Nature.com을 방문해 주셔서 감사합니다. CSS 지원이 제한된 브라우저 버전을 사용하고 있습니다. 최상의 경험을 위해서는 업데이트된 브라우저를 사용하거나 Internet Explorer에서 호환 모드를 비활성화하는 것이 좋습니다. 또한 지속적인 지원을 보장하기 위해 스타일과 JavaScript가 없는 사이트를 표시합니다.
슬라이드당 기사 3개를 표시하는 슬라이더입니다. 슬라이드 사이를 이동하려면 뒤로 및 다음 버튼을 사용하고, 각 슬라이드 사이를 이동하려면 끝에 있는 슬라이드 컨트롤러 버튼을 사용하세요.
스테인리스 강판의 성형성에 대한 미세 구조의 영향은 판금 가공 엔지니어의 주요 관심사입니다. 오스테나이트 강의 경우 미세 조직에 변형 마르텐사이트(\({\alpha}^{^{\prime))\)-마르텐사이트)가 존재하면 상당한 경화가 발생하고 성형성이 감소합니다. 본 연구에서는 실험 및 인공지능 방법을 통해 다양한 마르텐사이트 강도를 갖는 AISI 316 강의 성형성을 평가하는 것을 목표로 했습니다. 첫 번째 단계에서는 초기 두께가 2mm인 AISI 316 강철을 어닐링하고 다양한 두께로 냉간 압연했습니다. 이어서, 상대 변형 마르텐사이트 면적을 금속 조직학적 테스트로 측정했습니다. 변형 한계 다이어그램(FLD)을 얻기 위해 반구 파열 테스트를 사용하여 압연 시트의 성형성을 결정했습니다. 실험 결과 얻은 데이터는 ANFIS(인공 뉴로 퍼지 간섭 시스템)를 훈련하고 테스트하는 데 추가로 사용됩니다. ANFIS 훈련 후, 신경망에 의해 예측된 우세한 계통을 새로운 실험 결과 세트와 비교했습니다. 결과에 따르면 냉간 압연은 이러한 유형의 스테인레스 강의 성형성에 부정적인 영향을 미치지만 시트의 강도는 크게 향상됩니다. 또한 ANFIS는 실험적인 측정치와 비교하여 만족스러운 결과를 보여줍니다.
판금을 형성하는 능력은 수십 년 동안 과학 기사의 주제였지만 야금학 연구의 흥미로운 영역으로 남아 있습니다. 새로운 기술 도구와 계산 모델을 사용하면 성형성에 영향을 미치는 잠재적 요인을 더 쉽게 찾을 수 있습니다. 가장 중요한 것은 최근 CPFEM(Crystal Plasticity Finite Element Method)을 사용하여 형상 제한에 대한 미세 구조의 중요성이 밝혀졌다는 것입니다. 반면, 주사전자현미경(SEM)과 전자 후방 산란 회절(EBSD)은 연구자들이 변형 중에 결정 구조의 미세 구조 활동을 관찰하는 데 도움이 됩니다. 금속의 다양한 상의 영향, 입자 크기 및 방향, 입자 수준의 미세한 결함을 이해하는 것은 성형성을 예측하는 데 중요합니다.
성형성은 경로 1, 2, 3에 크게 의존하는 것으로 나타났기 때문에 성형성을 결정하는 것은 그 자체로 복잡한 과정입니다. 따라서 최종 성형 변형률에 대한 기존 개념은 불균형한 하중 조건에서는 신뢰할 수 없습니다. 반면, 산업 응용 분야의 대부분의 하중 경로는 비비례 하중으로 분류됩니다. 이와 관련하여 전통적인 반구형 및 실험적인 Marciniak-Kuchinsky(MK) 방법4,5,6은 주의해서 사용해야 합니다. 최근에는 또 다른 개념인 FFLD(Fracture Limit Diagram)가 많은 성형성 엔지니어들의 관심을 끌었습니다. 이 개념에서는 손상 모델을 사용하여 시트 성형성을 예측합니다. 이와 관련하여 처음에는 경로 독립성이 분석에 포함되었으며 결과는 규모가 조정되지 않은 실험 결과와 잘 일치합니다. 판금의 성형성은 여러 매개변수와 판재 가공 이력은 물론 금속의 미세 구조와 위상에 따라 달라집니다.
