Děkujeme, že jste navštívili Nature.com. Používáte verzi prohlížeče s omezenou podporou CSS. Chcete-li dosáhnout nejlepšího výsledku, doporučujeme použít aktualizovaný prohlížeč (nebo vypnout režim kompatibility v aplikaci Internet Explorer). Abychom zajistili nepřetržitou podporu, zobrazujeme web bez stylů a JavaScriptu.
Posuvníky zobrazující tři články na snímku. Pro pohyb mezi snímky použijte tlačítka zpět a další, pro pohyb po jednotlivých snímcích použijte tlačítka posuvného ovladače na konci.
Vliv mikrostruktury na tvařitelnost plechů z nerezové oceli je hlavním zájmem inženýrů zabývajících se zpracováním plechu. U austenitických ocelí vede přítomnost deformačního martenzitu (\({\alpha}^{^{\prime))\)-martenzit) v mikrostruktuře k výraznému zpevnění a snížení tvařitelnosti. V této studii jsme se zaměřili na vyhodnocení tvařitelnosti ocelí AISI 316 s různou martenzitickou pevností pomocí experimentálních metod a metod umělé inteligence. V prvním kroku byla ocel AISI 316 s počáteční tloušťkou 2 mm žíhána a válcována za studena na různé tloušťky. Následně byla měřena relativní deformační plocha martenzitu metalografickým testováním. Tvářitelnost válcovaných plechů byla stanovena pomocí testu na roztržení polokoule, aby se získal diagram mezní deformace (FLD). Data získaná jako výsledek experimentů se dále používají k trénování a testování systému umělé neuro-fuzzy interference (ANFIS). Po tréninku ANFIS byly dominantní kmeny předpovězené neuronovou sítí porovnány s novým souborem experimentálních výsledků. Výsledky ukazují, že válcování za studena má negativní vliv na tvařitelnost tohoto typu nerezové oceli, ale pevnost plechu je výrazně zlepšena. ANFIS navíc vykazuje uspokojivé výsledky ve srovnání s experimentálními měřeními.
Schopnost tvarovat plech, přestože je předmětem vědeckých článků po desetiletí, zůstává zajímavou oblastí výzkumu v metalurgii. Nové technické nástroje a výpočetní modely usnadňují nalezení potenciálních faktorů ovlivňujících tvařitelnost. Nejdůležitější je, že důležitost mikrostruktury pro tvarový limit byla v posledních letech odhalena pomocí metody Crystal Plasticity Finite Element Method (CPFEM). Na druhou stranu dostupnost rastrovací elektronové mikroskopie (SEM) a elektronové zpětné difrakce (EBSD) pomáhá výzkumníkům pozorovat mikrostrukturní aktivitu krystalových struktur během deformace. Pochopení vlivu různých fází v kovech, velikosti a orientace zrna a mikroskopických defektů na úrovni zrn je rozhodující pro predikci tvařitelnosti.
Stanovení tvařitelnosti je samo o sobě složitý proces, protože se ukázalo, že tvařitelnost je vysoce závislá na drahách 1, 2, 3. Proto jsou konvenční představy o mezním přetvoření při tváření nespolehlivé za podmínek nepřiměřeného zatížení. Na druhou stranu je většina drah zatížení v průmyslových aplikacích klasifikována jako neproporcionální zatížení. V tomto ohledu by měly být tradiční hemisférické a experimentální metody Marciniak-Kuchinsky (MK)4,5,6 používány opatrně. V posledních letech upoutal pozornost mnoha inženýrů tváření další koncept, diagram mezního lomu (FFLD). V tomto konceptu se k predikci tvařitelnosti plechu používá model poškození. V tomto ohledu je do analýzy zpočátku zahrnuta nezávislost na cestě a výsledky jsou v dobré shodě s neškálovanými experimentálními výsledky7,8,9. Tvařitelnost plechu závisí na několika parametrech a historii zpracování plechu, stejně jako na mikrostruktuře a fázi kovu10,11,12,13,14,15.
