پیش‌بینی محدودیت فرم ورق فولادی 316 بر اساس ANFIS

از بازدید شما از Nature.com سپاسگزاریم. شما از یک نسخه مرورگر با پشتیبانی محدود CSS استفاده می کنید. برای بهترین تجربه، توصیه می کنیم از یک مرورگر به روز شده استفاده کنید (یا حالت سازگاری را در اینترنت اکسپلورر غیرفعال کنید). علاوه بر این، برای اطمینان از پشتیبانی مداوم، سایت را بدون سبک و جاوا اسکریپت نشان می دهیم.
اسلایدرهایی که سه مقاله را در هر اسلاید نشان می دهند. برای حرکت در اسلایدها از دکمه های پشت و بعدی استفاده کنید یا از دکمه های کنترلر اسلاید در انتها برای حرکت در هر اسلاید استفاده کنید.
تأثیر ریزساختار بر شکل‌پذیری ورق‌های فولادی زنگ نزن، نگرانی اصلی مهندسین ورق‌کاری است. برای فولادهای آستنیتی، وجود مارتنزیت تغییر شکل (\({\alpha}^{^{\prime))\)-مارتنزیت) در ریزساختار منجر به سخت شدن قابل توجه و کاهش شکل‌پذیری می‌شود. هدف ما در این مطالعه بررسی شکل‌پذیری فولادهای AISI 316 با مقاومت‌های مارتنزیتی مختلف با روش‌های تجربی و هوش مصنوعی بود. در مرحله اول فولاد AISI 316 با ضخامت اولیه 2 میلی متر آنیل و نورد سرد به ضخامت های مختلف انجام شد. پس از آن، سطح کرنش نسبی مارتنزیت با آزمایش متالوگرافی اندازه گیری شد. شکل پذیری ورق های نورد شده با استفاده از آزمون ترکیدگی نیمکره برای به دست آوردن نمودار حد کرنش (FLD) تعیین شد. داده های به دست آمده در نتیجه آزمایش ها بیشتر برای آموزش و آزمایش سیستم تداخل عصبی فازی مصنوعی (ANFIS) استفاده می شود. پس از آموزش ANFIS، سویه های غالب پیش بینی شده توسط شبکه عصبی با مجموعه جدیدی از نتایج تجربی مقایسه شدند. نتایج نشان می دهد که نورد سرد تاثیر منفی بر شکل پذیری این نوع فولاد ضد زنگ دارد، اما استحکام ورق تا حد زیادی بهبود می یابد. علاوه بر این، ANFIS نتایج رضایت بخشی را در مقایسه با اندازه گیری های تجربی نشان می دهد.
توانایی تشکیل ورق فلز، اگرچه موضوع مقالات علمی برای چندین دهه است، اما همچنان یک حوزه جالب تحقیق در متالورژی است. ابزارهای فنی جدید و مدل‌های محاسباتی یافتن عوامل بالقوه مؤثر بر شکل‌پذیری را آسان‌تر می‌کنند. مهمتر از همه، اهمیت ریزساختار برای حد شکل در سالهای اخیر با استفاده از روش المان محدود پلاستیسیته کریستالی (CPFEM) آشکار شده است. از سوی دیگر، در دسترس بودن میکروسکوپ الکترونی روبشی (SEM) و پراش الکترونی پس پراکندگی (EBSD) به محققان کمک می کند تا فعالیت ریزساختاری ساختارهای کریستالی را در طول تغییر شکل مشاهده کنند. درک تأثیر فازهای مختلف در فلزات، اندازه دانه و جهت گیری، و عیوب میکروسکوپی در سطح دانه برای پیش بینی شکل پذیری بسیار مهم است.
تعیین شکل پذیری به خودی خود یک فرآیند پیچیده است، زیرا شکل پذیری به شدت به مسیرهای 1، 2، 3 بستگی دارد. از سوی دیگر، بیشتر مسیرهای بار در کاربردهای صنعتی به عنوان بارگذاری غیرمتناسب طبقه بندی می شوند. در این راستا، روش های سنتی نیمکره ای و تجربی Marciniak-Kuchinsky (MK)4،5،6 باید با احتیاط استفاده شود. در سال های اخیر، مفهوم دیگری، نمودار حد شکست (FFLD) توجه بسیاری از مهندسان شکل پذیری را به خود جلب کرده است. در این مفهوم، از مدل آسیب برای پیش‌بینی شکل‌پذیری ورق استفاده می‌شود. در این راستا، استقلال مسیر در ابتدا در تحلیل گنجانده شده است و نتایج با نتایج تجربی مقیاس نشده 7،8،9 مطابقت خوبی دارد. شکل پذیری یک ورق فلزی به چندین پارامتر و تاریخچه پردازش ورق و همچنین به ریزساختار و فاز فلز بستگی دارد 10،11،12،13،14،15.
