Modelowanie przemian zachodzących podczas hartowania w stalach maszynowych

• Autorzy: Trzaska J. , Dobrzański L. A.

Warianty tytułu

EN

Modelling of transformations occuring during quenching in enginering steels

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metodykę modelowania zależności między składem chemicznym i temperaturą austenityzowania a kinetyką przemian austenitu przechłodzonego podczas chłodzenia ciągłego, z wykorzystaniem sieci neuronowych oraz metod statystycznych. Opracowany model umożliwia obliczenie wykresu CTPc dla stali o znanym składzie chemicznym i założonej temperaturze austenityzowania oraz analizę oddziaływania poszczególnych pierwiastków stopowych na charakterystyczne punkty oraz krzywe przemian austenitu przechłodzonego, a także twardość uzyskaną w wyniku chłodzenia. Pozwala również na prognozowanie struktury uzyskanej w stali w wyniku chłodzenia z określoną szybkością z temperatury austenityzowania, przez ilościowy opis udziałów procentowych ferrytu, perlitu, bainitu oraz martenzytu z austenitem szczątkowym. Do opracowania metody wykorzystano zbiór danych doświadczalnych przygotowany na podstawie informacji dostępnych w literaturze, obejmujących 400 wykresów CTPc. Przedstawiony w pracy model stanowi przydane narzędzie wspomagające dobór składu chemicznego stali na części maszyn, poddawane obróbce cieplnej.

EN

The paper presents the methodology of modelling using the neural networks and statistical method of the relationship between the chemical composition and austenitising temperature, and the supercooled austenite transformation kinetics during the continuous cooling. The model worked out makes it possible to calculate a complete CCT diagram for the steel with a known chemical composition and analysis of the influence of particular elements on the characteristic points and transformation curves of the supercooled austenite, and also the hardness resulting from cooling. It makes also possible forecasting of the structure developed in steel as a result of cooling at a particular rate, by the quantitative description of the volume fraction of ferrite, pearlite, bainite, and martensite with the retained austenite. In order to work out the methods the set of experimental data worked out on the basis of information available in the literature consisting of 400 CCT diagrams made for constructional and enginering steels were used. Model presented in the paper features a useful assistance in selection of the chemical composition of steel for machine elements subjected of heat treatment.

Słowa kluczowe

PL

stal maszynowa; wykres CTPc; modelowanie; sieć neuronowa

EN

CCT diagram; modelling; neural network

• Wydawca: Wydawnictwo Wrocławskiej Rady FSNT NOT
• Czasopismo: Inżynieria Maszyn
• Rocznik: 2005
• Tom: R. 10, z. 1/2
• Strony: 41--60
• Opis fizyczny: Bibliogr. 20 poz.

Twórcy

autor

Trzaska J.

• Zakład Technologii Procesów Materiałowych i Technik Komputerowych w Materiałoznawstwie, Instytut Materiałów Inżynierskich i Biomedycznych, Wydział Mechaniczny Technologiczny, Politechnika Śląska, 44-100 Gliwice, ul. Konarskiego 18A, Polska

autor

Dobrzański L. A.

• Zakład Technologii Procesów Materiałowych i Technik Komputerowych w Materiałoznawstwie, Instytut Materiałów Inżynierskich i Biomedycznych, Wydział Mechaniczny Technologiczny, Politechnika Śląska, 44-100 Gliwice, ul. Konarskiego 18A, Polska

