristallstrukturen während der Verformung zu beobachten. Das Verständnis des Einflusses verschiedener Phasen in Metallen, der Korngröße und -orientierung sowie mikroskopischer Defekte auf Kornebene ist für die Vorhersage der Formbarkeit von entscheidender Bedeutung.
Die Bestimmung der Umformbarkeit ist an sich ein komplexer Prozess, da sich gezeigt hat, dass die Umformbarkeit stark von den Pfaden 1, 2, 3 abhängt. Daher sind die herkömmlichen Vorstellungen der endgültigen Umformdehnung unter unverhältnismäßigen Belastungsbedingungen unzuverlässig. Andererseits werden die meisten Lastpfade in industriellen Anwendungen als nichtproportionale Belastung eingestuft. In dieser Hinsicht sollten traditionelle hemisphärische und experimentelle Marciniak-Kuchinsky (MK)-Methoden4,5,6 mit Vorsicht angewendet werden. In den letzten Jahren hat ein anderes Konzept, das Fracture Limit Diagram (FFLD), die Aufmerksamkeit vieler Umformbarkeitsingenieure auf sich gezogen. In diesem Konzept wird ein Schadensmodell zur Vorhersage der Blechumformbarkeit verwendet. Dabei wird zunächst die Pfadunabhängigkeit in die Analyse einbezogen und die Ergebnisse stimmen gut mit den unskalierten experimentellen Ergebnissen7,8,9 überein. Die Umformbarkeit eines Blechs hängt von mehreren Parametern und der Verarbeitungsgeschichte des Blechs sowie von der Mikrostruktur und Phase des Metalls ab10,11,12,13,14,15.
Bei der Betrachtung der mikroskopischen Eigenschaften von Metallen ist die Größenabhängigkeit ein Problem. Es hat sich gezeigt, dass in kleinen Verformungsräumen die Abhängigkeit der Schwingungs- und Knickeigenschaften stark von der Längenskala des Materials abhängt16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Der Einfluss der Korngröße auf die Formbarkeit ist in der Industrie seit langem bekannt. Yamaguchi und Mellor [31] untersuchten mithilfe theoretischer Analysen den Einfluss der Korngröße und -dicke auf die Zugeigenschaften von Metallblechen. Mithilfe des Marciniac-Modells berichten sie, dass bei biaxialer Zugbelastung eine Verringerung des Verhältnisses von Dicke zu Korngröße zu einer Verschlechterung der Zugeigenschaften des Blechs führt. Experimentelle Ergebnisse von Wilson et al. 32 bestätigte, dass die Reduzierung der Dicke auf den durchschnittlichen Korndurchmesser (t/d) zu einer Verringerung der biaxialen Dehnbarkeit von Metallblechen mit drei verschiedenen Dicken führte. Sie kamen zu dem Schluss, dass bei t/d-Werten von weniger als 20 merkliche Verformungsinhomogenität und Einschnürung hauptsächlich durch einzelne Körner in der Dicke des Blechs verursacht werden. Ulvan und Koursaris33 untersuchten den Einfluss der Korngröße auf die Gesamtbearbeitbarkeit der austenitischen Edelstähle 304 und 316. Sie berichten, dass die Formbarkeit dieser Metalle nicht von der Korngröße beeinflusst wird, es können jedoch kleine Veränderungen in den Zugeigenschaften beobachtet werden. Es ist die Zunahme der Korngröße, die zu einer Verschlechterung der Festigkeitseigenschaften dieser Stähle führt. Der Einfluss der Versetzungsdichte auf die Fließspannung von Nickelmetallen zeigt, dass die Versetzungsdichte unabhängig von der Korngröße die Fließspannung des Metalls bestimmt34. Korninteraktion und anfängliche Orientierung haben auch einen großen Einfluss auf die Entwicklung der Aluminiumtextur, was von Becker und Panchanadiswaran anhand von Experimenten und Modellierungen der Kristallplastizität untersucht wurde35. Die numerischen Ergebnisse ihrer Analyse stimmen gut mit Experimenten überein, obwohl einige Simulationsergebnisse aufgrund von Einschränkungen der angewandten Randbedingungen von Experimenten abweichen. Durch die Untersuchung von Kristallplastizitätsmustern und den experimentellen Nachweis zeigen gewalzte Aluminiumbleche unterschiedliche Formbarkeit36. Die Ergebnisse zeigten, dass die Spannungs-Dehnungs-Kurven der verschiedenen Bleche zwar nahezu gleich waren, es jedoch deutliche Unterschiede in der Umformbarkeit gegenüber den Ausgangswerten gab. Amelirad und Assempour verwendeten Experimente und CPFEM, um die Spannungs-Dehnungs-Kurven für austenitische Edelstahlbleche zu erhalten37. Ihre Simulationen zeigten, dass sich die Zunahme der Korngröße im FLD nach oben verschiebt und eine Grenzkurve bildet. Darüber hinaus untersuchten dieselben Autoren den Einfluss der Kornorientierung und -morphologie auf die Bildung von Hohlräumen 38 .