هنگام در نظر گرفتن ویژگی های میکروسکوپی فلزات، وابستگی به اندازه یک مشکل است. نشان داده شده است که در فضاهای تغییر شکل کوچک، وابستگی خواص ارتعاشی و کمانشی به شدت به مقیاس طول مواد بستگی دارد. 28,29,30. اثر اندازه دانه بر شکل‌پذیری از دیرباز در صنعت شناخته شده است. یاماگوچی و ملور [31] اثر اندازه و ضخامت دانه را بر روی خواص کششی ورق های فلزی با استفاده از تحلیل نظری مورد مطالعه قرار دادند. با استفاده از مدل Marciniac، آنها گزارش دادند که تحت بارگذاری کششی دو محوره، کاهش نسبت ضخامت به اندازه دانه منجر به کاهش خواص کششی ورق می شود. نتایج تجربی توسط ویلسون و همکاران. 32 تایید کرد که کاهش ضخامت به میانگین قطر دانه (t/d) منجر به کاهش کشش دو محوری ورق‌های فلزی با سه ضخامت مختلف می‌شود. آنها به این نتیجه رسیدند که در مقادیر t/d کمتر از 20، ناهمگنی تغییر شکل قابل توجه و گردنی عمدتاً تحت تأثیر دانه‌های منفرد در ضخامت ورق قرار می‌گیرد. Ulvan و Koursaris33 اثر اندازه دانه را بر ماشینکاری کلی فولادهای زنگ نزن آستنیتی 304 و 316 مورد مطالعه قرار دادند. آنها گزارش می دهند که شکل پذیری این فلزات تحت تأثیر اندازه دانه نیست، اما تغییرات جزئی در خواص کششی قابل مشاهده است. افزایش اندازه دانه است که منجر به کاهش ویژگی های مقاومتی این فولادها می شود. تأثیر چگالی نابجایی بر تنش جریان فلزات نیکل نشان می‌دهد که چگالی نابجایی، بدون در نظر گرفتن اندازه دانه، تنش جریان فلز را تعیین می‌کند. برهمکنش دانه و جهت گیری اولیه نیز تأثیر زیادی بر تکامل بافت آلومینیوم دارد که توسط بکر و پانچانادیسواران با استفاده از آزمایش ها و مدل سازی پلاستیسیته کریستال مورد بررسی قرار گرفت. نتایج عددی در تجزیه و تحلیل آنها با آزمایش‌ها مطابقت خوبی دارد، اگرچه برخی از نتایج شبیه‌سازی به دلیل محدودیت‌های شرایط مرزی اعمال شده از آزمایش‌ها منحرف می‌شوند. با مطالعه الگوهای پلاستیسیته کریستال و تشخیص تجربی، ورق های آلومینیومی نورد شده شکل پذیری متفاوتی از خود نشان می دهند. نتایج نشان داد که اگرچه منحنی‌های تنش-کرنش ورق‌های مختلف تقریباً یکسان است، اما بر اساس مقادیر اولیه تفاوت‌های معنی‌داری در شکل‌پذیری آنها وجود دارد. آملیراد و آسم پور از آزمایش‌ها و CPFEM برای بدست آوردن منحنی‌های تنش-کرنش برای ورق‌های فولادی زنگ نزن آستنیتی استفاده کردند. شبیه‌سازی‌های آن‌ها نشان داد که افزایش اندازه دانه در FLD به سمت بالا تغییر می‌کند و یک منحنی محدودکننده را تشکیل می‌دهد. علاوه بر این، همان نویسندگان تأثیر جهت گیری دانه و مورفولوژی را بر تشکیل حفره ها بررسی کردند.