크기 의존성은 금속의 미세한 특징을 고려할 때 문제가 됩니다. 작은 변형 공간에서 진동 및 좌굴 특성의 의존성은 재료의 길이 규모에 크게 의존하는 것으로 나타났습니다. 28,29,30. 성형성에 대한 입자 크기의 영향은 업계에서 오랫동안 인식되어 왔습니다. Yamaguchi와 Mellor[31]는 이론적 분석을 사용하여 금속 시트의 인장 특성에 대한 입자 크기와 두께의 영향을 연구했습니다. Marciniac 모델을 사용하여 그들은 2축 인장 하중 하에서 입자 크기에 대한 두께 비율의 감소가 시트의 인장 특성 감소로 이어진다고 보고했습니다. Wilson et al.의 실험 결과. 32는 두께를 평균 입자 직경(t/d)으로 줄이면 세 가지 다른 두께의 금속 시트의 이축 연신성이 감소한다는 것을 확인했습니다. 그들은 20 미만의 t/d 값에서 눈에 띄는 변형 불균일성과 네킹이 주로 시트 두께의 개별 입자에 의해 영향을 받는다고 결론지었습니다. Ulvan과 Koursaris33은 304 및 316 오스테나이트 스테인리스강의 전체 가공성에 대한 입자 크기의 영향을 연구했습니다. 그들은 이들 금속의 성형성이 입자 크기에 영향을 받지 않지만 인장 특성의 작은 변화를 볼 수 있다고 보고했습니다. 이러한 강의 강도 특성이 감소하는 것은 입자 크기의 증가입니다. 니켈 금속의 유동 응력에 대한 전위 밀도의 영향은 전위 밀도가 입자 크기에 관계없이 금속의 유동 응력을 결정한다는 것을 보여줍니다. 입자 상호 작용과 초기 방향은 또한 Becker와 Panchanadiswaran이 결정 가소성의 실험과 모델링을 사용하여 조사한 알루미늄 질감의 진화에 큰 영향을 미칩니다. 해석의 수치 결과는 실험과 잘 일치하지만 일부 시뮬레이션 결과는 적용된 경계 조건의 한계로 인해 실험에서 벗어납니다. 결정 소성 패턴을 연구하고 실험적으로 감지함으로써 압연 알루미늄 시트는 다양한 성형성을 보여줍니다. 결과는 서로 다른 시트의 응력-변형률 곡선이 거의 동일하더라도 초기 값을 기준으로 성형성에 상당한 차이가 있음을 보여주었습니다. Amelirad와 Assempour는 실험과 CPFEM을 사용하여 오스테나이트계 스테인리스 강판의 응력-변형 곡선을 얻었습니다. 그들의 시뮬레이션은 결정립 크기의 증가가 FLD에서 위쪽으로 이동하여 제한 곡선을 형성한다는 것을 보여주었습니다. 또한, 동일한 저자는 공극(38)의 형성에 대한 입자 배향 및 형태의 영향을 조사했습니다.