Neben der Kornmorphologie und -orientierung in austenitischen Edelstählen ist auch der Zustand von Zwillingen und Sekundärphasen wichtig. Zwillingsbildung ist der Hauptmechanismus für die Härtung und Erhöhung der Dehnung in TWIP 39-Stahl. Hwang40 berichtete, dass die Umformbarkeit der TWIP-Stähle trotz ausreichender Zugreaktion schlecht war. Der Einfluss von Verformungszwillingen auf die Umformbarkeit austenitischer Stahlbleche wurde jedoch nicht ausreichend untersucht. Mishra et al. 41 untersuchten austenitische rostfreie Stähle, um Zwillingsbildung unter verschiedenen Zugspannungspfaden zu beobachten. Sie fanden heraus, dass Zwillinge aus Zerfallsquellen sowohl ausgeglühter Zwillinge als auch der neuen Generation von Zwillingen entstehen könnten. Es wurde beobachtet, dass sich die größten Zwillinge unter biaxialer Spannung bilden. Darüber hinaus wurde festgestellt, dass die Umwandlung von Austenit in \({\alpha}^{^{\prime}}\)-Martensit vom Dehnungspfad abhängt. Hong et al. 42 untersuchten die Auswirkung von verformungsinduzierter Zwillingsbildung und Martensit auf die Wasserstoffversprödung über einen Temperaturbereich beim selektiven Laserschmelzen von austenitischem 316L-Stahl. Es wurde beobachtet, dass Wasserstoff je nach Temperatur zu Ausfällen führen oder die Formbarkeit von 316L-Stahl verbessern kann. Shen et al. 43 hat experimentell das Verformungsvolumen von Martensit unter Zugbelastung bei verschiedenen Belastungsgeschwindigkeiten gemessen. Es wurde festgestellt, dass eine Erhöhung der Zugspannung den Volumenanteil des Martensitanteils erhöht.
KI-Methoden werden in Wissenschaft und Technik aufgrund ihrer Vielseitigkeit bei der Modellierung komplexer Probleme eingesetzt, ohne auf die physikalischen und mathematischen Grundlagen des Problems zurückzugreifen44,45,46,47,48,49,50,51,52 Die Zahl der KI-Methoden nimmt zu . Moradi et al. 44 verwendeten Techniken des maschinellen Lernens, um die chemischen Bedingungen zu optimieren und feinere Nanosilica-Partikel herzustellen. Auch andere chemische Eigenschaften beeinflussen die Eigenschaften nanoskaliger Materialien, was in vielen Forschungsartikeln untersucht wurde53. Ce et al. 45 verwendeten ANFIS, um die Formbarkeit von Blechen aus reinem Kohlenstoffstahl unter verschiedenen Walzbedingungen vorherzusagen. Durch das Kaltwalzen ist die Versetzungsdichte in Weichstahl deutlich gestiegen. Normale Kohlenstoffstähle unterscheiden sich von austenitischen Edelstählen durch ihre Härtungs- und Wiederherstellungsmechanismen. In einfachem Kohlenstoffstahl treten in der Metallmikrostruktur keine Phasenumwandlungen auf. Neben der Metallphase werden Duktilität, Bruch, Bearbeitbarkeit usw. von Metallen auch durch mehrere andere mikrostrukturelle Merkmale beeinflusst, die bei verschiedenen Arten der Wärmebehandlung, Kaltumformung und Alterung auftreten54,55,56,57,58,59 ,60. , 61, 62. Kürzlich haben Chen et al. 63 untersuchten die Auswirkung des Kaltwalzens auf die Formbarkeit von 304L-Stahl. Sie berücksichtigten phänomenologische Beobachtungen nur in experimentellen Tests, um das neuronale Netzwerk auf die Vorhersage der Formbarkeit zu trainieren. Tatsächlich kommt es bei austenitischen rostfreien Stählen zu einer Verschlechterung der Zugeigenschaften des Blechs durch mehrere Faktoren. Lu et al.64 verwendeten ANFIS, um die Auswirkung verschiedener Parameter auf den Locherweiterungsprozess zu beobachten.