علاوه بر مورفولوژی و جهت گیری دانه در فولادهای زنگ نزن آستنیتی، وضعیت فازهای دوقلو و ثانویه نیز مهم است. دوقلو مکانیزم اصلی سخت شدن و افزایش طول در فولاد TWIP 39 است. Hwang40 گزارش داد که شکل پذیری فولادهای TWIP علیرغم پاسخ کششی کافی ضعیف بود. با این حال، اثر دوقلوزایی تغییر شکل بر شکل‌پذیری ورق‌های فولادی آستنیتی به اندازه کافی مورد مطالعه قرار نگرفته است. میشرا و همکاران 41 فولادهای زنگ نزن آستنیتی را برای مشاهده دوقلوسازی در مسیرهای مختلف کرنش کششی مورد مطالعه قرار دادند. آنها دریافتند که دوقلوها می توانند از منابع پوسیدگی دوقلوهای آنیل شده و نسل جدید دوقلوها سرچشمه بگیرند. مشاهده شده است که بزرگترین دوقلوها تحت کشش دو محوری تشکیل می شوند. علاوه بر این، اشاره شد که تبدیل آستنیت به \({\alpha}^{^{\prime}}\)-مارتنزیت به مسیر کرنش بستگی دارد. هونگ و همکاران 42 اثر دوقلوزایی و مارتنزیت ناشی از کرنش را بر شکنندگی هیدروژن در طیف وسیعی از دماها در ذوب لیزری انتخابی فولاد آستنیتی 316 لیتری بررسی کرد. مشاهده شد که بسته به دما، هیدروژن می تواند باعث شکست یا بهبود شکل پذیری فولاد 316L شود. شن و همکاران 43 به صورت تجربی حجم مارتنزیت تغییر شکل را تحت بارگذاری کششی در نرخ های بارگذاری مختلف اندازه گیری کرد. مشخص شد که افزایش کرنش کششی کسر حجمی کسر مارتنزیت را افزایش می‌دهد.
روش های هوش مصنوعی به دلیل تطبیق پذیری آنها در مدل سازی مسائل پیچیده بدون توسل به مبانی فیزیکی و ریاضی مسئله، در علم و فناوری استفاده می شود. . مرادی و همکاران 44 نفر از تکنیک های یادگیری ماشین برای بهینه سازی شرایط شیمیایی برای تولید ذرات نانوسیلیس ریزتر استفاده کردند. سایر خواص شیمیایی نیز بر خواص مواد در مقیاس نانو تأثیر می گذارد که در بسیاری از مقالات تحقیقاتی مورد بررسی قرار گرفته است. Ce et al. 45 از ANFIS برای پیش‌بینی شکل‌پذیری ورق فولاد کربنی ساده در شرایط مختلف نورد استفاده کردند. به دلیل نورد سرد، چگالی نابجایی در فولاد نرم به طور قابل توجهی افزایش یافته است. فولادهای کربنی ساده با فولادهای زنگ نزن آستنیتی در مکانیزم سخت شدن و ترمیم متفاوت هستند. در فولاد کربنی ساده، تبدیل فاز در ریزساختار فلزی رخ نمی دهد. علاوه بر فاز فلزی، شکل‌پذیری، شکست، ماشین‌کاری و غیره فلزات نیز تحت‌تاثیر چندین ویژگی ریزساختاری دیگر قرار می‌گیرد که در طی انواع مختلف عملیات حرارتی، سرد کاری و پیری رخ می‌دهد. 60. , 61, 62. اخیراً چن و همکاران. 63 اثر نورد سرد را بر شکل‌پذیری فولاد 304 لیتری مورد مطالعه قرار دادند. آنها مشاهدات پدیدارشناختی را فقط در آزمایش های تجربی به منظور آموزش شبکه عصبی برای پیش بینی شکل پذیری در نظر گرفتند. در واقع، در مورد فولادهای زنگ نزن آستنیتی، عوامل متعددی با هم ترکیب می شوند تا خواص کششی ورق را کاهش دهند. لو و همکاران 64 از ANFIS برای مشاهده تأثیر پارامترهای مختلف بر فرآیند انبساط حفره استفاده کردند.