Bibliografia

• [1] BARIANI P.F., BRUSCHI S., DAL NEGRO T., Prediction of nickel-base superalloys' rheological bahaviour under hot forging conditions using artificial neural networks. Journal of Materials Processing Technology, 152, 2004, p. 395.
• [2] BHADESHIA H.K.D.H., Neural Networks in Materials Science, ISIJ International, 39, 1999, p. 966.
• [3] Biocybernetyka i inżynieria biomedyczna, pod red. M. Nałęcza, tom 6 Sieci neuronowe, pod red. W. Ducha, J.Korbicza, L. Rutkowskiego, R. Tadeusiewicza, EXIT, Warszawa 2000.
• [4] DOBRZAŃSKI L.A., Komputerowa nauka o materiałach jako metoda projektowania współczesnych materiałów inżynierskich i produktów. Materiały X Seminarium Polskiego Towarzystwa Materiałoznawczego, Myczkowice, 2004, s.55.
• [5] DOBRZAŃSKI LA., TRZASKA J., Application of neural network for the prediction of continuous cooling transformation diagrams. Computational Materials Science, 30, 2004, p. 251.
• [6] DOBRZAŃSKI L.A., TRZASKA J., Application of neural networks for prediction of hardness and volume fractions of structural components constructional steels cooled from the austenitising temperature. Materials Science Forum, 437-438, 2003, p. 359.
• [7] DOBRZAŃSKI LA., TRZASKA J., Application of neural network for prediction of critical values of temperatures and time of the supercooled austenite transformations. Journal of Materials Processing Technology, 155-156, 2004 p. 1950.
• [8] DOBRZAŃSKI LA., TRZASKA J., Application of neural network to forecasting the CCT diagram, Journal of Materials Processing Technology, 157-158, 2004, 107.
• [9] DOBRZAŃSKI L.A., TRZASKA J., Employment of neural network for analysis of chemical composition and cooling rate effect on CCT diagrams shape, Inżynieria Materiałowa, 3 (140) 2004, p. 472.
• [10] DOBRZAŃSKI L.A., TRZASKA J., Zastosowanie sieci neuronowych do prognozowania wykresów CTP, Inżynieria Materiałowa, 6 (137), 2003, s. 291.
• [11] GENEL K., Application of artificial neural network for predicting strain-life fatigue properties of steels on the basis of tensile tests, International Journal of Fatigue, 26, 2004, p.1027.
• [12] GUO Z., SHA W., Modelling the correlation between processing parameters and properties of maraging steels using artificial neural network. Computational Materials Science, 29, 2004, p. 12.
• [13] MALINOV S., SHA W., Software products for modeling and simulation in materials science, Computational Materials Science, 28, 2003, p. 179.
• [14] SITEK W., DOBRZAŃSKI L.A., ZACŁONA J., The modelling of high-speed steels' properties using neural network, Journal of Materials Processing Technology, 157-158, 2004, p. 245.
• [15] SMITH L.N., GERMAN R.M., SMITH M.L., A neural network approach for solution of the inverse problem for selection of powder metallurgy materials, Journal of Materials Processing Technology, 120, 2002, p. 419.
• [16] TRZASKA J., Metodyka komputerowego modelowania kinetyki przemian austenitu przechodzonego stali konstrukcyjnych, praca doktorska niepublikowana, Bibl. Gł. Pol. Sl., Gliwice 2002.
• [17] VAN DER WOLK P.J., VERMEULEN W.G., VAN DER ZWAAG S., Prediction of the continuous cooling transformation diagram of vanadium containing steels using artificial neural networks, 2nd Int. Conf. on Modelling of Metal Rolling Processes, London, 1996, p.378.
• [18] VERMULEN W.G., VAN DER ZWAAG S., MORRIS P., WEUER T„ Prediction of the continuous cooling transformation diagram of some selected steels using artificial neural networks. Steel Research, 68, 1997, p. 72.
• [19] WANG J., VAN DER WOLK P.J., VAN DER ZWAAG S., Effects of Carbon Concentration and Cooling Rate on Continuous Cooling Transformations Predicted by Artificial Neural Network, ISIJ International, 39, 1999, p. 1038.
• [20] ZHAO J.C., NOTIS M.R., Continuous cooling transformation kinetics versus isothermal transformation kinetics of steels: a phenomenological rationalization of experimental observations, Materials Science and Engineering, R15, 1995 p. 135.