Závislost na velikosti je problémem při zvažování mikroskopických vlastností kovů. Ukázalo se, že v malých deformačních prostorech závislost vibračních a vzpěrných vlastností silně závisí na délkovém měřítku materiálu16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Vliv velikosti zrna na tvařitelnost je v průmyslu již dlouho uznáván. Yamaguchi a Mellor [31] studovali vliv velikosti zrna a tloušťky na tahové vlastnosti plechů pomocí teoretické analýzy. Pomocí Marciniacova modelu uvádějí, že při dvouosém tahovém zatížení vede snížení poměru tloušťky k velikosti zrna ke snížení tahových vlastností plechu. Experimentální výsledky Wilson et al. 32 potvrdilo, že snížení tloušťky na střední průměr zrna (t/d) vedlo ke snížení dvouosé roztažitelnosti plechů tří různých tlouštěk. Došli k závěru, že při hodnotách t/d nižších než 20 je patrná deformační nehomogenita a hrdlování ovlivněno především jednotlivými zrny v tloušťce plechu. Ulvan a Koursaris33 studovali vliv velikosti zrna na celkovou obrobitelnost austenitických nerezových ocelí 304 a 316. Uvádějí, že tvařitelnost těchto kovů není ovlivněna velikostí zrna, ale lze pozorovat malé změny v tahových vlastnostech. Právě nárůst velikosti zrna vede ke snížení pevnostních charakteristik těchto ocelí. Vliv dislokační hustoty na tokové napětí kovů niklu ukazuje, že dislokační hustota určuje tokové napětí kovu bez ohledu na velikost zrna34. Interakce zrn a počáteční orientace mají také velký vliv na vývoj textury hliníku, kterou zkoumali Becker a Panchanadiswaran pomocí experimentů a modelování krystalické plasticity35. Numerické výsledky v jejich analýze jsou v dobré shodě s experimenty, i když některé výsledky simulací se od experimentů odchylují kvůli omezením použitých okrajových podmínek. Studiem vzorů krystalické plasticity a experimentální detekcí vykazují válcované hliníkové plechy různou tvarovatelnost36. Výsledky ukázaly, že ačkoli křivky napětí-deformace různých plechů byly téměř stejné, existovaly významné rozdíly v jejich tvařitelnosti na základě počátečních hodnot. Amelirad a Assempour použili experimenty a CPFEM k získání křivek napětí-deformace pro plechy z austenitické nerezové oceli37. Jejich simulace ukázaly, že nárůst velikosti zrn se posouvá směrem nahoru v FLD a vytváří limitní křivku. Kromě toho stejní autoři zkoumali vliv orientace zrn a morfologie na tvorbu dutin 38 .
Kromě morfologie a orientace zrn u austenitických korozivzdorných ocelí je důležitý také stav dvojčat a sekundárních fází. Twinning je hlavním mechanismem pro kalení a zvýšení tažnosti oceli TWIP 39. Hwang40 uvedl, že tvárnost TWIP ocelí byla špatná i přes dostatečnou odezvu v tahu. Vliv deformačního dvojčatění na tvařitelnost austenitických ocelových plechů však nebyl dostatečně studován. Mishra a kol. 41 studovali austenitické nerezové oceli, aby pozorovali dvojčatění při různých drahách tahového napětí. Zjistili, že dvojčata mohou pocházet ze zdrojů rozkladu jak žíhaných dvojčat, tak nové generace dvojčat. Bylo pozorováno, že největší dvojčata se tvoří pod dvouosým napětím. Navíc bylo zaznamenáno, že přeměna austenitu na \({\alpha}^{^{\prime}}\)-martenzit závisí na dráze napětí. Hong a kol. 42 zkoumal vliv deformací indukovaného dvojčatění a martenzitu na vodíkové křehnutí v rozsahu teplot při selektivním laserovém tavení austenitické oceli 316L. Bylo pozorováno, že v závislosti na teplotě by vodík mohl způsobit selhání nebo zlepšit tvařitelnost oceli 316L. Shen a kol. 43 experimentálně změřil objem deformačního martenzitu při tahovém zatížení při různých rychlostech zatížení. Bylo zjištěno, že zvýšení napětí v tahu zvyšuje objemový podíl martenzitové frakce.