همانطور که به طور خلاصه در بررسی بالا مورد بحث قرار گرفت، تأثیر ریزساختار بر نمودار حد شکل در ادبیات توجه کمی شده است. از سوی دیگر، بسیاری از ویژگی های ریزساختاری باید در نظر گرفته شود. بنابراین گنجاندن تمامی عوامل ریزساختاری در روش های تحلیلی تقریبا غیرممکن است. از این نظر استفاده از هوش مصنوعی می تواند سودمند باشد. در این راستا، این مطالعه به بررسی اثر یکی از عوامل ریزساختاری، یعنی وجود مارتنزیت ناشی از تنش، بر شکل‌پذیری ورق‌های فولادی زنگ نزن می‌پردازد. این مطالعه با سایر مطالعات هوش مصنوعی با توجه به شکل‌پذیری متفاوت است، زیرا تمرکز بر ویژگی‌های ریزساختاری به جای منحنی‌های تجربی FLD است. ما به دنبال ارزیابی شکل‌پذیری فولاد 316 با محتویات مختلف مارتنزیت با استفاده از روش‌های تجربی و هوش مصنوعی بودیم. در مرحله اول فولاد 316 با ضخامت اولیه 2 میلی متر آنیل و نورد سرد به ضخامت های مختلف انجام شد. سپس با استفاده از کنترل متالوگرافی، سطح نسبی مارتنزیت اندازه گیری شد. شکل پذیری ورق های نورد شده با استفاده از آزمون ترکیدگی نیمکره برای به دست آوردن نمودار حد کرنش (FLD) تعیین شد. داده های دریافت شده از او بعداً برای آموزش و آزمایش سیستم تداخل عصبی-فازی مصنوعی (ANFIS) مورد استفاده قرار گرفت. پس از آموزش ANFIS، پیش‌بینی‌های شبکه عصبی با مجموعه جدیدی از نتایج تجربی مقایسه می‌شوند.
ورق فلزی استنلس استیل آستنیتی 316 مورد استفاده در مطالعه حاضر دارای ترکیب شیمیایی مطابق جدول 1 و ضخامت اولیه 1.5 میلی متر است. آنیل در دمای 1050 درجه سانتیگراد به مدت 1 ساعت و سپس کوئنچ با آب برای کاهش تنش های باقیمانده در ورق و به دست آوردن یک ریزساختار یکنواخت.
ریزساختار فولادهای آستنیتی را می توان با استفاده از چندین اچانت آشکار کرد. یکی از بهترین اچانت ها اسید نیتریک 60 درصد در آب مقطر است که در 1 VDC برای 120 s38 اچ شده است. با این حال، این حکاکی فقط مرزهای دانه را نشان می دهد و نمی تواند مرزهای دانه دوگانه را شناسایی کند، همانطور که در شکل 1a نشان داده شده است. اچ کننده دیگر گلیسرول استات است که در آن مرزهای دوقلو را می توان به خوبی مشاهده کرد، اما مرزهای دانه اینطور نیست، همانطور که در شکل 1b نشان داده شده است. علاوه بر این، پس از تبدیل فاز آستنیتی ناپایدار به فاز \({\alpha }^{^{\prime}}\)-مارتنزیت می‌توان با استفاده از اچانت گلیسرول استات، که در مطالعه حاضر مورد توجه است، تشخیص داد.
ریزساختار صفحه فلزی 316 پس از بازپخت، نشان داده شده توسط اچ های مختلف، (الف) 200x، 60% \({\mathrm{HNO}}_{3}\) در آب مقطر با ولتاژ 1.5 ولت برای 120 ثانیه، و (ب) 200x ، گلیسریل استات.
ورق های آنیل شده به ورقه هایی به عرض 11 سانتی متر و طول 1 متر برای نورد بریده شدند. کارخانه نورد سرد دارای دو رول متقارن به قطر 140 میلی متر می باشد. فرآیند نورد سرد باعث تبدیل آستنیت به مارتنزیت تغییر شکل در فولاد زنگ نزن 316 می شود. به دنبال نسبت فاز مارتنزیت به فاز آستنیت پس از نورد سرد در ضخامت های مختلف. روی انجیر شکل 2 نمونه ای از ریزساختار ورق فلزی را نشان می دهد. روی انجیر 2a یک تصویر متالوگرافی از یک نمونه نورد شده را نشان می دهد، همانطور که از جهت عمود بر ورق مشاهده می شود. روی انجیر 2b با استفاده از نرم افزار ImageJ65 قسمت مارتنزیتی با رنگ مشکی مشخص شده است. با استفاده از ابزارهای این نرم افزار متن باز می توان مساحت کسر مارتنزیت را اندازه گیری کرد. جدول 2 جزییات جزییات فازهای مارتنزیتی و آستنیتی را پس از نورد تا کاهش های مختلف ضخامت نشان می دهد.
ریزساختار یک ورق 316 لیتری پس از نورد تا 50% کاهش ضخامت، عمود بر صفحه ورق، 200 برابر بزرگنمایی شده، گلیسرول استات.
