Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: properties modelling

Sortuj według:

Ogranicz wyniki do:

Artificial intelligence in the AHSS steel mechanical properties and microstructure analysis

Krajewski S., Nowacki J.

Przegląd Elektrotechniczny

2016

R. 92, nr 6

102--105

The assessment of results method of calculation tensile strength and yield strength of this cold rolled steels using the artificial neural networks in modelling relationship of elements composition (chromium, manganese, silicon, carbon), thermal treatment and properties of HCT600X, HCT780X, HCT980X steels was proposed. Was made further research using the new element chromium.

W artykule użyto sztucznych sieci neuronowych do obliczenia zależności między wytrzymałością na rozciąganie i umowną granicą plastyczności, a pierwiastkami (chrom, mangan, krzem i węgiel), obróbką cieplną i właściwościami stali HCT600X, HCT780X, HCT980X walcowanych na zimno należących do stali karoseryjnych dwufazowych. Dokonano kontynuację badań z uwzględnieniem nowego pierwiastkachromu.

Modelowanie właściwości dwufazowych stali DP z zastosowaniem sztucznej inteligencji

Krajewski S., Nowacki J.

Inżynieria Materiałowa

2012

Vol. 33, nr 6

626--630

W artykule przedstawiono wyniki badań stali dwufazowych DP (Dualphase steel) należących do grupy nowych stali o wysokiej wytrzymałości (AHSS). Utworzono bazę danych materiałowych zawierającą skład chemiczny i właściwości mechanicznych tych stali. Utworzono model sztucznej sieci neuronowej szacującej wytrzymałość na rozciąganie, uwzględniając wpływ pierwiastków stopowych, warunków obróbki cieplnej oraz wartości temperatury przemian. Zmiany morfologii w mikrostrukturze stali ferrytyczno- martenzytycznych wpływają na właściwości mechaniczne. Wyjątkowe właściwości mechaniczne stali o wysokiej wytrzymałości (AHSS – Advanced High-Strength Steel) są efektem przemian fazowych w zakresie temperatury współistnienia ferrytu i przechłodzonego austenitu w warunkach odkształcenia plastycznego lub szybkiego chłodzenia powodującego utworzenie finalnej struktury. Stale AHSS stały się szczególnie atrakcyjne w produkcji nadwozi pojazdów dzięki wytrzymałości na rozciąganie sięgającej 1700 MPa, granicy plastyczności do 1450 MPa oraz wydłużeniu A80 dochodzącemu do 30%. Blachy ze stali AHSS wykazują dużo większe właściwości mechaniczne w porównaniu z konwencjonalnymi stalami karoseryjnymi. Efektem zastosowania stali AHSS jest zmniejszenie grubości blach karoseryjnych i masy konstrukcji pojazdu. Do badań wybrano stale dwufazowe w stanie dostawy ze względu na ich wyjątkową mikrostrukturę składającą się z 30÷70% martenzytu w osnowie drobnoziarnistego, sferoidalnego ferrytu i 1÷10% metastabilnego austenitu szczątkowego, warunkującą dużą wytrzymałość na rozciąganie do 1180 MPa przy dużym wydłużeniu względnym A80 do 27%. Mikrostruktura stali DP powstaje w wyniku obróbki cieplnej (rys. 1) polegającej na walcowaniu na zimno. Utworzono bazę danych materiałowych zawierającą 52 rekordy różnych stali dwufazowych z danymi składu chemicznego, temperatury przemian Ac1 i Ac3, Fs i Ms, właściwości mechanicznych Re i Rm, objętości względnej faz w mikrostrukturze. Dokonano modelowania z wykorzystaniem sztucznych sieci neuronowych w celu wyznaczenia zależności między składem chemicznym, obróbką cieplną, morfologią mikrostruktury a właściwościami mechanicznymi. Sztuczna sieć neuronowa ma za zadanie prognozować właściwości mechaniczne stali w zależności od podanego składu chemicznego, warunków obróbki cieplnej i objętości względnej fazy w mikrostrukturze. Z bazy danych materiałowych wybrano losowo dane uczące, testujące i walidujące w sieciach neuronowych. Ocena wpływu składu chemicznego na temperaturę przemian Ac1, Ac3, Ms, Fs oraz szybkości chłodzenia na mikrostrukturę umożliwiła modelowanie zależności pomiędzy obróbką cieplną a objętością względną danej fazy. Do przeprowadzenia symulacji i predykcji dobrano zakres stężenia pierwiastków i warunki obróbki cieplnej.

The paper discusses the results of scientific research on dual-phase steels which belong to the group of new Advanced High Strength Steels. A material database of materials properties of these steel and an artificial model of neuron grid, which estimates the impact of alloying elements, conditions of thermal treatment, transformation of temperatures and characterization of the microstructure on the mechanical properties-morphology modification in microstructures of ferritic-martensitic steel, affect the tensile strength have been created. Unique mechanical properties of Advanced High-Strength Steels (AHSS) result from phase transitions of coexistence temperatures of ferrite and supercooled austenite in plastic strain conditions or rapid cooling from austenite in order to produce martensitic structure. AHSS became particularly advantageous to automotive industry due to their high tensile strength (up to 1700 MPa), high yield point (up to 1450 MPa), and high elongation A80 (up to 30%). Car body sheets made with AHSS characterize better mechanical properties than those made of regular steels and allow for the reduction of the thickness of the construction. Some of the major advantages of AHSS include their moderate price that results from a low number of alloy additions, reduction of construction thickness as well as favourable technological properties, including weldability and machinability. AHSS owe their fine mechanical properties to the polyphase structure of ferrite, bainite, martensite and retained austenite. Polyphase AHSS remain plastic despite martensite and/or bainite content. The process of steel working includes plastic strain being the result of hot rolling (in case of CP and martensitic steels) in austenite stability temperature (850°C) or cold rolling (in case of DP and TRIP steels) and rolling with controlled cooling. The object of the present study is modelling the microstructure and properties of Dual-Phase Steels belonging to the grade of Advanced High-Strength Steels. The steels selected for the purpose of the present study were dual phase steels in as supplied condition for the sake of their unique microstructure, consisting of 30÷70% of martensite in a fine-grain spheriodal ferrite matrix and 1÷10% of metastable residual austenite, which determines their tensile strength (up to 1180 MPa) with unit elongation A80 up to 27%. The microstructure of DP steel is the effect of heat treatment. Material database containing around 50 records of different dual phase steels was created. The records included data concerning the chemical composition of steels, their Ac1 and Ac3, Fs and Ms, Re and Rm transition temperatures as well as the relative volume of the phases in the microstructure. In order to calculate the minimal tensile strength and yield strength of dual phase steels, the data were modelled using artificial neural networks. The artificial neural network is to forecast the mechanical properties of the steels according to a given chemical composition, the conditions of heat treatment and the relative volume of the phase in the microstructure. Neural network training, test and validation data were randomly selected from the material database. Both the microstructure and the influence of the chemical composition on the temperatures of Ac1, Ac3, Ms, Fs transitions are worked out for the sake of simulating the relations between heat treatment and the relative volume of a given phase in the microstructure of the steel.