Metody umělé inteligence se používají ve vědě a technice kvůli jejich všestrannosti při modelování složitých problémů, aniž by se uchylovaly k fyzikálním a matematickým základům problému44,45,46,47,48,49,50,51,52 Počet metod umělé inteligence se zvyšuje . Moradi a kol. 44 využili techniky strojového učení k optimalizaci chemických podmínek k výrobě jemnějších částic nanokřemičitanu. Další chemické vlastnosti také ovlivňují vlastnosti materiálů v nanoměřítku, což bylo zkoumáno v mnoha výzkumných článcích53. Ce a kol. 45 použil ANFIS k predikci tvařitelnosti plechu z obyčejné uhlíkové oceli za různých podmínek válcování. V důsledku válcování za studena se hustota dislokací u měkké oceli výrazně zvýšila. Obyčejné uhlíkové oceli se liší od austenitických korozivzdorných ocelí mechanismem kalení a obnovy. V jednoduché uhlíkové oceli nedochází k fázovým přeměnám v mikrostruktuře kovu. Kromě kovové fáze ovlivňuje tažnost, lom, obrobitelnost atd. kovů také několik dalších mikrostrukturálních vlastností, které se vyskytují při různých typech tepelného zpracování, tváření za studena a stárnutí54,55,56,57,58,59 ,60. , 61, 62. Nedávno Chen a kol. 63 studoval vliv válcování za studena na tvařitelnost oceli 304L. Fenomenologická pozorování brali v úvahu pouze v experimentálních testech, aby trénovali neuronovou síť k predikci tvarovatelnosti. Ve skutečnosti se v případě austenitických nerezových ocelí spojuje několik faktorů, které snižují tahové vlastnosti plechu. Lu et al.64 použili ANFIS k pozorování vlivu různých parametrů na proces rozšiřování díry.
Jak bylo stručně diskutováno ve výše uvedeném přehledu, vlivu mikrostruktury na diagram limitního tvaru se v literatuře věnovala malá pozornost. Na druhou stranu je třeba vzít v úvahu mnoho mikrostrukturálních vlastností. Proto je téměř nemožné zahrnout do analytických metod všechny mikrostrukturální faktory. V tomto smyslu může být využití umělé inteligence přínosné. V tomto ohledu tato studie zkoumá vliv jednoho aspektu mikrostrukturálních faktorů, a to přítomnosti martenzitu vyvolaného napětím, na tvařitelnost plechů z nerezové oceli. Tato studie se liší od jiných studií AI s ohledem na tvárnost v tom, že se zaměřuje spíše na mikrostrukturální rysy než pouze na experimentální křivky FLD. Snažili jsme se vyhodnotit tvařitelnost oceli 316 s různým obsahem martenzitu pomocí experimentálních metod a metod umělé inteligence. V prvním kroku byla ocel 316 s počáteční tloušťkou 2 mm žíhána a válcována za studena na různé tloušťky. Poté byla pomocí metalografické kontroly změřena relativní plocha martenzitu. Tvářitelnost válcovaných plechů byla stanovena pomocí testu na roztržení polokoule, aby se získal diagram mezní deformace (FLD). Data získaná od něj byla později použita k trénování a testování systému umělé neuro-fuzzy interference (ANFIS). Po trénování ANFIS jsou předpovědi neuronové sítě porovnány s novou sadou experimentálních výsledků.
Kovový plech z austenitické nerezové oceli 316 použitý v této studii má chemické složení, jak je uvedeno v tabulce 1, a počáteční tloušťku 1,5 mm. Žíhání při 1050 °C po dobu 1 hodiny s následným ochlazením vodou, aby se uvolnilo zbytkové pnutí v plechu a získala se stejnoměrná mikrostruktura.