오스테나이트계 스테인리스 강의 결정립 형태와 배향 외에도 쌍정 및 2차상의 상태도 중요합니다. 트위닝은 TWIP 39 강철의 경화 및 연신율 증가를 위한 주요 메커니즘입니다. Hwang40은 충분한 인장응답에도 불구하고 TWIP강의 성형성이 좋지 않다고 보고하였다. 그러나 변형쌍정이 오스테나이트 강판의 성형성에 미치는 영향은 충분히 연구되지 않았다. Mishraet al. 41은 다양한 인장 변형 경로에서 쌍정을 관찰하기 위해 오스테나이트계 스테인리스강을 연구했습니다. 그들은 쌍둥이가 단련된 쌍둥이와 새로운 세대의 쌍둥이 모두의 부패 근원에서 유래할 수 있다는 것을 발견했습니다. 가장 큰 쌍둥이는 이축 장력 하에서 형성되는 것으로 관찰되었습니다. 또한, 오스테나이트가 \({\alpha}^{^{\prime}}\)-martensite로 변태하는 것은 변형 경로에 따라 달라짐이 주목되었습니다. 홍 외. 42는 316L 오스테나이트 강의 선택적 레이저 용융에서 다양한 온도에 걸쳐 수소 취성에 대한 변형 유도 쌍정화 및 마르텐사이트의 영향을 조사했습니다. 온도에 따라 수소가 316L 강의 파손을 일으키거나 성형성을 향상시킬 수 있다는 것이 관찰되었습니다. Shenet al. 43은 다양한 하중 속도에서 인장 하중을 받는 변형 마르텐사이트의 부피를 실험적으로 측정했습니다. 인장 변형률의 증가는 마르텐사이트 분율의 부피 분율을 증가시키는 것으로 나타났습니다.
AI 방법은 문제의 물리적, 수학적 기초에 의존하지 않고 복잡한 문제를 모델링하는 다양성 때문에 과학 및 기술에서 사용됩니다44,45,46,47,48,49,50,51,52 AI 방법의 수가 증가하고 있습니다. . Moradiet al. 44는 더 미세한 나노실리카 입자를 생성하기 위해 화학적 조건을 최적화하기 위해 기계 학습 기술을 사용했습니다. 다른 화학적 특성도 나노크기 물질의 특성에 영향을 미치며, 이는 많은 연구 논문에서 조사되었습니다53. Ceet al. 45는 ANFIS를 사용하여 다양한 압연 조건에서 일반 탄소강 판금의 성형성을 예측했습니다. 냉간 압연으로 인해 연강의 전위 밀도가 크게 증가했습니다. 일반 탄소강은 경화 및 복원 메커니즘이 오스테나이트계 스테인리스강과 다릅니다. 단순 탄소강에서는 금속 미세구조에서 상변태가 발생하지 않습니다. 금속상 외에도 금속의 연성, 파괴, 기계 가공성 등은 다양한 유형의 열처리, 냉간 가공 및 시효 과정에서 발생하는 여러 다른 미세 구조적 특징의 영향을 받습니다54,55,56,57,58,59 ,60. , 61, 62. 최근 Chen et al. 63은 304L 강의 성형성에 대한 냉간 압연 효과를 연구했습니다. 그들은 성형성을 예측하기 위해 신경망을 훈련시키기 위해 실험 테스트에서만 현상학적 관찰을 고려했습니다. 실제로 오스테나이트계 스테인리스 강의 경우 여러 요인이 결합되어 시트의 인장 특성을 감소시킵니다. Lu et al.64는 ANFIS를 사용하여 구멍 확장 과정에 대한 다양한 매개변수의 영향을 관찰했습니다.