مقادیر ارائه شده در جدول 2 با میانگین گیری کسرهای مارتنزیت اندازه گیری شده بر روی سه عکس گرفته شده در مکان های مختلف بر روی یک نمونه متالوگرافی یکسان به دست آمد. علاوه بر این، در شکل. شکل 3 منحنی های برازش درجه دوم را برای درک بهتر اثر نورد سرد بر مارتنزیت نشان می دهد. مشاهده می شود که یک همبستگی تقریبا خطی بین نسبت مارتنزیت و کاهش ضخامت در شرایط نورد سرد وجود دارد. با این حال، یک رابطه درجه دوم می تواند این رابطه را بهتر نشان دهد.
تغییر در نسبت مارتنزیت به عنوان تابعی از کاهش ضخامت در طول نورد سرد یک ورق فولادی 316 آنیل شده اولیه.
حد شکل دهی طبق روش معمول با استفاده از تست های انفجار نیمکره 37،38،45،66 ارزیابی شد. در مجموع، شش نمونه با برش لیزری با ابعاد نشان داده شده در شکل 4a به عنوان مجموعه ای از نمونه های آزمایشی ساخته شد. برای هر حالت از کسر مارتنزیت، سه مجموعه از نمونه‌های آزمایشی تهیه و مورد آزمایش قرار گرفتند. روی انجیر 4b نمونه های برش خورده، صیقلی و علامت گذاری شده را نشان می دهد.
قالب گیری ناکازیما حجم نمونه و تخته برش را محدود می کند. (الف) ابعاد، (ب) نمونه های برش و علامت گذاری شده.
آزمایش پانچ نیمکره ای با استفاده از پرس هیدرولیک با سرعت حرکت 2 میلی متر بر ثانیه انجام شد. سطوح تماس پانچ و ورق به خوبی روغن کاری شده اند تا اثر اصطکاک بر روی محدودیت های شکل دهی به حداقل برسد. آزمایش را تا زمانی که یک باریک شدن یا شکست قابل توجه در نمونه مشاهده شود ادامه دهید. روی انجیر 5 نمونه تخریب شده در دستگاه و نمونه پس از آزمایش را نشان می دهد.
حد شکل دهی با استفاده از تست انفجار نیمکره ای، (الف) دستگاه تست، (ب) صفحه نمونه در هنگام شکست در دکل آزمایش، (ج) همان نمونه پس از آزمایش تعیین شد.
سیستم عصبی فازی توسعه یافته توسط Jang67 ابزار مناسبی برای پیش بینی منحنی حد تشکیل برگ است. این نوع شبکه عصبی مصنوعی شامل تأثیر پارامترها با توضیحات مبهم است. این بدان معنی است که آنها می توانند هر ارزش واقعی را در زمینه های خود بدست آورند. ارزش های این نوع بیشتر بر اساس ارزش آنها طبقه بندی می شوند. هر دسته قوانین خاص خود را دارد. به عنوان مثال، یک مقدار دما می تواند هر عدد واقعی باشد و بسته به مقدار آن، دماها را می توان به سرد، متوسط، گرم و گرم طبقه بندی کرد. در این رابطه، به عنوان مثال، قانون برای دمای پایین، قانون "پوشیدن ژاکت" و قانون برای دمای گرم "به اندازه کافی تی شرت" است. در خود منطق فازی، خروجی از نظر دقت و قابلیت اطمینان ارزیابی می شود. ترکیب سیستم های شبکه عصبی با منطق فازی تضمین می کند که ANFIS نتایج قابل اعتمادی را ارائه می دهد.
شکل 6 ارائه شده توسط Jang67 یک شبکه فازی عصبی ساده را نشان می دهد. همانطور که نشان داده شد، شبکه دو ورودی می گیرد، در مطالعه ما ورودی نسبت مارتنزیت در ریزساختار و مقدار کرنش جزئی است. در سطح اول تحلیل، مقادیر ورودی با استفاده از قوانین فازی و توابع عضویت (FC) فازی می شوند:
برای \(i=1، 2\)، از آنجایی که ورودی دارای دو دسته توضیحات فرض می شود. MF می تواند هر شکل مثلثی، ذوزنقه ای، گاوسی یا هر شکل دیگری به خود بگیرد.