Mikrostrukturu austenitických ocelí lze odhalit pomocí několika leptadel. Jedním z nejlepších leptadel je 60% kyselina dusičná v destilované vodě, leptaná při 1 V DC po dobu 120 s38. Toto leptadlo však ukazuje pouze hranice zrn a nemůže identifikovat dvojité hranice zrn, jak je znázorněno na obr. 1a. Dalším leptadlem je glycerolacetát, ve kterém lze dobře zobrazit hranice dvojčat, ale hranice zrn nikoli, jak je znázorněno na obr. 1b. Navíc, po transformaci metastabilní austenitické fáze na \({\alpha }^{^{\prime}}}\)-martenzitovou fázi lze detekovat pomocí glycerolacetátového leptadla, které je předmětem zájmu současné studie.
Mikrostruktura kovové desky 316 po žíhání, znázorněná různými leptadly, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) v destilované vodě při 1,5 V po dobu 120 s, a (b) 200x glycerylacetát.
Vyžíhané plechy byly rozřezány na plechy o šířce 11 cm a délce 1 m pro válcování. Válcovna za studena má dva symetrické válce o průměru 140 mm. Proces válcování za studena způsobuje u nerezové oceli 316 přeměnu austenitu na deformační martenzit. Hledání poměru martenzitické fáze k austenitové fázi po válcování za studena přes různé tloušťky. Na Obr. 2 ukazuje vzorek mikrostruktury plechu. Na Obr. 2a ukazuje metalografický obraz válcovaného vzorku při pohledu ze směru kolmého k plechu. Na Obr. 2b pomocí softwaru ImageJ65 je martenzitická část zvýrazněna černě. Pomocí nástrojů tohoto open source softwaru lze měřit plochu martenzitové frakce. Tabulka 2 ukazuje podrobné podíly martenzitické a austenitické fáze po válcování na různé redukce tloušťky.
Mikrostruktura 316L plechu po válcování na 50% zmenšení tloušťky, při pohledu kolmo k rovině plechu, zvětšeno 200x, glycerolacetát.
Hodnoty uvedené v tabulce 2 byly získány zprůměrováním naměřených frakcí martenzitu na třech fotografiích pořízených na různých místech na stejném metalografickém vzorku. Kromě toho na Obr. 3 ukazuje kvadratické prokládací křivky pro lepší pochopení účinku válcování za studena na martenzit. Je vidět, že existuje téměř lineární korelace mezi podílem martenzitu a zmenšením tloušťky ve stavu válcovaném za studena. Kvadratický vztah však může tento vztah lépe reprezentovat.
Změny v podílu martenzitu jako funkce redukce tloušťky během válcování za studena původně žíhaného ocelového plechu 316.
Hranice tvarování byla vyhodnocena podle obvyklého postupu s použitím hemisférových prasklinových testů37,38,45,66. Celkem bylo laserovým řezáním vyrobeno šest vzorků s rozměry znázorněnými na obr. 4a jako sada experimentálních vzorků. Pro každý stav martenzitické frakce byly připraveny a testovány tři sady zkušebních těles. Na Obr. 4b ukazuje řezané, leštěné a označené vzorky.
Lisování Nakazima omezuje velikost vzorku a prkénko. (a) Rozměry, (b) Vyříznuté a označené vzorky.
Zkouška na polokulové děrování byla provedena pomocí hydraulického lisu s rychlostí pojezdu 2 mm/s. Kontaktní povrchy razníku a plechu jsou dobře mazány, aby se minimalizoval vliv tření na meze tváření. Pokračujte v testování, dokud není ve vzorku pozorováno výrazné zúžení nebo prasknutí. Na Obr. 5 ukazuje zničený vzorek v zařízení a vzorek po testování.
Mez tvarování byla stanovena pomocí polokulového testu roztržení, (a) zkušebního zařízení, (b) destičky se vzorkem při přetržení ve zkušebním zařízení, (c) stejného vzorku po testování.