위의 리뷰에서 간략하게 논의된 것처럼, 형상 제한 다이어그램에 대한 미세 구조의 영향은 문헌에서 거의 주목을 받지 못했습니다. 반면에, 많은 미세구조적 특징을 고려해야 합니다. 따라서 분석 방법에 모든 미세구조적 요인을 포함시키는 것은 거의 불가능합니다. 이런 의미에서 인공지능의 활용은 유익할 수 있다. 이와 관련하여 본 연구에서는 스테인리스 강판의 성형성에 대한 미세구조적 요인, 즉 응력 유발 마르텐사이트의 존재의 한 측면이 미치는 영향을 조사했습니다. 이 연구는 실험적인 FLD 곡선이 아닌 미세구조적 특징에 초점을 맞춘다는 점에서 성형성과 관련된 다른 AI 연구와 다릅니다. 우리는 실험적 방법과 인공지능 방법을 사용하여 다양한 마르텐사이트 함량을 갖는 316강의 성형성을 평가하고자 했습니다. 첫 번째 단계에서는 초기 두께가 2mm인 316강을 어닐링하고 다양한 두께로 냉간 압연했습니다. 그런 다음, 금속 조직학 제어를 사용하여 마르텐사이트의 상대 면적을 측정했습니다. 변형 한계 다이어그램(FLD)을 얻기 위해 반구 파열 테스트를 사용하여 압연 시트의 성형성을 결정했습니다. 그로부터 받은 데이터는 나중에 인공 신경퍼지 간섭 시스템(ANFIS)을 훈련하고 테스트하는 데 사용되었습니다. ANFIS 훈련 후 신경망 예측은 새로운 실험 결과 세트와 비교됩니다.
본 연구에 사용된 316 오스테나이트계 스테인리스강 금속판은 Table 1과 같은 화학적 조성을 가지며 초기 두께는 1.5mm이다. 1050°C에서 1시간 동안 어닐링한 후 물 담금질하여 시트의 잔류 응력을 완화하고 균일한 미세 구조를 얻습니다.
오스테나이트 강의 미세 구조는 여러 에칭액을 사용하여 드러날 수 있습니다. 최고의 에칭액 중 하나는 증류수에 60% 질산을 녹인 것이며 1VDC에서 120초 동안 에칭됩니다. 그러나 이 식각액은 그림 1a와 같이 결정립 경계만 보여줄 뿐 이중 결정립 경계를 식별할 수 없습니다. 또 다른 식각액은 글리세롤 아세테이트인데, 이중 경계는 잘 시각화되지만 그림 1b와 같이 결정립 경계는 그렇지 않습니다. 또한, 준안정 오스테나이트 상이 \({\alpha }^{^{\prime}}\)-마르텐사이트 상으로 변태된 후 현재 연구에서 관심 있는 글리세롤 아세테이트 식각제를 사용하여 검출할 수 있습니다.
다양한 식각액으로 나타낸 어닐링 후 금속판 316의 미세 구조, (a) 1.5V의 증류수에서 120초 동안 200x, 60% \({\mathrm{HNO}}_{3}\) 및 (b) 200x , 글리세릴 아세테이트.
어닐링된 시트를 압연을 위해 폭 11cm, 길이 1m의 시트로 절단했습니다. 냉간 압연 공장에는 직경 140mm의 대칭 롤 2개가 있습니다. 냉간 압연 공정은 316 스테인리스 강의 오스테나이트를 변형 마르텐사이트로 변태시킵니다. 다양한 두께로 냉간 압연한 후 마르텐사이트 상과 오스테나이트 상 비율을 찾습니다. 그림에. 2는 판금의 미세구조 샘플을 보여준다. 그림에. 도 2a는 시트에 수직인 방향에서 본 압연된 샘플의 금속 조직학적 이미지를 보여준다. 그림에. ImageJ65 소프트웨어를 사용하는 2b에서는 마르텐사이트 부분이 검은색으로 강조 표시됩니다. 이 오픈 소스 소프트웨어의 도구를 사용하여 마르텐사이트 분율의 면적을 측정할 수 있습니다. 표 2는 다양한 두께 감소로 압연한 후 마르텐사이트 및 오스테나이트 상의 상세한 분율을 보여줍니다.
두께가 50% 감소하도록 압연한 후의 316L 시트의 미세 구조, 시트 평면에 수직으로 관찰, 200배 확대, 글리세롤 아세테이트.
