ANFIS

Rapports scientifiques volume 13, Numéro d'article : 3115 (2023) Citer cet article

427 accès

2 Altmétrique

Détails des métriques

L'effet de la microstructure sur la formabilité des tôles inoxydables est une préoccupation majeure pour les ingénieurs des industries de la tôle. Dans le cas des aciers austénitiques, l'existence de martensite induite par déformation (\({\alpha }^{^{\prime}}\)-martensite) dans leur microstructure provoque un durcissement considérable et une réduction de la formabilité. Dans la présente étude, nous visons à évaluer la formabilité des aciers AISI 316 avec différentes intensités de martensite via des méthodes expérimentales et d'intelligence artificielle. Dans la première étape, des aciers de qualité AISI 316 avec des épaisseurs initiales de 2 mm sont recuits et laminés à froid à différentes épaisseurs. Par la suite, la surface relative de la martensite induite par déformation est mesurée à l'aide de tests de métallographie. La formabilité des feuilles laminées est déterminée à l'aide d'un test de poinçonnage hémisphérique pour obtenir des diagrammes de limite de formage (FLD). Les données obtenues à partir d'expériences ont ensuite été utilisées pour former et valider un système d'interférence floue neuronale artificielle (ANFIS). Après apprentissage de l'ANFIS, les principales déformations prédites par le réseau de neurones sont comparées à un nouvel ensemble de résultats expérimentaux. Les résultats indiquent que le laminage à froid a des effets défavorables sur la formabilité de ce type d'aciers inoxydables tout en renforçant significativement les tôles. De plus, l'ANFIS présente des résultats satisfaisants par rapport aux mesures expérimentales.

La formabilité des tôles, bien que faisant l'objet d'articles de recherche depuis des décennies, est pourtant un domaine d'étude intéressant en métallurgie. Les nouveaux instruments technologiques et modèles informatiques facilitent la recherche des facteurs sous-jacents affectant la formabilité. Plus important encore, l'utilisation des méthodes d'éléments finis de plasticité cristalline (CPFEM) au cours des dernières années révèle l'importance de la microstructure sur les limites de formation. D'autre part, la disponibilité du microscope électronique à balayage (SEM) et de la diffraction par rétrodiffusion d'électrons (EBSD) a aidé les chercheurs à observer les activités microstructurales des structures cristallines pendant la déformation. La compréhension des effets des différentes phases dans les métaux, la taille et l'orientation des grains et l'imperfection à l'échelle microscopique au niveau des grains sont essentielles pour la prédiction de la formabilité.

La détermination de la formabilité elle-même est une procédure difficile car il a été prouvé que la formabilité dépend fortement du chemin1,2,3. Par conséquent, la représentation conventionnelle des déformations limites de formage ne peut pas être fiable dans des conditions de chargement non proportionnel. D'autre part, la majorité des chemins de chargement en application industrielle est catégorisée comme non proportionnelle. À cet égard, les méthodes expérimentales conventionnelles de l'hémisphère et de Marciniak-Kuczynski (M-K) doivent être utilisées avec prudence4,5,6. Ces dernières années, un autre concept de diagramme limite de formation de rupture (FFLD) a attiré l'attention de nombreux ingénieurs dans le domaine de la formabilité. Dans ce concept, la formabilité des tôles est prédite à l'aide des modèles d'endommagement. À cet égard, l'indépendance du chemin est intrinsèquement incorporée dans les analyses et les résultats sont en bon accord avec les résultats expérimentaux non proportionnels7,8,9. La formabilité des tôles dépend de plusieurs paramètres et de l'historique de traitement des tôles ainsi que de la microstructure et des phases des métaux10,11,12,13,14,15.

