Proveedor de equipos de perfilado

Más de 30 años de experiencia en fabricación

Predicción del límite de forma de lámina de acero inoxidable 316 basada en ANFIS

Gracias por visitar Nature.com. Está utilizando una versión del navegador con soporte CSS limitado. Para obtener la mejor experiencia, le recomendamos que utilice un navegador actualizado (o deshabilite el Modo de compatibilidad en Internet Explorer). Además, para garantizar un soporte continuo, mostramos el sitio sin estilos ni JavaScript.
Controles deslizantes que muestran tres artículos por diapositiva. Utilice los botones Atrás y Siguiente para moverse por las diapositivas, o los botones del controlador de diapositivas al final para moverse por cada diapositiva.
El efecto de la microestructura sobre la formabilidad de las láminas de acero inoxidable es una preocupación importante para los ingenieros de chapa. Para los aceros austeníticos, la presencia de martensita de deformación (\({\alpha}^{^{\prime))\)-martensita) en la microestructura conduce a un endurecimiento significativo y una disminución de la conformabilidad. En este estudio, nuestro objetivo fue evaluar la conformabilidad de aceros AISI 316 con diferentes resistencias martensíticas mediante métodos experimentales y de inteligencia artificial. En el primer paso, se recoció acero AISI 316 con un espesor inicial de 2 mm y se laminó en frío hasta alcanzar varios espesores. Posteriormente, se midió el área de deformación relativa de martensita mediante pruebas metalográficas. La formabilidad de las láminas laminadas se determinó mediante una prueba de estallido hemisférico para obtener un diagrama límite de deformación (FLD). Los datos obtenidos como resultado de los experimentos se utilizan para entrenar y probar el sistema de interferencia neurodifusa artificial (ANFIS). Después del entrenamiento de ANFIS, las cepas dominantes predichas por la red neuronal se compararon con un nuevo conjunto de resultados experimentales. Los resultados muestran que la laminación en frío tiene un efecto negativo sobre la conformabilidad de este tipo de acero inoxidable, pero la resistencia de la chapa mejora considerablemente. Además, ANFIS muestra resultados satisfactorios en comparación con las mediciones experimentales.
La capacidad de formar chapa metálica, aunque ha sido objeto de artículos científicos durante décadas, sigue siendo un área interesante de investigación en metalurgia. Las nuevas herramientas técnicas y modelos computacionales facilitan la búsqueda de factores potenciales que afecten la formabilidad. Lo más importante es que en los últimos años se ha revelado la importancia de la microestructura para el límite de forma utilizando el Método de Elementos Finitos de Plasticidad Cristalina (CPFEM). Por otro lado, la disponibilidad de microscopía electrónica de barrido (SEM) y difracción de retrodispersión de electrones (EBSD) ayuda a los investigadores a observar la actividad microestructural de las estructuras cristalinas durante la deformación. Comprender la influencia de las diferentes fases de los metales, el tamaño y la orientación del grano y los defectos microscópicos a nivel del grano es fundamental para predecir la formabilidad.
Determinar la conformabilidad es en sí mismo un proceso complejo, ya que se ha demostrado que la conformabilidad depende en gran medida de las trayectorias 1, 2, 3. Por lo tanto, las nociones convencionales de deformación última de conformación no son confiables bajo condiciones de carga desproporcionadas. Por otro lado, la mayoría de las rutas de carga en aplicaciones industriales se clasifican como carga no proporcional. En este sentido, los métodos tradicionales hemisféricos y experimentales de Marciniak-Kuchinsky (MK)4,5,6 deben utilizarse con precaución. En los últimos años, otro concepto, el Diagrama Límite de Fractura (FFLD), ha atraído la atención de muchos ingenieros de conformabilidad. En este concepto, se utiliza un modelo de daño para predecir la formabilidad de la lámina. En este sentido, la independencia de la ruta se incluye inicialmente en el análisis y los resultados concuerdan con los resultados experimentales no escalados7,8,9. La formabilidad de una chapa depende de varios parámetros y del historial de procesamiento de la chapa, así como de la microestructura y fase del metal10,11,12,13,14,15.