표 2에 제시된 값은 동일한 금속조직 시편의 서로 다른 위치에서 촬영한 3개의 사진에 대해 측정된 마르텐사이트 분율을 평균하여 얻은 것입니다. 또한, 그림. 그림 3은 마르텐사이트에 대한 냉간 압연 효과를 더 잘 이해하기 위한 2차 피팅 곡선을 보여줍니다. 냉간 압연 조건에서 마르텐사이트의 비율과 두께 감소 사이에는 거의 선형 상관 관계가 있음을 알 수 있습니다. 그러나 2차 관계는 이 관계를 더 잘 나타낼 수 있습니다.
초기 어닐링된 316 강판의 냉간 압연 중 두께 감소에 따른 마르텐사이트 비율의 변화.
반구 파열 테스트를 사용하여 일반적인 절차에 따라 성형 한계를 평가했습니다. 실험 샘플 세트로 그림 4a에 표시된 치수로 레이저 절단을 통해 총 6개의 샘플을 제작했습니다. 마르텐사이트 분율의 각 상태에 대해 3세트의 시험편을 준비하고 시험했습니다. 그림에. 4b는 절단, 연마 및 표시된 샘플을 보여줍니다.
나카지마 성형은 샘플 크기와 도마를 제한합니다. (a) 치수, (b) 시편을 자르고 표시합니다.
반구형 펀칭에 대한 테스트는 이동 속도가 2mm/s인 유압 프레스를 사용하여 수행되었습니다. 펀치와 시트의 접촉면은 윤활이 잘되어 성형 한계에 대한 마찰 영향을 최소화합니다. 시편이 상당히 좁아지거나 파손될 때까지 테스트를 계속합니다. 그림에. 5는 장치 내 파괴된 샘플과 테스트 후 샘플을 보여준다.
성형 한계는 반구형 파열 테스트, (a) 테스트 장비, (b) 테스트 장비에서 파손된 샘플 플레이트, (c) 테스트 후 동일한 샘플을 사용하여 결정되었습니다.
Jan67이 개발한 뉴로-퍼지 시스템은 잎 형성 한계 곡선 예측에 적합한 도구입니다. 이러한 유형의 인공 신경망에는 설명이 모호한 매개변수의 영향이 포함됩니다. 이는 그들이 자신의 분야에서 실질적인 가치를 얻을 수 있다는 것을 의미합니다. 이 유형의 값은 해당 값에 따라 더 분류됩니다. 각 카테고리에는 고유한 규칙이 있습니다. 예를 들어, 온도 값은 임의의 실수일 수 있으며, 해당 값에 따라 온도는 저온, 중간, 따뜻함, 고온으로 분류될 수 있습니다. 예를 들어, 저온에 대한 규칙은 “재킷을 입으세요”라는 규칙이고, 따뜻한 온도에 대한 규칙은 “충분한 티셔츠”입니다. 퍼지 논리 자체에서는 출력의 정확성과 신뢰성이 평가됩니다. 퍼지 논리와 신경망 시스템의 결합은 ANFIS가 신뢰할 수 있는 결과를 제공하도록 보장합니다.
Jan67이 제공한 그림 6은 간단한 신경 퍼지 네트워크를 보여줍니다. 표시된 대로 네트워크는 두 가지 입력을 사용하며, 본 연구에서 입력은 미세 구조의 마르텐사이트 비율과 작은 변형률 값입니다. 첫 번째 분석 수준에서는 퍼지 규칙과 소속 함수(FC)를 사용하여 입력 값을 퍼지화합니다.
\(i=1, 2\)의 경우 입력에 두 가지 설명 범주가 있는 것으로 가정됩니다. MF는 삼각형, 사다리꼴, 가우스 또는 기타 모든 모양을 취할 수 있습니다.
\({A}_{i}\) 및 \({B}_{i}\) 범주와 레벨 2의 MF 값을 기반으로 그림 7과 같이 몇 가지 규칙이 채택됩니다. 레이어에서는 다양한 입력의 효과가 어떻게든 결합됩니다. 여기에서는 마르텐사이트 분율과 작은 변형률 값의 영향을 결합하기 위해 다음 규칙이 사용됩니다.