Wie in der obigen Übersicht kurz erörtert, wurde der Auswirkung der Mikrostruktur auf das Grenzformdiagramm in der Literatur wenig Beachtung geschenkt. Andererseits müssen viele mikrostrukturelle Besonderheiten berücksichtigt werden. Daher ist es nahezu unmöglich, alle mikrostrukturellen Faktoren in analytische Methoden einzubeziehen. In diesem Sinne kann der Einsatz künstlicher Intelligenz von Vorteil sein. In diesem Zusammenhang untersucht diese Studie die Auswirkung eines Aspekts mikrostruktureller Faktoren, nämlich des Vorhandenseins von spannungsinduziertem Martensit, auf die Umformbarkeit von Edelstahlblechen. Diese Studie unterscheidet sich von anderen KI-Studien hinsichtlich der Formbarkeit dadurch, dass der Schwerpunkt auf mikrostrukturellen Merkmalen und nicht nur auf experimentellen FLD-Kurven liegt. Wir wollten die Formbarkeit von 316-Stahl mit verschiedenen Martensitgehalten mithilfe experimenteller und künstlicher Intelligenzmethoden bewerten. Im ersten Schritt wurde 316er Stahl mit einer Ausgangsdicke von 2 mm geglüht und auf verschiedene Dicken kaltgewalzt. Anschließend wurde mittels metallografischer Kontrolle die relative Martensitfläche gemessen. Die Formbarkeit der gewalzten Bleche wurde mithilfe eines Halbkugel-Bersttests bestimmt, um ein Dehngrenzendiagramm (FLD) zu erhalten. Die von ihm erhaltenen Daten wurden später zum Trainieren und Testen des künstlichen Neuro-Fuzzy-Interferenzsystems (ANFIS) verwendet. Nach dem ANFIS-Training werden die Vorhersagen des neuronalen Netzwerks mit einer neuen Reihe experimenteller Ergebnisse verglichen.
Das in der vorliegenden Studie verwendete Metallblech aus austenitischem Edelstahl 316 hat eine chemische Zusammensetzung wie in Tabelle 1 gezeigt und eine anfängliche Dicke von 1,5 mm. Glühen bei 1050 °C für 1 Stunde, gefolgt von Abschrecken mit Wasser, um Restspannungen im Blech abzubauen und eine gleichmäßige Mikrostruktur zu erhalten.
Die Mikrostruktur austenitischer Stähle kann mit verschiedenen Ätzmitteln sichtbar gemacht werden. Eines der besten Ätzmittel ist 60 % Salpetersäure in destilliertem Wasser, das 120 s lang bei 1 VDC geätzt wird38. Dieses Ätzmittel zeigt jedoch nur Korngrenzen und kann keine doppelten Korngrenzen identifizieren, wie in Abb. 1a dargestellt. Ein weiteres Ätzmittel ist Glycerinacetat, bei dem Zwillingsgrenzen gut sichtbar sind, Korngrenzen jedoch nicht, wie in Abb. 1b dargestellt. Darüber hinaus kann nach der Umwandlung der metastabilen austenitischen Phase in die \({\alpha }^{^{\prime}}\)-Martensitphase mit dem Ätzmittel Glycerinacetat nachgewiesen werden, was in der aktuellen Studie von Interesse ist.
Mikrostruktur der Metallplatte 316 nach dem Glühen, dargestellt mit verschiedenen Ätzmitteln, (a) 200x, 60 % \({\mathrm{HNO}}_{3}\) in destilliertem Wasser bei 1,5 V für 120 s und (b) 200x , Glycerinacetat.