La dependencia del tamaño es un problema cuando se consideran las características microscópicas de los metales. Se ha demostrado que, en espacios de deformación pequeños, la dependencia de las propiedades vibratorias y de pandeo depende fuertemente de la escala de longitud del material16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. El efecto del tamaño del grano sobre la formabilidad ha sido reconocido desde hace mucho tiempo en la industria. Yamaguchi y Mellor [31] estudiaron el efecto del tamaño y el espesor del grano sobre las propiedades de tracción de las láminas de metal mediante análisis teórico. Utilizando el modelo de Marciniac, informan que bajo carga de tracción biaxial, una disminución en la relación entre el espesor y el tamaño del grano conduce a una disminución en las propiedades de tracción de la lámina. Los resultados experimentales de Wilson et al. 32 confirmaron que reducir el espesor al diámetro promedio de grano (t/d) daba como resultado una disminución en la extensibilidad biaxial de láminas metálicas de tres espesores diferentes. Concluyeron que con valores t/d inferiores a 20, la notable falta de homogeneidad de la deformación y el estrechamiento se ven afectados principalmente por los granos individuales en el espesor de la lámina. Ulvan y Koursaris33 estudiaron el efecto del tamaño del grano sobre la maquinabilidad general de los aceros inoxidables austeníticos 304 y 316. Informan que la formabilidad de estos metales no se ve afectada por el tamaño del grano, pero se pueden observar pequeños cambios en las propiedades de tracción. Es el aumento del tamaño de grano lo que conduce a una disminución de las características de resistencia de estos aceros. La influencia de la densidad de dislocación sobre la tensión de flujo de los metales de níquel muestra que la densidad de dislocación determina la tensión de flujo del metal, independientemente del tamaño de grano34. La interacción del grano y la orientación inicial también tienen una gran influencia en la evolución de la textura del aluminio, que fue investigada por Becker y Panchanadiswaran mediante experimentos y modelado de la plasticidad del cristal35. Los resultados numéricos en su análisis concuerdan bien con los experimentos, aunque algunos resultados de simulación se desvían de los experimentos debido a las limitaciones de las condiciones de contorno aplicadas. Al estudiar los patrones de plasticidad del cristal y detectar experimentalmente, las láminas de aluminio laminadas muestran una formabilidad diferente36. Los resultados mostraron que aunque las curvas tensión-deformación de las diferentes láminas eran casi iguales, existían diferencias significativas en su formabilidad con base en los valores iniciales. Amelirad y Assempour utilizaron experimentos y CPFEM para obtener las curvas tensión-deformación para láminas de acero inoxidable austenítico37. Sus simulaciones mostraron que el aumento en el tamaño del grano se desplaza hacia arriba en el FLD, formando una curva límite. Además, los mismos autores investigaron el efecto de la orientación y morfología del grano en la formación de huecos 38 .
Además de la morfología y orientación del grano en los aceros inoxidables austeníticos, también es importante el estado de las maclas y las fases secundarias. La macla es el principal mecanismo para endurecer y aumentar el alargamiento en el acero TWIP 39. Hwang40 informó que la conformabilidad de los aceros TWIP era pobre a pesar de una respuesta de tracción suficiente. Sin embargo, el efecto de la macla por deformación sobre la conformabilidad de las láminas de acero austenítico no se ha estudiado suficientemente. Mishra et al. 41 estudiaron aceros inoxidables austeníticos para observar el maclado bajo diversas trayectorias de deformación por tracción. Descubrieron que los gemelos podrían originarse a partir de fuentes de descomposición tanto de los gemelos recocidos como de la nueva generación de gemelos. Se ha observado que los gemelos más grandes se forman bajo tensión biaxial. Además, se observó que la transformación de austenita en \({\alpha}^{^{\prime}}\)-martensita depende de la trayectoria de deformación. Hong et al. 42 investigaron el efecto de la macla inducida por deformación y la martensita sobre la fragilización por hidrógeno en un rango de temperaturas en la fusión selectiva por láser de acero austenítico 316L. Se observó que, dependiendo de la temperatura, el hidrógeno podría provocar fallas o mejorar la conformabilidad del acero 316L. Shen et al. 43 midieron experimentalmente el volumen de martensita de deformación bajo carga de tracción a varias velocidades de carga. Se encontró que un aumento en la deformación por tracción aumenta la fracción de volumen de la fracción de martensita.