이 층의 출력 \({w}_{i}\)을 점화 강도라고 합니다. 이러한 점화 강도는 다음 관계식에 따라 레이어 3에서 정규화됩니다.
레이어 4에서는 입력 매개변수의 초기값의 영향을 고려하기 위해 Takagi 및 Sugeno 규칙67,68이 계산에 포함됩니다. 이 레이어에는 다음과 같은 관계가 있습니다.
결과 \({f}_{i}\)는 레이어의 정규화된 값의 영향을 받아 최종 결과인 주요 워프 값을 제공합니다.
여기서 \(NR\)은 규칙 수를 나타냅니다. 여기서 신경망의 역할은 내부 최적화 알고리즘을 사용하여 알려지지 않은 네트워크 매개변수를 수정하는 것입니다. 알 수 없는 매개변수는 결과 매개변수 \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\)와 MF와 관련된 매개변수입니다. 일반화된 바람 종소리 모양 함수로 간주됩니다.
형상 제한 다이어그램은 화학적 조성부터 판금의 변형 이력까지 다양한 매개변수에 따라 달라집니다. 인장 시험 매개변수를 포함하여 일부 매개변수는 평가하기 쉬운 반면, 다른 매개변수는 금속 조직학 또는 잔류 응력 측정과 같은 보다 복잡한 절차가 필요합니다. 대부분의 경우 시트의 각 배치에 대해 변형 한계 테스트를 수행하는 것이 좋습니다. 그러나 때로는 다른 테스트 결과를 사용하여 형상 한계를 대략적으로 계산할 수 있습니다. 예를 들어, 여러 연구에서는 시트 성형성을 결정하기 위해 인장 시험 결과를 사용했습니다. 다른 연구에는 입자 두께 및 크기와 같은 분석에 더 많은 매개변수가 포함되었습니다. 그러나 허용되는 모든 매개변수를 포함하는 것은 계산상 이점이 없습니다. 따라서 ANFIS 모델의 사용은 이러한 문제를 해결하기 위한 합리적인 접근 방식이 될 수 있습니다45,63.
본 논문에서는 316 오스테나이트 강판의 성형한계선도에 대한 마르텐사이트 함량의 영향을 조사하였다. 이와 관련하여 실험적 테스트를 통해 데이터 세트를 준비했습니다. 개발된 시스템에는 금속 조직 테스트에서 측정된 마르텐사이트 비율과 작은 엔지니어링 변형 범위라는 두 가지 입력 변수가 있습니다. 그 결과 성형 한계 곡선이 크게 엔지니어링 변형됩니다. 마텐자이트 분획에는 세 가지 유형이 있습니다: 미세 분획, 중간 분획, 고분획. 낮다는 것은 마르텐사이트의 비율이 10% 미만임을 의미합니다. 적당한 조건에서 마르텐사이트의 비율은 10%~20%입니다. 마르텐사이트의 높은 값은 20% 이상의 분수로 간주됩니다. 또한 2차 변형률에는 FLD0를 결정하는 데 사용되는 수직 축 근처 -5%와 5% 사이의 세 가지 범주가 있습니다. 양수 범위와 음수 범위는 다른 두 범주입니다.
반구형 테스트 결과를 도 1에 나타내었다. 그림은 한계에 대한 6개의 성형 다이어그램을 보여 주며, 그 중 5개는 개별 압연 시트의 FLD입니다. 안전점과 상한선이 주어지면 한계 곡선(FLC)이 형성됩니다. 마지막 그림은 모든 FLC를 비교합니다. 마지막 그림에서 볼 수 있듯이 316 오스테나이트 강의 마르텐사이트 비율이 증가하면 판금의 성형성이 감소합니다. 반면, 마르텐사이트의 비율이 증가하면 FLC는 점차 수직축을 기준으로 대칭 곡선으로 변합니다. 마지막 두 그래프에서는 곡선의 오른쪽이 왼쪽보다 약간 높으며 이는 이축 인장에서의 성형성이 일축 인장보다 높다는 것을 의미합니다. 또한, 네킹 전의 주요 엔지니어링 변형률은 마르텐사이트 비율이 증가함에 따라 감소합니다.