بر اساس دسته های \({A}_{i}\) و \({B}_{i}\) و مقادیر MF آنها در سطح 2، برخی از قوانین اتخاذ شده است، همانطور که در شکل 7 نشان داده شده است. لایه، اثرات ورودی های مختلف به نوعی با هم ترکیب می شوند. در اینجا، قوانین زیر برای ترکیب تأثیر کسر مارتنزیت و مقادیر کرنش جزئی استفاده می شود:
خروجی \({w}_{i}\) این لایه را شدت اشتعال می گویند. این شدت اشتعال در لایه 3 طبق رابطه زیر نرمال می شود:
در لایه 4، قوانین Takagi و Sugeno 67،68 در محاسبه گنجانده شده اند تا تأثیر مقادیر اولیه پارامترهای ورودی را در نظر بگیرند. این لایه دارای روابط زیر است:
\({f}_{i}\) حاصل تحت تأثیر مقادیر نرمال شده در لایه‌ها قرار می‌گیرد که نتیجه نهایی یعنی مقادیر اصلی Warp را می‌دهد:
که در آن \(NR\) تعداد قوانین را نشان می دهد. نقش شبکه عصبی در اینجا استفاده از الگوریتم بهینه سازی داخلی خود برای تصحیح پارامترهای شبکه ناشناخته است. پارامترهای ناشناخته پارامترهای به دست آمده \(\left\{{p}_{i}، {q}_{i}، {r}_{i}\right\}\) و پارامترهای مربوط به MF هستند. تابع شکل زنگ باد تعمیم یافته در نظر گرفته می شوند:
نمودارهای حد شکل به پارامترهای زیادی بستگی دارد، از ترکیب شیمیایی تا تاریخچه تغییر شکل ورق فلز. ارزیابی برخی از پارامترها از جمله پارامترهای تست کشش آسان است، در حالی که برخی دیگر به روش های پیچیده تری مانند متالوگرافی یا تعیین تنش پسماند نیاز دارند. در بیشتر موارد، انجام آزمایش محدودیت کرنش برای هر دسته از ورق توصیه می شود. با این حال، گاهی اوقات می توان از نتایج آزمایشات دیگر برای تقریبی حد شکل دهی استفاده کرد. به عنوان مثال، چندین مطالعه از نتایج آزمایش کشش برای تعیین شکل‌پذیری ورق استفاده کرده‌اند69،70،71،72 سایر مطالعات شامل پارامترهای بیشتری در تجزیه و تحلیل خود بودند، مانند ضخامت دانه و اندازه 31،73،74،75،76،77. با این حال، گنجاندن تمام پارامترهای مجاز از نظر محاسباتی سودمند نیست. بنابراین، استفاده از مدل های ANFIS ممکن است یک رویکرد معقول برای پرداختن به این مسائل باشد45،63.
در این مقاله تأثیر محتوای مارتنزیت بر نمودار حد شکل دهی یک ورق فولادی آستنیتی 316 مورد بررسی قرار گرفت. در این راستا با استفاده از آزمون‌های تجربی مجموعه‌ای از داده‌ها تهیه شد. سیستم توسعه‌یافته دارای دو متغیر ورودی است: نسبت مارتنزیت اندازه‌گیری شده در آزمایش‌های متالوگرافی و محدوده کرنش‌های مهندسی کوچک. نتیجه یک تغییر شکل مهندسی عمده در منحنی حد شکل دهی است. سه نوع کسر مارتنزیتی وجود دارد: کسرهای ریز، متوسط ​​و زیاد. کم به این معنی است که نسبت مارتنزیت کمتر از 10٪ است. در شرایط متوسط، نسبت مارتنزیت از 10٪ تا 20٪ متغیر است. مقادیر بالای مارتنزیت کسری بیش از 20 درصد در نظر گرفته می شود. علاوه بر این، کرنش ثانویه دارای سه دسته متمایز بین 5- تا 5 درصد در نزدیکی محور عمودی است که برای تعیین FLD0 استفاده می شود. محدوده های مثبت و منفی دو دسته دیگر هستند.
نتایج آزمایش نیمکره در شکل نشان داده شده است. شکل 6 نمودار شکل دهی از حد را نشان می دهد که 5 تای آن FLD ورق های نورد جداگانه است. با توجه به یک نقطه ایمنی و منحنی حد بالایی آن منحنی حد (FLC) را تشکیل می دهد. شکل آخر تمام FLC ها را مقایسه می کند. همانطور که از شکل آخر مشاهده می شود، افزایش نسبت مارتنزیت در فولاد آستنیتی 316، شکل پذیری ورق فلز را کاهش می دهد. از طرف دیگر، افزایش نسبت مارتنزیت به تدریج FLC را به یک منحنی متقارن حول محور عمودی تبدیل می کند. در دو نمودار آخر، سمت راست منحنی کمی بالاتر از سمت چپ است، به این معنی که شکل پذیری در کشش دو محوری بیشتر از کشش تک محوری است. علاوه بر این، هر دو سویه مهندسی جزئی و اصلی قبل از گردن با افزایش نسبت مارتنزیت کاهش می‌یابند.