Die geglühten Bleche wurden zum Walzen in 11 cm breite und 1 m lange Bleche geschnitten. Die Kaltwalzanlage verfügt über zwei symmetrische Walzen mit einem Durchmesser von 140 mm. Der Kaltwalzprozess bewirkt die Umwandlung von Austenit in Verformungsmartensit in Edelstahl 316. Suche nach dem Verhältnis der Martensitphase zur Austenitphase nach dem Kaltwalzen durch verschiedene Dicken. Auf Abb. In Abb. 2 zeigt ein Beispiel der Mikrostruktur von Blech. Auf Abb. 2a zeigt ein metallografisches Bild einer gewalzten Probe, gesehen aus einer Richtung senkrecht zum Blech. Auf Abb. In 2b ist mit der ImageJ65-Software der martensitische Teil schwarz hervorgehoben. Mit den Werkzeugen dieser Open-Source-Software kann die Fläche des Martensitanteils gemessen werden. Tabelle 2 zeigt die detaillierten Anteile der martensitischen und austenitischen Phasen nach dem Walzen auf verschiedene Dickenreduzierungen.
Mikrostruktur eines 316-L-Blechs nach dem Walzen auf eine 50-prozentige Dickenreduzierung, senkrecht zur Blechebene betrachtet, 200-fache Vergrößerung, Glycerinacetat.
Die in Tabelle 2 dargestellten Werte wurden durch Mittelung der gemessenen Martensitanteile über drei Fotos ermittelt, die an verschiedenen Orten derselben metallografischen Probe aufgenommen wurden. Darüber hinaus in Abb. 3 zeigt quadratische Anpassungskurven zum besseren Verständnis der Auswirkung des Kaltwalzens auf Martensit. Es ist zu erkennen, dass im kaltgewalzten Zustand ein nahezu linearer Zusammenhang zwischen Martensitanteil und Dickenabnahme besteht. Eine quadratische Beziehung kann diesen Zusammenhang jedoch besser darstellen.
Variation des Martensitanteils als Funktion der Dickenreduzierung beim Kaltwalzen eines zunächst geglühten 316-Stahlblechs.
Die Verformungsgrenze wurde nach dem üblichen Verfahren mithilfe von Halbkugel-Bersttests bewertet37,38,45,66. Insgesamt wurden sechs Proben durch Laserschneiden mit den in Abb. 4a gezeigten Abmessungen als Versuchsprobensatz hergestellt. Für jeden Zustand der Martensit-Fraktion wurden drei Sätze Testproben hergestellt und getestet. Auf Abb. 4b zeigt geschnittene, polierte und markierte Proben.
Beim Nakazima-Formen sind die Probengröße und das Schneidebrett begrenzt. (a) Abmessungen, (b) geschnittene und markierte Proben.
Der Test zum Halbkugelstanzen wurde mit einer hydraulischen Presse mit einer Verfahrgeschwindigkeit von 2 mm/s durchgeführt. Die Kontaktflächen von Stempel und Blech sind gut geschmiert, um den Einfluss der Reibung auf die Formgrenzen zu minimieren. Setzen Sie den Test fort, bis eine deutliche Verengung oder ein Bruch in der Probe festgestellt wird. Auf Abb. 5 zeigt die zerstörte Probe im Gerät und die Probe nach der Prüfung.
Die Verformungsgrenze wurde mithilfe eines halbkugelförmigen Bersttests bestimmt, (a) Prüfstand, (b) Probenplatte beim Bruch im Prüfstand, (c) dieselbe Probe nach dem Test.
Das von Jang67 entwickelte Neuro-Fuzzy-System ist ein geeignetes Werkzeug zur Vorhersage der Blattbildungsgrenzkurve. Diese Art künstlicher neuronaler Netze umfasst den Einfluss von Parametern mit vagen Beschreibungen. Das bedeutet, dass sie in ihren Bereichen einen echten Mehrwert erzielen können. Werte dieser Art werden entsprechend ihrer Wertigkeit weiter klassifiziert. Jede Kategorie hat ihre eigenen Regeln. Ein Temperaturwert kann beispielsweise eine beliebige reelle Zahl sein und je nach Wert können Temperaturen in kalt, mittel, warm und heiß klassifiziert werden. So gilt beispielsweise bei niedrigen Temperaturen die Regel „Trage eine Jacke“ und bei warmen Temperaturen „genügend T-Shirt“. In der Fuzzy-Logik selbst wird die Ausgabe auf Genauigkeit und Zuverlässigkeit bewertet. Die Kombination neuronaler Netzwerksysteme mit Fuzzy-Logik stellt sicher, dass ANFIS zuverlässige Ergebnisse liefert.