316 한계 곡선을 형성한다. 오스테나이트 강판의 성형성에 대한 마르텐사이트 비율의 영향. (안전점 SF, 형성 한계 곡선 FLC, 마르텐사이트 M).
신경망은 마르텐사이트 분율이 7.8, 18.3, 28.7%인 60세트의 실험 결과에 대해 훈련되었습니다. 15.4%의 마르텐사이트 데이터 세트는 검증 프로세스용으로, 25.6%는 테스트 프로세스용으로 예약되었습니다. 150 epoch 이후의 오류는 약 1.5%입니다. 그림에. 그림 9는 훈련과 테스트를 위해 제공된 실제 출력(\({\epsilon }_{1}\), 기본 엔지니어링 워크로드) 간의 상관 관계를 보여줍니다. 보시다시피 훈련된 NFS는 판금 부품에 대해 \({\epsilon} _{1}\)를 만족스럽게 예측합니다.
(a) 훈련 과정 후 예측값과 실제값 간의 상관관계, (b) 훈련 및 검증 중 FLC의 주요 엔지니어링 부하에 대한 예측값과 실제값 간의 오차.
훈련 중 어느 시점에서 ANFIS 네트워크는 필연적으로 재활용됩니다. 이를 확인하기 위해 "검사"라고 하는 병렬 검사가 수행됩니다. 검증 오류 값이 훈련 값에서 벗어나면 네트워크는 재훈련을 시작합니다. 그림 9b에서 볼 수 있듯이 에포크 150 이전에는 학습 곡선과 검증 곡선의 차이가 작으며 대략 동일한 곡선을 따릅니다. 이 시점에서 검증 프로세스 오류가 학습 곡선에서 벗어나기 시작하는데, 이는 ANFIS 과적합의 신호입니다. 따라서 150라운드의 ANFIS 네트워크는 1.5%의 오차로 유지됩니다. 그런 다음 ANFIS에 대한 FLC 예측이 도입됩니다. 그림에. 그림 10은 훈련 및 검증 과정에 사용된 선택된 샘플에 대한 예측 곡선과 실제 곡선을 보여줍니다. 이 곡선의 데이터는 네트워크를 훈련하는 데 사용되었으므로 매우 가까운 예측을 관찰하는 것은 놀라운 일이 아닙니다.
다양한 마르텐사이트 함량 조건에서 실제 실험 FLC 및 ANFIS 예측 곡선. 이 곡선은 훈련 과정에 사용됩니다.
ANFIS 모델은 마지막 샘플에 무슨 일이 일어났는지 알 수 없습니다. 따라서 우리는 마르텐사이트 비율이 25.6%인 샘플을 제출하여 FLC에 대해 훈련된 ANFIS를 테스트했습니다. 그림에. 도 11은 ANFIS FLC 예측과 실험적 FLC를 보여준다. 예측값과 실험값 사이의 최대 오차는 6.2%로 훈련 및 검증 시 예측값보다 높습니다. 그러나 이 오류는 이론적으로 FLC를 예측하는 다른 연구에 비해 허용 가능한 오류입니다.