La dépendance à la taille est un défi dans l'incorporation de micro-caractéristiques sur les métaux. Dans l'espace de petites déformations, la dépendance des caractéristiques de vibration et de flambement s'est avérée fortement dépendante de l'échelle de longueur des matériaux16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Les effets de la taille des grains sur la formabilité sont reconnus depuis longtemps dans l'industrie. Les effets de la taille et de l'épaisseur des grains sur l'étirabilité des tôles ont été examinés à l'aide de l'analyse théorique de Yamaguchi et Mellor31. En utilisant le modèle de Marciniak, ils ont rapporté qu'une diminution du rapport épaisseur / taille de grain entraîne une diminution de l'extensibilité des feuilles dans des conditions de chargement d'étirement biaxial. Les résultats expérimentaux de Wilson et al.32 confirment que la réduction de l'épaisseur au diamètre moyen des grains (t/d) entraîne une diminution de l'étirabilité biaxiale de trois tôles différentes avec différentes épaisseurs. Ils ont conclu que pour des valeurs t/d inférieures à 20, l'inhomogénéité de déformation et la striction importantes sont principalement affectées par les grains individuels dans l'épaisseur de la feuille. L'effet de la granulométrie des aciers inoxydables austénitiques 304 et 316 sur l'ouvrabilité en vrac a été étudié par Ulvan et Koursaris33. Ils ont rapporté que la formabilité de ces métaux n'était pas affectée par la taille des grains, mais une légère variation des caractéristiques de traction a été observée. En particulier, l'augmentation de la taille des grains a entraîné une diminution des mesures de résistance de ces aciers. L'examen de l'effet de la densité de dislocations sur la contrainte d'écoulement du nickel métallique révèle que, quelle que soit la taille des grains, c'est la densité de dislocations qui détermine la contrainte d'écoulement du métal34. L'interaction des grains et les orientations initiales ont également une influence significative sur l'évolution de la texture dans l'aluminium, tel qu'examiné par (Becker et Panchanadeeswaran à l'aide de simulations expérimentales et de plasticité cristalline35. Les résultats numériques de leurs analyses étaient en bonne harmonie avec les expériences, bien qu'en raison des limitations dans l'application les résultats de la simulation déviaient des expériences Les tôles d'aluminium laminées présentaient différentes formabilités lors des simulations de plasticité cristalline détectées et de l'examen expérimental 36. Il a été montré que bien que les courbes contrainte-déformation de différentes tôles soient presque similaires, il y avait des différences significatives dans leur formabilité en fonction de la valeur initiale Amélirad et Assempour ont utilisé expérimentalement et CPFEM pour obtenir des courbes limites de formage dans des tôles d'acier inoxydable austénitique 37. Leur simulation révèle que l'augmentation des déplacements de la taille des grains formant des courbes limites vers le haut dans FLD De plus, l'orientation des grains et les effets de la morphologie sur la nucléation des vides ont été examinés par les mêmes auteurs38.

Outre la morphologie et l'orientation des grains, l'état de macles et les secondes phases sont importants dans les aciers inoxydables austénitiques. Le maclage est le principal mécanisme d'amélioration du durcissement et de l'allongement des aciers TWIP39. Hwang40 a signalé que la formabilité des aciers TWIP n'est pas satisfaisante malgré les réponses de traction adéquates. Cependant, les effets du maclage induit par déformation sur la formabilité des tôles d'acier austénitiques ne sont pas bien reconnus. Mishra et al.41 ont examiné l'acier inoxydable austénitique pour observer la génération de macles sous différents chemins de déformation d'étirement. Ils ont découvert que le jumelage pouvait être généré à la fois à partir des sources de désintégration des jumeaux de recuit et de la nouvelle génération de jumeaux. Il a été observé sous étirement biaxial que le maximum de macles est généré. De plus, il a été observé que la transformation de l'austénite en \({\alpha }^{^{\prime}}\)-martensite dépend du chemin de déformation. Hong et al.42 ont exploré les effets du maclage induit par la déformation et de la martensite dans l'acier austénitique fondu au laser sélectif 316 L sur la fragilisation par l'hydrogène dans une plage de températures. Il a été observé que sur la base de la valeur de la température, l'hydrogène pourrait entraîner une fracture ou améliorer la formabilité des aciers 316 L. Le volume de martensite induite par déformation dans des conditions de charge de traction à divers taux de charge a été mesuré expérimentalement par Shen et al.43. Il a été révélé que l'augmentation de la déformation en traction augmente la fraction volumique des fractions de martensite.