316 تشکیل یک منحنی حد. تأثیر نسبت مارتنزیت بر شکل‌پذیری ورق‌های فولادی آستنیتی. (نقطه ایمنی SF، منحنی حد تشکیل FLC، مارتنزیت M).
شبکه عصبی بر روی 60 مجموعه از نتایج تجربی با کسرهای مارتنزیت 7.8، 18.3 و 28.7٪ آموزش داده شد. مجموعه داده ای از 15.4 درصد مارتنزیت برای فرآیند تأیید و 25.6 درصد برای فرآیند آزمایش رزرو شده است. خطا بعد از 150 دوره حدود 1.5٪ است. روی انجیر 9 همبستگی بین خروجی واقعی (\({\epsilon }_{1}\)، حجم کار مهندسی پایه) ارائه شده برای آموزش و آزمایش را نشان می‌دهد. همانطور که می بینید، NFS آموزش دیده \({\epsilon} _{1}\) را به طور رضایت بخشی برای قطعات ورق فلزی پیش بینی می کند.
(الف) همبستگی بین مقادیر پیش‌بینی‌شده و واقعی پس از فرآیند آموزش، (ب) خطای بین مقادیر پیش‌بینی‌شده و واقعی برای بارهای مهندسی اصلی بر روی FLC در طول آموزش و تأیید.
در مرحله ای از آموزش، شبکه ANFIS به ناچار بازیافت می شود. برای تعیین این، یک بررسی موازی انجام می شود که به آن "چک" می گویند. اگر مقدار خطای اعتبارسنجی از مقدار آموزشی منحرف شود، شبکه شروع به آموزش مجدد می کند. همانطور که در شکل 9b نشان داده شده است، قبل از دوره 150، تفاوت بین منحنی های یادگیری و اعتبارسنجی اندک است و آنها تقریباً از منحنی مشابهی پیروی می کنند. در این مرحله، خطای فرآیند اعتبارسنجی شروع به انحراف از منحنی یادگیری می کند که نشانه ای از برازش بیش از حد ANFIS است. بنابراین شبکه ANFIS برای دور 150 با خطای 1.5 درصد حفظ می شود. سپس پیش‌بینی FLC برای ANFIS معرفی می‌شود. روی انجیر شکل 10 منحنی های پیش بینی شده و واقعی را برای نمونه های انتخابی مورد استفاده در فرآیند آموزش و تأیید نشان می دهد. از آنجایی که از داده های این منحنی ها برای آموزش شبکه استفاده شد، مشاهده پیش بینی های بسیار نزدیک تعجب آور نیست.
منحنی های آزمایشی واقعی FLC و ANFIS در شرایط مختلف محتوای مارتنزیت. این منحنی ها در فرآیند آموزش استفاده می شوند.
مدل ANFIS نمی داند چه اتفاقی برای نمونه آخر افتاده است. بنابراین، ما ANFIS آموزش دیده خود را برای FLC با ارسال نمونه هایی با کسر مارتنزیت 25.6٪ ​​آزمایش کردیم. روی انجیر شکل 11 پیش بینی ANFIS FLC و همچنین FLC تجربی را نشان می دهد. حداکثر خطای بین مقدار پیش‌بینی‌شده و مقدار آزمایشی 6.2 درصد است که بیشتر از مقدار پیش‌بینی‌شده در طول آموزش و اعتبارسنجی است. با این حال، این خطا در مقایسه با سایر مطالعاتی که به صورت نظری FLC را پیش‌بینی می‌کنند، خطای قابل تحملی است.