Neuro-fuzzy systém vyvinutý Jang67 je vhodným nástrojem pro predikci limitní křivky tvorby listů. Tento typ umělé neuronové sítě zahrnuje vliv parametrů s vágním popisem. To znamená, že ve svých oborech mohou získat jakoukoli skutečnou hodnotu. Hodnoty tohoto typu jsou dále klasifikovány podle jejich hodnoty. Každá kategorie má svá pravidla. Hodnota teploty může být například jakékoli reálné číslo a v závislosti na její hodnotě lze teploty klasifikovat jako studené, střední, teplé a horké. V tomto ohledu je například pravidlem pro nízké teploty pravidlo „nosit bundu“ a pravidlem pro teplé teploty „dostatek trička“. V samotné fuzzy logice je výstup hodnocen z hlediska přesnosti a spolehlivosti. Kombinace systémů neuronových sítí s fuzzy logikou zajišťuje, že ANFIS bude poskytovat spolehlivé výsledky.
Obrázek 6 poskytnutý Jang67 ukazuje jednoduchou neuronovou fuzzy síť. Jak je ukázáno, síť má dva vstupy, v naší studii je vstupem podíl martenzitu v mikrostruktuře a hodnota malého napětí. Na první úrovni analýzy jsou vstupní hodnoty fuzzifikovány pomocí fuzzy pravidel a funkcí příslušnosti (FC):
Pro \(i=1, 2\), protože se předpokládá, že vstup má dvě kategorie popisu. MF může mít jakýkoli trojúhelníkový, lichoběžníkový, gaussovský nebo jakýkoli jiný tvar.
Na základě kategorií \({A}_{i}\) a \({B}_{i}\) a jejich hodnot MF na úrovni 2 jsou přijata některá pravidla, jak je znázorněno na obrázku 7. vrstvy se účinky různých vstupů nějak kombinují. Zde se používají následující pravidla pro kombinaci vlivu martenzitové frakce a hodnot minoritních deformací:
Výstup \({w}_{i}\) této vrstvy se nazývá intenzita zážehu. Tyto intenzity vznícení jsou normalizovány ve vrstvě 3 podle následujícího vztahu:
Ve vrstvě 4 jsou do výpočtu zahrnuta pravidla Takagi a Sugeno67,68, aby se zohlednil vliv počátečních hodnot vstupních parametrů. Tato vrstva má následující vztahy:
Výsledný \({f}_{i}\) je ovlivněn normalizovanými hodnotami ve vrstvách, což dává konečnému výsledku hlavní hodnoty deformace:
kde \(NR\) představuje počet pravidel. Role neuronové sítě zde spočívá ve využití svého vnitřního optimalizačního algoritmu ke korekci neznámých parametrů sítě. Neznámé parametry jsou výsledné parametry \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) a parametry související s MF jsou považovány za zobecněnou funkci tvaru zvonku větru:
Mezní diagramy tvaru závisí na mnoha parametrech, od chemického složení až po historii deformace plechu. Některé parametry lze snadno vyhodnotit, včetně parametrů zkoušky tahem, zatímco jiné vyžadují složitější postupy, jako je metalografie nebo stanovení zbytkového napětí. Ve většině případů je vhodné provést u každé šarže plechu mezní zkoušku přetvoření. Někdy však lze k přiblížení limitu tvarování použít jiné výsledky testu. Například několik studií použilo výsledky zkoušek tahem ke stanovení tvárnosti plechu69,70,71,72. Jiné studie zahrnuly do své analýzy více parametrů, jako je tloušťka a velikost zrna31,73,74,75,76,77. Zahrnout všechny povolené parametry však není výpočetně výhodné. Použití modelů ANFIS tedy může být rozumným přístupem k řešení těchto problémů45,63.
V tomto článku byl zkoumán vliv obsahu martenzitu na mez tvarování plechu z austenitické oceli 316. V tomto ohledu byl pomocí experimentálních testů připraven soubor dat. Vyvinutý systém má dvě vstupní proměnné: podíl martenzitu naměřený v metalografických testech a rozsah malých technických deformací. Výsledkem je velká inženýrská deformace mezní křivky tváření. Existují tři typy martenzitických frakcí: jemné, střední a vysoké frakce. Nízký znamená, že podíl martenzitu je menší než 10 %. Za mírných podmínek se podíl martenzitu pohybuje od 10 % do 20 %. Za vysoké hodnoty martenzitu jsou považovány frakce vyšší než 20 %. Kromě toho má sekundární deformace tři různé kategorie mezi -5 % a 5 % v blízkosti vertikální osy, které se používají k určení FLD0. Pozitivní a negativní rozsahy jsou další dvě kategorie.