L'utilisation de méthodes d'intelligence artificielle dans les domaines des sciences et de l'ingénierie est en augmentation en raison de leur polyvalence dans la modélisation de problèmes complexes sans engager les fondements physiques et mathématiques du problème44,45,46,47,48,49,50,51,52. Moradi et al.44 ont utilisé une méthode d'apprentissage automatique pour optimiser les conditions chimiques conduisant à la production de particules de nano-silice plus petites. D'autres propriétés chimiques ont également affecté les propriétés des matériaux à l'échelle nanométrique, comme cela a été étudié dans de nombreux articles de recherche53. Xie et al.45 ont engagé l'ANFIS pour prédire la formabilité des tôles d'acier au carbone ordinaire dans différentes conditions de laminage. La densité de dislocations dans les aciers à faible teneur en carbone augmente considérablement en raison du laminage à froid. Le mécanisme de la formabilité de durcissement et de réduction est différent dans l'acier au carbone ordinaire des aciers inoxydables austénitiques. Dans l'acier au carbone ordinaire, aucune transformation de phase ne se produit dans la microstructure du métal. Outre la phase des métaux, plusieurs autres caractéristiques microstructurales résultant de différents traitements de traitement thermique, de travail à froid, de vieillissement affectent la ductilité, la rupture, l'usinabilité, etc. des métaux54,55,56,57,58,59,60,61,62 . Récemment, Chen et al.63 ont examiné les effets du laminage à froid sur la formabilité des aciers 304 L. Ils n'ont pris en compte que des observations phénoménologiques dans les tests expérimentaux pour former un réseau de neurones pour la prédiction de la formabilité. En effet, plusieurs facteurs se conjuguent pour réduire l'étirabilité des tôles dans le cas des aciers inoxydables austénitiques. Lu et al.64 ont utilisé l'ANFIS pour observer les effets de différents paramètres sur le processus d'expansion du trou.

Comme discuté brièvement dans la revue ci-dessus, l'effet de la microstructure sur les diagrammes de limite de formation est à peine abordé dans la littérature. En revanche, les caractéristiques microstructurales à considérer sont nombreuses. Par conséquent, l'incorporation de tous les facteurs microstructuraux n'est guère possible dans les méthodes analytiques. En ce sens, l'utilisation de l'intelligence artificielle pourrait être utile. À cet égard, l'effet d'un aspect du facteur microstructural, à savoir l'existence de martensite induite par la contrainte, sur la formabilité des tôles inoxydables est étudié dans la présente étude. Cette étude contraste avec d'autres études d'IA sur la formabilité en mettant l'accent sur les caractéristiques microstructurales et pas seulement sur les courbes FLD expérimentales. Nous visons à évaluer la formabilité des aciers 316 avec différents niveaux de martensite en utilisant des méthodes expérimentales et d'intelligence artificielle. Lors de la première étape, 316 aciers d'une épaisseur initiale de 2 mm sont recuits et laminés à froid à différentes épaisseurs. Ensuite, la surface relative de la martensite est mesurée à l'aide de tests de métallographie. La formabilité des feuilles laminées est déterminée à l'aide d'un test de poinçonnage hémisphérique pour obtenir des diagrammes de limite de formage (FLD). Les données obtenues sont ensuite utilisées pour former et valider un système d'interférence floue neuronale artificielle (ANFIS). Après avoir entraîné l'ANFIS, les prédictions du réseau de neurones sont comparées à un nouvel ensemble de résultats expérimentaux.

La tôle utilisée dans la présente étude est en acier inoxydable austénitique 316 avec la composition chimique présentée dans le tableau 1 avec une épaisseur initiale de 1,5 mm. Un processus de recuit à 1050 ° C pendant 1 h suivi d'une trempe à l'eau a été effectué pour éliminer toute contrainte résiduelle dans la feuille et pour obtenir une microstructure uniforme.

La microstructure des aciers austénitiques a pu être révélée à l'aide de plusieurs décapants. L'un des meilleurs décapants est l'acide nitrique à 60% dans de l'eau distillée à 1 V de courant continu pendant 120 s38. Cependant, cet agent de gravure ne révèle que les joints de grains et les joints de macles n'ont pas pu être reconnus comme cela a pu être observé sur la Fig. 1a. L'un des autres agents de gravure est la glycérémie acétique dans laquelle les joints de macles sont bien révélés mais les joints de grains ne sont pas très bien révélés, comme le montre la figure 1b. De plus, après avoir transformé la phase austénitique métastable en phase \({\alpha }^{^{\prime}}\)-martensite, la martensite a pu être révélée à l'aide d'agents de gravure glycérégiques acétiques, ce qui intéresse la présente étude.

Microstructure de 316 tôles après recuit dans l'état de réception révélé par différents agents de gravure, (a) 200x, 60 % \({\mathrm{HNO}}_{3}\) dans de l'eau distillée à 1,5 V pendant 120 s, et (b) 200x, glycérémie acétique.

