Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: prediction of microstructure

Sortuj według:

Ogranicz wyniki do:

Prediction of Microstructure in ADI Castings

Guzik E., Sokolnicki M., Królikowski M., Ronduda M., Nowak A.

Archives of Metallurgy and Materials

2016

Vol. 61, iss. 4

2159--2164

Tests were carried out on samples of low-alloy ductile iron with additions of Ni, Cu and Mo, subjected to austempering heat treatment. The samples were austenitized at 850, 900 and 950 °C, and then austempered at T = 210, 240, 270, 300 and 330 °C. The ausferritizing treatment was carried out in a salt bath for the time τ = 2 - 8 hours. Additionally, tests and studies covered samples subjected to the ausferritizing treatment at 270 °C with the time of holding castings in a bath from 2 to 24 hours. Evaluation covered the results of the ADI microstructure examinations and hardness measurements. The ADI matrix morphology was identified counting the average number of ausferrite plates and measuring their width and spacing. The regression equations HB = f (τ, T) and τ = f (HB, T) were derived to establish the, so-called, “process window”, allowing obtaining a priori the required microstructure of ADI and, consequently, the required mechanical properties, mainly hardness, shaping the functional properties of castings, abrasion wear resistance – in particular.

Zastosowanie sztucznych sieci neuronowych do przewidywania wielkości ziarna austenitu po wielostopniowym odkształcaniu stali niskowęglowej na gorąco

Koczurkiewicz B., Knapiński M., Dyja H.

Hutnik, Wiadomości Hutnicze

2008

Vol. 75, nr 8

418-420

W pracy wykorzystano sztuczne sieci neuronowe do prognozowania struktury odkształcanego austenitu w stali niskowęglowej! Krótki czas reakcji na zmianę sygnałów wejściowych modelu opartego na sieci neuronowej umożliwia wykorzystanie takiego roz-1 wiązania w czasie rzeczywistym do ciągłej analizy parametrów odkształcenia i sterowania nimi w sposób zapewniający uzyskanie! pożądanych właściwości gotowych wyrobów. Weryfikacje modelu przeprowadzono poprzez fizyczne symulacje wielostopniowego! odkształcania na gorąco połączone z badaniami metalograficznymi. Wykorzystano dylatometr z możliwością odkształcania Dli! 805A/D. Przeprowadzone badania pozwoliły na określenie konfiguracji sieci i algorytmu uczącego najkorzystniejszego do rozwiązania postawionego problemu.

The artificial neural networks for prediction of austenite grain size in low carbon steel after multistage hot deformation procesm were used in this work. Physical simulation of multistage hot deformation and metallography research were done. The conversions dilatometer type 805A/Dfor thermo-mechanical treatment was used. The optimal network configuration and learning algorithm wereM obtained on the base of the research.