Výsledky hemisférického testu jsou uvedeny na Obr. Na obrázku je 6 tvarovacích diagramů mezí, z nichž 5 je FLD jednotlivých válcovaných plechů. Daný bezpečnostní bod a jeho horní mezní křivka tvoří mezní křivku (FLC). Poslední obrázek porovnává všechny FLC. Jak je patrné z posledního obrázku, zvýšení podílu martenzitu v austenitické oceli 316 snižuje tvařitelnost plechu. Na druhé straně zvyšování podílu martenzitu postupně mění FLC na symetrickou křivku kolem svislé osy. V posledních dvou grafech je pravá strana křivky o něco výše než levá, což znamená, že tvařitelnost v dvouosém tahu je vyšší než v jednoosém tahu. Kromě toho, jak menší, tak i velké inženýrské deformace před vytvořením hrdla klesají se zvyšujícím se podílem martenzitu.
316 tvořící limitní křivku. Vliv podílu martenzitu na tvařitelnost plechů austenitické oceli. (bezpečnostní bod SF, mezní křivka tvorby FLC, martenzit M).
Neuronová síť byla trénována na 60 sadách experimentálních výsledků s martenzitovými frakcemi 7,8, 18,3 a 28,7 %. Soubor dat 15,4 % martenzitu byl vyhrazen pro proces ověřování a 25,6 % pro proces testování. Chyba po 150 epochách je asi 1,5 %. Na Obr. 9 ukazuje korelaci mezi skutečným výstupem (\({\epsilon }_{1}\), základní inženýrská pracovní zátěž) poskytnutým pro školení a testování. Jak vidíte, trénovaný NFS předpovídá \({\epsilon} _{1}\) uspokojivě pro plechové díly.
(a) Korelace mezi předpokládanými a skutečnými hodnotami po tréninkovém procesu, (b) Chyba mezi předpokládanými a skutečnými hodnotami pro hlavní inženýrské zatížení na FLC během školení a ověřování.
V určitém okamžiku během školení je síť ANFIS nevyhnutelně recyklována. K určení toho se provádí paralelní kontrola, nazývaná „kontrola“. Pokud se hodnota chyby ověření odchyluje od trénovací hodnoty, síť se začne znovu trénovat. Jak je znázorněno na obrázku 9b, před epochou 150 je rozdíl mezi křivkami učení a ověřování malý a sledují zhruba stejnou křivku. V tomto okamžiku se chyba procesu ověřování začíná odchylovat od křivky učení, což je známkou nadměrného vybavení ANFIS. Síť ANFIS pro kolo 150 je tedy zachována s chybou 1,5 %. Poté je představena predikce FLC pro ANFIS. Na Obr. 10 ukazuje předpokládané a skutečné křivky pro vybrané vzorky použité v procesu školení a ověřování. Vzhledem k tomu, že data z těchto křivek byla použita k trénování sítě, není překvapivé pozorovat velmi blízké předpovědi.
Aktuální experimentální prediktivní křivky FLC a ANFIS za různých podmínek obsahu martenzitu. Tyto křivky se využívají v tréninkovém procesu.
Model ANFIS neví, co se stalo s posledním vzorkem. Proto jsme testovali naše vyškolené ANFIS pro FLC předložením vzorků s podílem martenzitu 25,6 %. Na Obr. 11 ukazuje předpověď ANFIS FLC a také experimentální FLC. Maximální chyba mezi predikovanou hodnotou a experimentální hodnotou je 6,2 %, což je vyšší než predikovaná hodnota během tréninku a validace. Tato chyba je však tolerovatelná chyba ve srovnání s jinými studiemi, které FLC předpovídají teoreticky37.