Les tôles recuites ont été coupées à 11 cm de largeur et 1 m de longueur pour le laminage. L'appareil de laminage à froid comportait deux cylindres symétriques de 140 mm de diamètre. Le processus de laminage à froid induit la transformation de l'austénite en martensite induite par déformation dans l'acier inoxydable 316. On recherche le rapport phase martensite sur phase austénite après laminage à froid à différentes épaisseurs. Un échantillon de la microstructure de la feuille laminée est représenté sur la figure 2. La figure 2a montre l'image métallographique de l'échantillon laminé, vue dans la direction normale à la feuille. Sur la figure 2b, la partie de la martensite est contrastée avec la couleur noire à l'aide du logiciel ImageJ65. En utilisant les outils de ce logiciel open-source, il est possible de mesurer la surface de la partie martensite. Une fraction détaillée de la phase martensite à austénite après laminage à diverses réductions d'épaisseur est fournie dans le tableau 2.

Microstructure d'une feuille de 316 L après avoir été laminée jusqu'à une réduction d'épaisseur de 50 %, vue de la normale à la direction du plan de la feuille, 200x, glycéregia acétique.

Les valeurs fournies dans le tableau 2 sont obtenues en faisant la moyenne de la fraction de martensite mesurée à partir de trois images provenant des différents emplacements du même échantillon métallographique. De plus, une courbe d'ajustement quadratique est affichée sur la figure 3 pour mieux comprendre l'effet du laminage à froid sur la martensite. On voit qu'une corrélation presque linéaire est maintenue entre la fraction de martensite et la réduction d'épaisseur de laminage à froid. Cependant, une relation quadratique a une meilleure représentation de cette relation.

Changement de la fraction de martensite en fonction de la réduction d'épaisseur dans le processus de laminage à froid pour les tôles 316 recuites initialement.

Les évaluations des limites de formage suivent une procédure de routine utilisant le test de poinçonnage de l'hémisphère37,38,45,66. Au total, six échantillons avec les dimensions indiquées sur la figure 4a sont préparés par la méthode de découpe au laser comme un ensemble d'échantillons d'expérience. Pour chaque condition de fraction de martensite, trois ensembles d'échantillons d'essai sont préparés et testés. La figure 4b montre les échantillons taillés, polis et marqués.

La limite de formage de Nakazima échantillonne les dimensions et les feuilles coupées. (a) dimensions, (b) échantillons découpés et marqués.

Le test de poinçonnage de l'hémisphère est effectué à l'aide d'une presse hydraulique avec un taux de déplacement de 2 mm/s. Les surfaces de contact du poinçon et de la tôle sont suffisamment lubrifiées pour minimiser l'effet du frottement sur les valeurs limites de formage. Les tests ont été poursuivis jusqu'à ce qu'une striction ou une fracture apparente soit observée dans l'échantillon. Sur la figure 5, un échantillon fracturé dans l'appareil et après le test est représenté.

Détermination de la limite de formation à l'aide d'un test de poinçonnage de l'hémisphère, (a) Appareil d'essai (b) Feuille d'échantillon dans l'appareil au moment de la rupture, (c) Le même échantillon après le test.

Le système neuronal flou développé par Jang67 est un outil approprié pour prédire les courbes limites de formage des tôles. Ce type de réseaux de neurones artificiels intègre les effets de paramètres ayant des descriptions floues. Cela signifie qu'ils pourraient prendre n'importe quelle valeur réelle dans leur domaine. Ce type de valeurs est ensuite classé en fonction de leur valeur. Chaque catégorie serait affectée par sa règle respective. Par exemple, la valeur de la température peut être n'importe quel nombre réel. En fonction de sa valeur, elle peut être classée comme température froide, modérée, chaude et chaude. À cet égard, la règle pour la température froide est, par exemple, "portez une veste" et pour la température chaude est "Un T-shirt suffit". Dans la logique floue elle-même, les résultats de sortie sont évalués pour leur précision et leur fiabilité. L'intégration d'un système de réseau de neurones avec logique floue permet de garantir que l'ANFIS fournit des résultats fiables.

Un simple réseau neuronal flou est représenté sur la figure 6, tel que fourni par Jang67. Comme on le voit sur cette figure, le réseau accepte deux entrées qui, dans le cas de notre étude, sont la fraction de martensite dans la microstructure et la valeur de déformation mineure. Dans la première couche d'analyse, la fuzzification des valeurs d'entrée est effectuée à l'aide de règles floues et de fonctions d'appartenance (MF) :

pour \(i=1, 2\), puisque les données d'entrée sont supposées avoir deux catégories de description. Les MF pourraient prendre n'importe quelle forme de triangle, trapézoïdale, gaussienne ou toute autre forme.