Los métodos de IA se utilizan en ciencia y tecnología debido a su versatilidad para modelar problemas complejos sin recurrir a los fundamentos físicos y matemáticos del problema44,45,46,47,48,49,50,51,52 El número de métodos de IA está aumentando . Moradi et al. 44 utilizaron técnicas de aprendizaje automático para optimizar las condiciones químicas para producir partículas de nanosílice más finas. Otras propiedades químicas también influyen en las propiedades de los materiales a nanoescala, lo que se ha investigado en muchos artículos de investigación53. Ce et al. 45 utilizaron ANFIS para predecir la conformabilidad de láminas de acero al carbono simples en diversas condiciones de laminación. Debido al laminado en frío, la densidad de dislocaciones en el acero dulce ha aumentado significativamente. Los aceros al carbono simples se diferencian de los aceros inoxidables austeníticos en sus mecanismos de endurecimiento y restauración. En el acero al carbono simple, las transformaciones de fase no ocurren en la microestructura del metal. Además de la fase metálica, la ductilidad, fractura, maquinabilidad, etc. de los metales también se ven afectadas por otras características microestructurales que ocurren durante diversos tipos de tratamiento térmico, trabajo en frío y envejecimiento54,55,56,57,58,59 ,60. , 61, 62. Recientemente, Chen et al. 63 estudiaron el efecto del laminado en frío sobre la conformabilidad del acero 304L. Tomaron en cuenta observaciones fenomenológicas solo en pruebas experimentales para entrenar la red neuronal para predecir la formabilidad. De hecho, en el caso de los aceros inoxidables austeníticos, se combinan varios factores para reducir las propiedades de tracción de la chapa. Lu et al.64 utilizaron ANFIS para observar el efecto de varios parámetros en el proceso de expansión del agujero.
Como se discutió brevemente en la revisión anterior, el efecto de la microestructura en el diagrama límite de forma ha recibido poca atención en la literatura. Por otro lado, hay que tener en cuenta muchas características microestructurales. Por tanto, es casi imposible incluir todos los factores microestructurales en los métodos analíticos. En este sentido, el uso de la inteligencia artificial puede resultar beneficioso. En este sentido, este estudio investiga el efecto de un aspecto de los factores microestructurales, a saber, la presencia de martensita inducida por tensión, sobre la formabilidad de las láminas de acero inoxidable. Este estudio se diferencia de otros estudios de IA con respecto a la formabilidad en que la atención se centra en las características microestructurales en lugar de solo en las curvas FLD experimentales. Buscamos evaluar la conformabilidad del acero 316 con diversos contenidos de martensita utilizando métodos experimentales y de inteligencia artificial. En el primer paso, se recoció acero 316 con un espesor inicial de 2 mm y se laminó en frío hasta alcanzar distintos espesores. Luego, mediante control metalográfico, se midió el área relativa de martensita. La formabilidad de las láminas laminadas se determinó mediante una prueba de estallido hemisférico para obtener un diagrama límite de deformación (FLD). Los datos que recibió de él se utilizaron posteriormente para entrenar y probar el sistema de interferencia neurodifusa artificial (ANFIS). Después del entrenamiento de ANFIS, las predicciones de la red neuronal se comparan con un nuevo conjunto de resultados experimentales.
La lámina de acero inoxidable austenítico 316 utilizada en el presente estudio tiene una composición química como se muestra en la Tabla 1 y un espesor inicial de 1,5 mm. Recocido a 1050°C durante 1 hora seguido de enfriamiento con agua para aliviar las tensiones residuales en la lámina y obtener una microestructura uniforme.