Abbildung 6 von Jang67 zeigt ein einfaches neuronales Fuzzy-Netzwerk. Wie gezeigt, benötigt das Netzwerk zwei Eingaben. In unserer Studie ist die Eingabe der Anteil von Martensit in der Mikrostruktur und der Wert der geringfügigen Dehnung. Auf der ersten Analyseebene werden Eingabewerte mithilfe von Fuzzy-Regeln und Zugehörigkeitsfunktionen (FC) fuzzifiziert:
Für \(i=1, 2\), da angenommen wird, dass die Eingabe zwei Beschreibungskategorien aufweist. Der MF kann jede beliebige dreieckige, trapezförmige, gaußförmige oder jede andere Form annehmen.
Basierend auf den Kategorien \({A}_{i}\) und \({B}_{i}\) und ihren MF-Werten auf Ebene 2 werden einige Regeln übernommen, wie in Abbildung 7 dargestellt Auf dieser Ebene werden die Auswirkungen der verschiedenen Eingaben irgendwie kombiniert. Dabei werden die folgenden Regeln verwendet, um den Einfluss des Martensitanteils und der Nebendehnungswerte zu kombinieren:
Die Ausgabe \({w}_{i}\) dieser Schicht wird Zündintensität genannt. Diese Zündintensitäten werden in Schicht 3 nach folgender Beziehung normiert:
In Schicht 4 werden die Takagi- und Sugeno-Regeln67,68 in die Berechnung einbezogen, um den Einfluss der Anfangswerte der Eingabeparameter zu berücksichtigen. Diese Ebene hat die folgenden Beziehungen:
Das resultierende \({f}_{i}\) wird durch die normalisierten Werte in den Schichten beeinflusst, was das Endergebnis, die Haupt-Warp-Werte, ergibt:
wobei \(NR\) die Anzahl der Regeln darstellt. Die Rolle des neuronalen Netzwerks besteht hier darin, mithilfe seines internen Optimierungsalgorithmus unbekannte Netzwerkparameter zu korrigieren. Die unbekannten Parameter sind die resultierenden Parameter \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) und die Parameter, die sich auf die MF beziehen gelten als verallgemeinerte Formfunktion von Windspielen:
Die Grenzformdiagramme hängen von vielen Parametern ab, von der chemischen Zusammensetzung bis zum Verformungsverlauf des Blechs. Einige Parameter sind leicht auszuwerten, darunter auch Zugversuchsparameter, während andere komplexere Verfahren wie Metallographie oder Eigenspannungsbestimmung erfordern. In den meisten Fällen empfiehlt es sich, für jede Plattencharge eine Dehnungsgrenzprüfung durchzuführen. Manchmal können jedoch andere Testergebnisse zur Annäherung an die Formungsgrenze herangezogen werden. Beispielsweise wurden in mehreren Studien Zugversuchsergebnisse zur Bestimmung der Blechformbarkeit herangezogen69,70,71,72. Andere Studien bezogen weitere Parameter in ihre Analyse ein, wie etwa Korndicke und -größe31,73,74,75,76,77. Es ist jedoch rechnerisch nicht vorteilhaft, alle zulässigen Parameter einzubeziehen. Daher kann die Verwendung von ANFIS-Modellen ein sinnvoller Ansatz zur Lösung dieser Probleme sein45,63.
In dieser Arbeit wurde der Einfluss des Martensitgehalts auf das Verformungsgrenzendiagramm eines austenitischen Stahlblechs 316 untersucht. Hierzu wurde mithilfe experimenteller Tests ein Datensatz erstellt. Das entwickelte System verfügt über zwei Eingangsvariablen: den in metallografischen Tests gemessenen Martensitanteil und den Bereich kleiner technischer Dehnungen. Das Ergebnis ist eine erhebliche technische Verformung der Umformgrenzkurve. Es gibt drei Arten martensitischer Fraktionen: Fein-, Mittel- und Hochfraktionen. Niedrig bedeutet, dass der Martensitanteil weniger als 10 % beträgt. Unter moderaten Bedingungen liegt der Martensitanteil zwischen 10 und 20 %. Als hohe Martensitwerte gelten Anteile von mehr als 20 %. Darüber hinaus weist die sekundäre Belastung drei verschiedene Kategorien zwischen -5 % und 5 % in der Nähe der vertikalen Achse auf, die zur Bestimmung von FLD0 verwendet werden. Positive und negative Bereiche sind die anderen beiden Kategorien.