업계에서는 성형성에 영향을 미치는 매개변수를 혀 형태로 설명합니다. 예를 들어, "거친 입자는 성형성을 감소시킵니다" 또는 "냉간 가공을 증가시키면 FLC가 감소합니다". 첫 번째 단계에서 ANFIS 네트워크에 대한 입력은 낮음, 중간, 높음과 같은 언어 범주로 분류됩니다. 네트워크에는 카테고리별로 서로 다른 규칙이 있습니다. 따라서 산업계에서 이러한 유형의 네트워크는 언어적 설명 및 분석에 여러 요소를 포함한다는 점에서 매우 유용할 수 있습니다. 본 연구에서는 ANFIS의 가능성을 활용하기 위해 오스테나이트계 스테인리스 강의 미세 구조의 주요 특징 중 하나를 고려하려고 했습니다. 316의 응력 유발 마르텐사이트 양은 이러한 인서트의 냉간 가공의 직접적인 결과입니다. 실험과 ANFIS 분석을 통해 이러한 유형의 오스테나이트 스테인리스강에서 마르텐사이트 비율을 증가시키면 플레이트 316의 FLC가 크게 감소하여 마르텐사이트 비율을 7.8%에서 28.7%로 증가시키면 FLC가 감소하는 것으로 나타났습니다. FLD0은 0.35에서 시작됩니다. 각각 최대 0.1입니다. 반면, 훈련되고 검증된 ANFIS 네트워크는 최대 6.5%의 오류로 사용 가능한 실험 데이터의 80%를 사용하여 FLC를 예측할 수 있습니다. 이는 다른 이론적 절차 및 현상학적 관계에 비해 허용 가능한 오류 한계입니다.
현재 연구에서 사용 및/또는 분석된 데이터세트는 합당한 요청이 있을 경우 해당 저자에게 제공됩니다.
Iftikhar, CMA 등. 비례 및 비비례 하중 경로에서 "있는 그대로" 압출된 AZ31 마그네슘 합금의 후속 항복 경로의 진화: CPFEM 실험 및 시뮬레이션. 내부 J. Prast. 151, 103216(2022).
Iftikhar, TsMAet al. 어닐링된 AA6061 합금의 비례 및 비비례 하중 경로를 따른 소성 변형 후 후속 항복 표면의 진화: 결정 소성의 실험 및 유한 요소 모델링. 내부 J. Plast 143, 102956(2021).
Manik, T., Holmedal, B. & Hopperstad, OS 응력 과도 현상, 가공 경화 및 변형 경로 변경으로 인한 알루미늄 r 값. 내부 J. Prast. 69, 1–20 (2015).
Mamushi, H.et al. 수직 압력의 영향을 고려한 한계 형상 다이어그램을 결정하기 위한 새로운 실험 방법입니다. 내부 J. 모교. 형태. 15(1), 1(2022).
Yang Z. et al. AA7075-T6 판금의 연성 파괴 매개변수 및 변형률 한계의 실험적 교정. J. 모교. 프로세스. 기술. 291, 117044(2021).
Petrits, A.et al. 초유연성 강유전성 변환기 및 유기 다이오드를 기반으로 한 숨겨진 에너지 수확 장치 및 생체의학 센서입니다. 국민 공동체. 12(1), 2399(2021).
Basak, S. 및 Panda, SK Yld 2000-2d 항복 모델을 사용하여 극성 유효 소성 변형 경로에서 다양한 사전 변형 플레이트의 네킹 및 파괴 한계를 분석합니다. J. 모교. 프로세스. 기술. 267, 289–307(2019).
Basak, S. 및 Panda, SK 이방성 판금의 파괴 변형: 실험적 평가 및 이론적 예측. 내부 J. 메카. 과학. 151, 356–374(2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ 성형 한계 다이어그램 AA5083에서 변형 궤적 변경 효과에 대한 실험적 및 이론적 연구. 내부 J. Adv. 제조업체. 기술. 76(5–8), 1343–1352(2015).
Habibi, M.et al. 마찰교반용접 블랭크의 기계적 성질, 성형성 및 한계성형선도에 대한 실험적 연구. J.메이커. 프로세스. 31, 310–323(2018).
Habibi, M., et al. 굽힘의 영향을 고려하여 유한요소모델링에 MC모델을 접목하여 한계선도를 형성하였다. 프로세스. 모피 연구소. 프로젝트. L 232(8), 625-636(2018).
게시 시간: 2023년 6월 8일