La microestructura de los aceros austeníticos se puede revelar utilizando varios agentes de ataque. Uno de los mejores grabadores es el ácido nítrico al 60% en agua destilada, grabado a 1 VCC durante 120 s38. Sin embargo, este grabador solo muestra límites de grano y no puede identificar límites de grano dobles, como se muestra en la Fig. 1a. Otro grabador es el acetato de glicerol, en el que los límites gemelos se pueden visualizar bien, pero los límites de los granos no, como se muestra en la Fig. 1b. Además, después de la transformación de la fase austenítica metaestable en la fase \({\alpha }^{^{\prime}}\)-martensita se puede detectar utilizando el grabador de acetato de glicerol, que es de interés en el presente estudio.
Microestructura de la placa de metal 316 después del recocido, mostrada por varios grabadores, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) en agua destilada a 1,5 V durante 120 s, y (b) 200x , acetato de glicerilo.
Las láminas recocidas se cortaron en láminas de 11 cm de ancho y 1 m de largo para su laminación. La planta de laminación en frío tiene dos cilindros simétricos con un diámetro de 140 mm. El proceso de laminación en frío provoca la transformación de austenita en martensita de deformación en acero inoxidable 316. Buscando la relación entre la fase martensita y la fase austenita después de laminar en frío a través de diferentes espesores. En la fig. La figura 2 muestra una muestra de la microestructura de una chapa. En la fig. 2a muestra una imagen metalográfica de una muestra laminada, vista desde una dirección perpendicular a la lámina. En la fig. 2b usando el software ImageJ65, la parte martensítica está resaltada en negro. Utilizando las herramientas de este software de código abierto, se puede medir el área de la fracción de martensita. La Tabla 2 muestra las fracciones detalladas de las fases martensítica y austenítica después de laminar hasta diversas reducciones de espesor.
Microestructura de una lámina de 316 L después de laminar hasta una reducción del espesor del 50%, vista perpendicular al plano de la lámina, ampliada 200 veces, acetato de glicerol.
Los valores presentados en la Tabla 2 se obtuvieron promediando las fracciones de martensita medidas en tres fotografías tomadas en diferentes lugares de la misma muestra metalográfica. Además, en la fig. 3 muestra curvas de ajuste cuadrático para comprender mejor el efecto del laminado en frío sobre la martensita. Se puede observar que existe una correlación casi lineal entre la proporción de martensita y la reducción del espesor en el estado laminado en frío. Sin embargo, una relación cuadrática puede representar mejor esta relación.
Variación de la proporción de martensita en función de la reducción del espesor durante el laminado en frío de una lámina de acero 316 inicialmente recocida.
El límite de conformación se evaluó según el procedimiento habitual utilizando pruebas de estallido de hemisferios37,38,45,66. En total, se fabricaron seis muestras mediante corte por láser con las dimensiones que se muestran en la Fig. 4a como un conjunto de muestras experimentales. Para cada estado de la fracción de martensita, se prepararon y probaron tres conjuntos de muestras de prueba. En la fig. 4b muestra muestras cortadas, pulidas y marcadas.
La moldura Nakazima limita el tamaño de la muestra y la tabla de cortar. (a) Dimensiones, (b) Muestras cortadas y marcadas.
El ensayo de punzonado hemisférico se realizó utilizando una prensa hidráulica con una velocidad de desplazamiento de 2 mm/s. Las superficies de contacto del punzón y la lámina están bien lubricadas para minimizar el efecto de la fricción en los límites de formación. Continúe la prueba hasta que se observe un estrechamiento o una rotura significativa en la muestra. En la fig. 5 muestra la muestra destruida en el dispositivo y la muestra después de la prueba.
El límite de conformación se determinó mediante una prueba de estallido hemisférico, (a) equipo de prueba, (b) placa de muestra en la rotura en el equipo de prueba, (c) la misma muestra después de la prueba.