Die Ergebnisse des Halbkugeltests sind in Abb. 1 dargestellt. Die Abbildung zeigt 6 Formgebungsdiagramme der Grenzwerte, davon 5 die FLD einzelner Walzbleche. Gegeben sei ein Sicherheitspunkt und seine obere Grenzkurve, die eine Grenzkurve (FLC) bildet. Die letzte Abbildung vergleicht alle FLCs. Wie aus der letzten Abbildung hervorgeht, verringert eine Erhöhung des Martensitanteils im austenitischen Stahl 316 die Umformbarkeit des Blechs. Andererseits führt eine Erhöhung des Martensitanteils dazu, dass der FLC allmählich eine symmetrische Kurve um die vertikale Achse annimmt. In den letzten beiden Diagrammen ist die rechte Seite der Kurve etwas höher als die linke, was bedeutet, dass die Umformbarkeit bei biaxialem Zug höher ist als bei uniaxialem Zug. Darüber hinaus nehmen sowohl kleinere als auch größere technische Spannungen vor der Einschnürung mit zunehmendem Martensitanteil ab.
316 bildet eine Grenzkurve. Einfluss des Martensitanteils auf die Umformbarkeit austenitischer Stahlbleche. (Sicherheitspunkt SF, Bildungsgrenzkurve FLC, Martensit M).
Das neuronale Netzwerk wurde anhand von 60 Sätzen experimenteller Ergebnisse mit Martensitanteilen von 7,8, 18,3 und 28,7 % trainiert. Ein Datensatz von 15,4 % Martensit wurde für den Verifizierungsprozess und 25,6 % für den Testprozess reserviert. Der Fehler nach 150 Epochen beträgt etwa 1,5 %. Auf Abb. 9 zeigt die Korrelation zwischen der tatsächlichen Ausgabe (\({\epsilon }_{1}\), grundlegender technischer Arbeitsaufwand), die für Training und Tests bereitgestellt wird. Wie Sie sehen können, sagt das trainierte NFS \({\epsilon} _{1}\) für Blechteile zufriedenstellend voraus.
(a) Korrelation zwischen vorhergesagten und tatsächlichen Werten nach dem Trainingsprozess, (b) Fehler zwischen vorhergesagten und tatsächlichen Werten für die wichtigsten technischen Belastungen des FLC während des Trainings und der Verifizierung.
Irgendwann während des Trainings wird das ANFIS-Netzwerk zwangsläufig recycelt. Um dies festzustellen, wird eine parallele Prüfung durchgeführt, die als „Check“ bezeichnet wird. Wenn der Validierungsfehlerwert vom Trainingswert abweicht, beginnt das Netzwerk mit der Neuschulung. Wie in Abbildung 9b dargestellt, ist der Unterschied zwischen der Lern- und der Validierungskurve vor Epoche 150 gering und sie folgen ungefähr derselben Kurve. An diesem Punkt beginnt der Validierungsprozessfehler von der Lernkurve abzuweichen, was ein Zeichen für eine ANFIS-Überanpassung ist. Somit bleibt das ANFIS-Netzwerk für Runde 150 mit einem Fehler von 1,5 % erhalten. Anschließend wird die FLC-Vorhersage für ANFIS eingeführt. Auf Abb. 10 zeigt die vorhergesagten und tatsächlichen Kurven für die ausgewählten Proben, die im Trainings- und Verifizierungsprozess verwendet wurden. Da die Daten aus diesen Kurven zum Trainieren des Netzwerks verwendet wurden, ist es nicht überraschend, sehr genaue Vorhersagen zu beobachten.
Tatsächliche experimentelle FLC- und ANFIS-Vorhersagekurven unter verschiedenen Martensitgehaltsbedingungen. Diese Kurven werden im Trainingsprozess verwendet.
Das ANFIS-Modell weiß nicht, was mit der letzten Probe passiert ist. Daher haben wir unser trainiertes ANFIS auf FLC getestet, indem wir Proben mit einem Martensitanteil von 25,6 % eingesandt haben. Auf Abb. 11 zeigt die ANFIS FLC-Vorhersage sowie den experimentellen FLC. Der maximale Fehler zwischen dem vorhergesagten Wert und dem experimentellen Wert beträgt 6,2 %, was höher ist als der vorhergesagte Wert während des Trainings und der Validierung. Dieser Fehler ist jedoch im Vergleich zu anderen Studien, die FLC theoretisch vorhersagen, ein tolerierbarer Fehler37.