در صنعت، پارامترهایی که بر شکل پذیری تاثیر می گذارند به صورت زبانه توصیف می شوند. به عنوان مثال، "دانه درشت شکل پذیری را کاهش می دهد" یا "افزایش کار سرد باعث کاهش FLC می شود". ورودی شبکه ANFIS در مرحله اول به دسته های زبانی کم، متوسط ​​و زیاد طبقه بندی می شود. قوانین مختلفی برای دسته های مختلف در شبکه وجود دارد. بنابراین در صنعت، این نوع شبکه از نظر گنجاندن عوامل متعددی در توصیف و تحلیل زبانی آنها می تواند بسیار مفید باشد. در این کار سعی شد یکی از ویژگی های اصلی ریزساختار فولادهای زنگ نزن آستنیتی در نظر گرفته شود تا از امکانات ANFIS استفاده شود. میزان مارتنزیت 316 ناشی از تنش پیامد مستقیم کار سرد این درج ها است. با آزمایش و تجزیه و تحلیل ANFIS مشخص شد که افزایش نسبت مارتنزیت در این نوع فولاد زنگ نزن آستنیتی منجر به کاهش قابل توجهی در FLC صفحه 316 می شود، به طوری که افزایش نسبت مارتنزیت از 7.8 درصد به 28.7 درصد کاهش می یابد. FLD0 از 0.35. به ترتیب تا 0.1. از سوی دیگر، شبکه ANFIS آموزش دیده و معتبر می تواند FLC را با استفاده از 80 درصد داده های تجربی موجود با حداکثر خطای 5/6 درصد پیش بینی کند که در مقایسه با سایر رویه های نظری و روابط پدیدارشناختی، حاشیه خطای قابل قبولی است.
مجموعه داده های مورد استفاده و/یا تجزیه و تحلیل شده در مطالعه حاضر در صورت درخواست معقول از نویسندگان مربوطه در دسترس است.
افتخار، CMA، و همکاران. تکامل مسیرهای تسلیم بعدی آلیاژ منیزیم اکسترود شده AZ31 "همانطور که هست" تحت مسیرهای بارگذاری متناسب و غیرمتناسب: آزمایش‌ها و شبیه‌سازی‌های CPFEM. داخلی J. Prast. 151, 103216 (2022).
افتخار، TsMA و همکاران. تکامل سطح تسلیم بعدی پس از تغییر شکل پلاستیک در امتداد مسیرهای بارگذاری متناسب و غیرمتناسب آلیاژ AA6061 آنیل شده: آزمایش‌ها و مدل‌سازی المان محدود انعطاف‌پذیری کریستال. داخلی J. Plast 143, 102956 (2021).
Manik، T.، Holmedal، B. & Hopperstad، تنش های گذرا سیستم عامل، سخت شدن کار و مقادیر r آلومینیوم به دلیل تغییر مسیر کرنش. داخلی J. Prast. 69، 1-20 (2015).
ماموشی، اچ و همکاران. یک روش تجربی جدید برای تعیین نمودار شکل دهی محدود با در نظر گرفتن اثر فشار نرمال. داخلی J. Alma mater. فرم. 15 (1)، 1 (2022).
یانگ زی و همکاران کالیبراسیون تجربی پارامترهای شکست شکل پذیر و محدودیت های کرنش ورق فلز AA7075-T6. جی. آلما ماتر. فرآیند فن آوری ها 291, 117044 (2021).
پتریتس، A. و همکاران. دستگاه های برداشت انرژی پنهان و حسگرهای زیست پزشکی مبتنی بر مبدل های فروالکتریک فوق العاده انعطاف پذیر و دیودهای آلی. کمون ملی 12 (1)، 2399 (2021).
Basak، S. و Panda، SK تجزیه و تحلیل حدود گردن و شکست صفحات مختلف از پیش تغییر شکل در مسیرهای تغییر شکل پلاستیک موثر قطبی با استفاده از مدل تسلیم Yld 2000-2d. جی. آلما ماتر. فرآیند فن آوری ها 267، 289-307 (2019).
Basak، S. و Panda، تغییر شکل‌های شکست SK در ورق‌های ناهمسانگرد: ارزیابی تجربی و پیش‌بینی‌های نظری. داخلی J. Mecha. علم 151، 356-374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ بررسی تجربی و نظری تأثیر تغییر مسیر کرنش بر نمودار حد قالب گیری AA5083. داخلی J. Adv. سازنده فن آوری ها 76 (5-8)، 1343-1352 (2015).
حبیبی، م و همکاران. مطالعه تجربی خواص مکانیکی، شکل‌پذیری، و نمودار شکل‌دهی محدود کننده‌های اصطکاکی اغتشاشی جوش داده شده. جی. میکر. فرآیند 31، 310-323 (2018).
حبیبی، م.، و همکاران. با در نظر گرفتن تأثیر خمش، نمودار حدی با ترکیب مدل MC در مدل‌سازی اجزای محدود تشکیل می‌شود. فرآیند موسسه خز. پروژه L 232 (8)، 625-636 (2018).