El sistema neurodifuso desarrollado por Jang67 es una herramienta adecuada para la predicción de la curva límite de formación de hojas. Este tipo de red neuronal artificial incluye la influencia de parámetros con descripciones vagas. Esto significa que pueden obtener cualquier valor real en sus campos. Los valores de este tipo se clasifican además según su valor. Cada categoría tiene sus propias reglas. Por ejemplo, un valor de temperatura puede ser cualquier número real y, según su valor, las temperaturas se pueden clasificar en fría, media, cálida y caliente. En este sentido, por ejemplo, la regla para temperaturas bajas es “llevar chaqueta”, y la regla para temperaturas cálidas es “basta con camiseta”. En la propia lógica difusa, se evalúa la precisión y confiabilidad de la salida. La combinación de sistemas de redes neuronales con lógica difusa garantiza que ANFIS proporcione resultados fiables.
La Figura 6 proporcionada por Jang67 muestra una red neuronal difusa simple. Como se muestra, la red toma dos entradas, en nuestro estudio la entrada es la proporción de martensita en la microestructura y el valor de la deformación menor. En el primer nivel de análisis, los valores de entrada se difuminan mediante reglas difusas y funciones de membresía (FC):
Para \(i=1, 2\), ya que se supone que la entrada tiene dos categorías de descripción. El MF puede adoptar cualquier forma triangular, trapezoidal, gaussiana o de cualquier otra forma.
Con base en las categorías \({A}_{i}\) y \({B}_{i}\) y sus valores MF en el nivel 2, se adoptan algunas reglas, como se muestra en la Figura 7. En esta capa, los efectos de las distintas entradas se combinan de alguna manera. Aquí se utilizan las siguientes reglas para combinar la influencia de la fracción de martensita y los valores de deformación menores:
La salida \({w}_{i}\) de esta capa se llama intensidad de ignición. Estas intensidades de ignición están normalizadas en la capa 3 según la siguiente relación:
En la capa 4, se incluyen en el cálculo las reglas de Takagi y Sugeno67,68 para tener en cuenta la influencia de los valores iniciales de los parámetros de entrada. Esta capa tiene las siguientes relaciones:
El \({f}_{i}\) resultante se ve afectado por los valores normalizados en las capas, lo que da el resultado final, los principales valores de deformación:
donde \(NR\) representa el número de reglas. La función de la red neuronal aquí es utilizar su algoritmo de optimización interno para corregir parámetros de red desconocidos. Los parámetros desconocidos son los parámetros resultantes \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), y los parámetros relacionados con el MF Se consideran funciones generalizadas de la forma de las campanas de viento:
Los diagramas límite de forma dependen de muchos parámetros, desde la composición química hasta el historial de deformación de la chapa. Algunos parámetros son fáciles de evaluar, incluidos los parámetros de prueba de tracción, mientras que otros requieren procedimientos más complejos como la metalografía o la determinación de tensiones residuales. En la mayoría de los casos, es aconsejable realizar una prueba límite de deformación para cada lote de lámina. Sin embargo, a veces se pueden utilizar otros resultados de pruebas para aproximar el límite de conformación. Por ejemplo, varios estudios han utilizado resultados de pruebas de tracción para determinar la formabilidad de la lámina69,70,71,72. Otros estudios incluyeron más parámetros en su análisis, como el espesor y tamaño del grano31,73,74,75,76,77. Sin embargo, desde el punto de vista computacional no resulta ventajoso incluir todos los parámetros permitidos. Por tanto, el uso de modelos ANFIS puede ser un enfoque razonable para abordar estos problemas45,63.