In der Industrie werden die Parameter, die die Umformbarkeit beeinflussen, in Form einer Zunge beschrieben. Zum Beispiel „grobe Körnung verringert die Umformbarkeit“ oder „erhöhte Kaltumformung verringert die FLC“. Die Eingaben in das ANFIS-Netzwerk werden in der ersten Stufe in sprachliche Kategorien wie niedrig, mittel und hoch eingeteilt. Für verschiedene Kategorien im Netzwerk gelten unterschiedliche Regeln. Daher kann diese Art von Netzwerk in der Industrie sehr nützlich sein, da sie mehrere Faktoren in ihre sprachliche Beschreibung und Analyse einbezieht. In dieser Arbeit haben wir versucht, eines der Hauptmerkmale der Mikrostruktur austenitischer Edelstähle zu berücksichtigen, um die Möglichkeiten von ANFIS zu nutzen. Die Menge an spannungsinduziertem Martensit von 316 ist eine direkte Folge der Kaltumformung dieser Einsätze. Durch Experimente und ANFIS-Analysen wurde festgestellt, dass eine Erhöhung des Martensitanteils in dieser Art von austenitischem Edelstahl zu einer deutlichen Verringerung des FLC von Platte 316 führt, sodass eine Erhöhung des Martensitanteils von 7,8 % auf 28,7 % den reduziert FLD0 ab 0,35. jeweils bis zu 0,1. Andererseits kann das trainierte und validierte ANFIS-Netzwerk FLC anhand von 80 % der verfügbaren experimentellen Daten mit einem maximalen Fehler von 6,5 % vorhersagen, was im Vergleich zu anderen theoretischen Verfahren und phänomenologischen Beziehungen eine akzeptable Fehlerquote darstellt.
Die in der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage bei den jeweiligen Autoren erhältlich.
Iftikhar, CMA, et al. Entwicklung der nachfolgenden Fließpfade der extrudierten AZ31-Magnesiumlegierung „wie sie ist“ unter proportionalen und nichtproportionalen Belastungspfaden: CPFEM-Experimente und Simulationen. intern J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Entwicklung der späteren Fließfläche nach plastischer Verformung entlang proportionaler und nichtproportionaler Belastungspfade der geglühten AA6061-Legierung: Experimente und Finite-Elemente-Modellierung der Kristallplastizität. intern J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Spannungstransienten, Kaltverfestigung und Aluminium-R-Werte aufgrund von Dehnungspfadänderungen. intern J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Eine neue experimentelle Methode zur Bestimmung des Grenzformdiagramms unter Berücksichtigung der Wirkung des Normaldrucks. intern J. Alma mater. bilden. 15(1), 1 (2022).
Yang Z. et al. Experimentelle Kalibrierung der duktilen Bruchparameter und Dehnungsgrenzen von AA7075-T6-Blech. J. Alma mater. Verfahren. Technologien. 291, 117044 (2021).
Petrits, A. et al. Versteckte Energiegewinnungsgeräte und biomedizinische Sensoren auf Basis ultraflexibler ferroelektrischer Wandler und organischer Dioden. Nationale Kommune. 12(1), 2399 (2021).
Basak, S. und Panda, SK Analyse der Einschnürungs- und Bruchgrenzen verschiedener vorverformter Platten in polaren effektiven plastischen Verformungspfaden unter Verwendung des Yld 2000–2d-Fließmodells. J. Alma mater. Verfahren. Technologien. 267, 289–307 (2019).
Basak, S. und Panda, SK Bruchverformungen in anisotropen Blechen: Experimentelle Auswertung und theoretische Vorhersagen. intern J. Mecha. die Wissenschaft. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Experimentelle und theoretische Untersuchung der Auswirkung einer Änderung der Dehnungsbahn auf das Verformungsgrenzdiagramm AA5083. intern J. Adv. Hersteller. Technologien. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Experimentelle Untersuchung der mechanischen Eigenschaften, der Formbarkeit und des Grenzformdiagramms von rührreibgeschweißten Rohlingen. J. Maker. Verfahren. 31, 310–323 (2018).
Habibi, M., et al. Unter Berücksichtigung des Biegeeinflusses wird das Grenzdiagramm durch Einbindung des MC-Modells in die Finite-Elemente-Modellierung erstellt. Verfahren. Pelzinstitut. Projekt. L 232(8), 625–636 (2018).
Zeitpunkt der Veröffentlichung: 08.06.2023