V průmyslu jsou parametry, které ovlivňují tvařitelnost, popsány ve formě jazyka. Například „hrubé zrno snižuje tvařitelnost“ nebo „větší tváření za studena snižuje FLC“. Vstup do sítě ANFIS je v první fázi klasifikován do jazykových kategorií, jako je nízká, střední a vysoká. Pro různé kategorie v síti platí různá pravidla. Proto v průmyslu může být tento typ sítě velmi užitečný, pokud jde o zahrnutí několika faktorů do jejich lingvistického popisu a analýzy. V této práci jsme se pokusili zohlednit jeden z hlavních rysů mikrostruktury austenitických nerezových ocelí, abychom využili možností ANFIS. Množství namáháním indukovaného martenzitu 316 je přímým důsledkem tváření těchto břitových destiček za studena. Experimentováním a analýzou ANFIS bylo zjištěno, že zvýšení podílu martenzitu v tomto typu austenitické nerezové oceli vede k významnému snížení FLC desky 316, takže zvýšení podílu martenzitu ze 7,8 % na 28,7 % snižuje FLD0 od 0,35. až 0,1 resp. Na druhou stranu, trénovaná a ověřená síť ANFIS dokáže předpovědět FLC pomocí 80 % dostupných experimentálních dat s maximální chybou 6,5 %, což je přijatelná hranice chyby ve srovnání s jinými teoretickými postupy a fenomenologickými vztahy.
Soubory dat použité a/nebo analyzované v současné studii jsou na odůvodněnou žádost k dispozici od příslušných autorů.
Iftikhar, CMA, a kol. Vývoj následných drah kluzu extrudované hořčíkové slitiny AZ31 „tak jak je“ při proporcionálních a neproporcionálních drahách zatížení: experimenty a simulace CPFEM. vnitřní J. Prast. 151, 103216 (2022).
Iftikhar, TsMA a kol. Vývoj následné kluzné plochy po plastické deformaci podél proporcionálních a neproporcionálních zatěžovacích drah žíhané slitiny AA6061: experimenty a modelování krystalové plasticity metodou konečných prvků. interní J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Přechodné jevy napětí, deformační zpevnění a hodnoty r hliníku v důsledku změn dráhy deformace. vnitřní J. Prast. 69, 1–20 (2015).
Mamushi, H. a kol. Nová experimentální metoda pro stanovení limitního tvarovacího diagramu zohledňující vliv normálového tlaku. interní J. Alma mater. formulář. 15(1), 1 (2022).
Yang Z. a kol. Experimentální kalibrace parametrů tvárného lomu a mezí přetvoření plechu AA7075-T6. J. Alma mater. proces. technologií. 291, 117044 (2021).
Petrits, A. a kol. Zařízení pro skrytou energii a biomedicínské senzory založené na ultraflexibilních feroelektrických konvertorech a organických diodách. Národní komuna. 12(1), 2399 (2021).
Basak, S. a Panda, SK Analýza limitů zúžení a lomu různých předdeformovaných desek v polárních efektivních plastických deformačních drahách pomocí modelu výtěžnosti Yld 2000–2d. J. Alma mater. proces. technologií. 267, 289–307 (2019).
Basak, S. a Panda, SK Lomové deformace anizotropních plechů: Experimentální hodnocení a teoretické předpovědi. interní J. Mecha. věda. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Experimentální a teoretická studie vlivu změny trajektorie deformace na mezní diagram lisování AA5083. vnitřní J. Adv. výrobce. technologií. 76(5–8), 1343–1352 (2015).
Habibi, M. a kol. Experimentální studium mechanických vlastností, tvařitelnosti a mezního tvarovacího diagramu polotovarů svařovaných třením za míchání. J. Maker. proces. 31, 310–323 (2018).
Habibi, M. a kol. S ohledem na vliv ohybu je mezní diagram tvořen začleněním MC modelu do modelování metodou konečných prvků. proces. Kožešinový institut. projekt. L 232(8), 625–636 (2018).
Čas odeslání: Jun-08-2023