En este artículo, se investigó la influencia del contenido de martensita en el diagrama límite de conformación de una lámina de acero austenítico 316. En este sentido, se preparó un conjunto de datos mediante pruebas experimentales. El sistema desarrollado tiene dos variables de entrada: la proporción de martensita medida en pruebas metalográficas y el rango de pequeñas deformaciones de ingeniería. El resultado es una importante deformación técnica de la curva límite de conformación. Existen tres tipos de fracciones martensíticas: fracciones finas, medias y altas. Bajo significa que la proporción de martensita es inferior al 10%. En condiciones moderadas, la proporción de martensita oscila entre el 10% y el 20%. Se consideran valores elevados de martensita aquellas fracciones superiores al 20%. Además, la deformación secundaria tiene tres categorías distintas entre -5 % y 5 % cerca del eje vertical, que se utilizan para determinar FLD0. Los rangos positivos y negativos son las otras dos categorías.
Los resultados de la prueba hemisférica se muestran en la FIG. La figura muestra 6 diagramas de límites de conformación, 5 de los cuales son los FLD de láminas laminadas individuales. Dado un punto de seguridad y su curva límite superior formando una curva límite (FLC). La última figura compara todos los FLC. Como puede verse en la última figura, un aumento en la proporción de martensita en el acero austenítico 316 reduce la conformabilidad de la chapa. Por otro lado, al aumentar la proporción de martensita, la FLC se convierte gradualmente en una curva simétrica con respecto al eje vertical. En los dos últimos gráficos, el lado derecho de la curva es ligeramente más alto que el izquierdo, lo que significa que la formabilidad en tensión biaxial es mayor que en tensión uniaxial. Además, las deformaciones de ingeniería tanto menores como mayores antes del estrechamiento disminuyen al aumentar la proporción de martensita.
316 formando una curva límite. Influencia de la proporción de martensita en la conformabilidad de láminas de acero austenítico. (punto de seguridad SF, curva límite de formación FLC, martensita M).
La red neuronal se entrenó en 60 conjuntos de resultados experimentales con fracciones de martensita de 7,8, 18,3 y 28,7%. Se reservó un conjunto de datos de 15,4% de martensita para el proceso de verificación y 25,6% para el proceso de prueba. El error después de 150 épocas es aproximadamente del 1,5%. En la fig. 9 muestra la correlación entre la producción real (\({\epsilon }_{1}\), carga de trabajo de ingeniería básica) proporcionada para capacitación y pruebas. Como puede ver, el NFS entrenado predice \({\epsilon} _{1}\) satisfactoriamente para piezas de chapa metálica.
(a) Correlación entre los valores pronosticados y reales después del proceso de entrenamiento, (b) Error entre los valores pronosticados y reales para las principales cargas de ingeniería en el FLC durante el entrenamiento y la verificación.
En algún momento durante la formación, la red ANFIS inevitablemente se recicla. Para determinar esto, se realiza una verificación paralela, llamada “verificación”. Si el valor del error de validación se desvía del valor de entrenamiento, la red comienza a volver a entrenarse. Como se muestra en la Figura 9b, antes de la época 150, la diferencia entre las curvas de aprendizaje y validación es pequeña y siguen aproximadamente la misma curva. En este punto, el error del proceso de validación comienza a desviarse de la curva de aprendizaje, lo que es una señal de sobreajuste de ANFIS. Así, la red ANFIS para la ronda 150 se conserva con un error del 1,5%. Luego se introduce la predicción FLC para ANFIS. En la fig. 10 muestra las curvas previstas y reales para las muestras seleccionadas utilizadas en el proceso de capacitación y verificación. Dado que los datos de estas curvas se utilizaron para entrenar la red, no sorprende observar predicciones muy cercanas.
Curvas predictivas experimentales reales de FLC y ANFIS en diversas condiciones de contenido de martensita. Estas curvas se utilizan en el proceso de entrenamiento.
El modelo ANFIS no sabe qué pasó con la última muestra. Por lo tanto, probamos nuestro ANFIS capacitado para FLC enviando muestras con una fracción de martensita del 25,6 %. En la fig. 11 muestra la predicción de FLC de ANFIS así como la FLC experimental. El error máximo entre el valor predicho y el valor experimental es del 6,2%, que es mayor que el valor predicho durante el entrenamiento y la validación. Sin embargo, este error es tolerable en comparación con otros estudios que predicen teóricamente la CLL37.
En la industria, los parámetros que afectan la conformabilidad se describen en forma de lengüeta. Por ejemplo, "el grano grueso reduce la conformabilidad" o "un mayor trabajo en frío reduce la FLC". La entrada a la red ANFIS en la primera etapa se clasifica en categorías lingüísticas como baja, media y alta. Existen diferentes reglas para diferentes categorías en la red. Por tanto, en la industria, este tipo de redes pueden resultar de gran utilidad a la hora de incluir varios factores en su descripción y análisis lingüístico. En este trabajo intentamos tener en cuenta una de las principales características de la microestructura de los aceros inoxidables austeníticos para aprovechar las posibilidades de ANFIS. La cantidad de martensita inducida por tensión del 316 es una consecuencia directa del trabajo en frío de estos insertos. Mediante experimentación y análisis ANFIS, se ha encontrado que aumentar la proporción de martensita en este tipo de acero inoxidable austenítico conduce a una disminución significativa en la FLC de la placa 316, de modo que aumentar la proporción de martensita del 7,8% al 28,7% reduce la FLD0 desde 0,35. hasta 0,1 respectivamente. Por otro lado, la red ANFIS entrenada y validada puede predecir FLC utilizando el 80% de los datos experimentales disponibles con un error máximo del 6,5%, lo que es un margen de error aceptable en comparación con otros procedimientos teóricos y relaciones fenomenológicas.
Los conjuntos de datos utilizados y/o analizados en el estudio actual están disponibles a través de los respectivos autores previa solicitud razonable.
Iftikhar, CMA y cols. Evolución de las trayectorias de rendimiento posteriores de la aleación de magnesio AZ31 extruida "tal cual" bajo trayectorias de carga proporcionales y no proporcionales: experimentos y simulaciones de CPFEM. interno J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evolución de la superficie de fluencia posterior después de la deformación plástica a lo largo de trayectorias de carga proporcionales y no proporcionales de la aleación recocida AA6061: experimentos y modelado de elementos finitos de la plasticidad cristalina. interno J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Transitorios de tensión, endurecimiento por trabajo y valores r del aluminio debido a cambios en la trayectoria de deformación. interno J. Prast. 69, 1-20 (2015).
Mamushi, H. y col. Un nuevo método experimental para determinar el diagrama de conformación límite teniendo en cuenta el efecto de la presión normal. interna J. alma mater. forma. 15(1), 1 (2022).
Yang Z. et al. Calibración experimental de parámetros de fractura dúctil y límites de deformación de chapa metálica AA7075-T6. J. alma mater. proceso. tecnologías. 291, 117044 (2021).
Petrits, A. y col. Dispositivos ocultos de recolección de energía y sensores biomédicos basados ​​en convertidores ferroeléctricos ultraflexibles y diodos orgánicos. Comuna nacional. 12(1), 2399 (2021).
Basak, S. y Panda, SK Análisis de los límites de fractura y estricción de varias placas predeformadas en trayectorias de deformación plástica polar efectiva utilizando el modelo de rendimiento Yld 2000–2d. J. alma mater. proceso. tecnologías. 267, 289–307 (2019).
Basak, S. y Panda, SK Deformaciones por fractura en láminas metálicas anisotrópicas: evaluación experimental y predicciones teóricas. interno J. Mecha. la ciencia. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Estudio experimental y teórico del efecto del cambio de la trayectoria de la deformación en el diagrama límite de moldeo AA5083. interno J. Adv. fabricante. tecnologías. 76(5–8), 1343–1352 (2015).
Habibi, M. y col. Estudio experimental de las propiedades mecánicas, conformabilidad y diagrama límite de conformación de piezas en bruto soldadas por fricción y agitación. J. Hacedor. proceso. 31, 310–323 (2018).
Habibi, M., y otros. Considerando la influencia de la flexión, el diagrama límite se forma incorporando el modelo MC al modelado de elementos finitos. proceso. Instituto de pieles. proyecto. L 232(8), 625–636 (2018).


Hora de publicación: 08-jun-2023