Schéma des couches ANFIS pour deux entrées et une sortie67.

Sur la base des catégories de \({A}_{i}\) et \({B}_{i}\) et de leurs valeurs MF, certaines règles sont adoptées dans la couche 2, comme illustré à la Fig. 7. Dans ces couches , les effets des différentes entrées sont combinés d'une certaine manière. Ici, la règle suivante est utilisée pour combiner les effets de la fraction de martensite et des valeurs de déformation mineure :

Sous-espaces flous pour ANFIS avec deux entrées et quatre règles.

La sortie de cette couche, \({w}_{i}\), est appelée force de tir. Ces puissances de tir sont normalisées selon la relation ci-dessous dans la couche 3 :

Dans la couche 4, la règle de Takagi et Sugeno67,68 est incorporée dans les calculs pour tenir compte des effets des valeurs initiales des paramètres d'entrée. La relation suivante est maintenue dans cette couche :

Les \({f}_{i}\) obtenus ont été affectés par les valeurs normalisées dans les couches pour donner la sortie finale qui est la valeur de la déformation majeure :

où \(NR\) désigne le nombre de règles. Le rôle du réseau de neurones est ici d'utiliser ses algorithmes d'optimisation internes pour ajuster des paramètres inconnus du réseau. Les paramètres inconnus sont les paramètres conséquents \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\) et les paramètres liés aux MF qui sont considérés pour être des fonctions en forme de cloche généralisées :

Les diagrammes limites de formage dépendent de nombreux paramètres allant de la composition chimique à l'historique de déformation des tôles. Certains paramètres sont simples à évaluer, y compris les paramètres d'essai de traction et d'autres nécessitent une procédure plus compliquée comme la métallographie ou la détermination de la contrainte résiduelle. Dans la plupart des cas, il est avantageux d'effectuer un test de limite de formage sur chaque lot de feuilles. Cependant, les résultats d'autres tests peuvent parfois être utilisés pour estimer les limites de formage. Pour un compte, plusieurs études ont utilisé les résultats des essais de traction pour déterminer la formabilité des feuilles69,70,71,72. D'autres études ont intégré davantage de paramètres tels que l'épaisseur et la taille des grains dans leurs analyses31,73,74,75,76,77. Cependant, l'incorporation de tous les paramètres effectifs n'est pas avantageuse sur le plan informatique. Par conséquent, l'utilisation de modèles ANFIS pourrait être une approche raisonnable de ces problèmes45,63.

Dans ce travail, l'effet de la valeur de la fraction de martensite sur le diagramme limite de formage des tôles d'acier austénitique 316. À cet égard, un ensemble de données est préparé à l'aide de tests expérimentaux. Le système conçu a deux variables d'entrée : la fraction de martensite telle que mesurée dans les tests de métallographie et la plage de déformation technique mineure. La sortie est considérée comme la contrainte technique majeure de la courbe limite de formage. Les catégories de la fraction de martensite sont trois catégories de fractions faible, moyenne et élevée. Par faible, on entend que la fraction de martensite est inférieure à 10 %. A l'état moyen, la fraction de martensite se situe entre 10 et 20 %. La valeur élevée de la martensite est considérée comme des fractions supérieures à 20 %. De plus, la déformation mineure a trois catégories distinctes comprises entre − 5 et 5 % près de l'axe vertical pour la détermination de FLD0. Les plages positives et négatives sont deux autres catégories.

Les résultats des tests de l'hémisphère sont présentés sur la Fig. 8. Cette figure contient 6 diagrammes limites de formage, 5 d'entre eux sont les FLD d'une seule feuille laminée. Les points de sécurité et leur courbe limite supérieure, formant courbe limite (FLC), sont présentés. Dans le dernier graphique, tous les FLC sont comparés. Comme le montre le dernier graphique, l'augmentation de la fraction de martensite de l'acier austénitique 316 réduit la formabilité de la tôle. D'autre part, l'augmentation de la fraction de martensite façonne progressivement les FLC en une courbe symétrique autour de l'axe vertical. Dans les deux derniers graphiques, le côté droit des courbes est légèrement plus haut que le côté gauche, ce qui signifie que la formabilité dans les conditions d'étirement biaxial est supérieure à la charge d'étirement uniaxiale. De plus, les contraintes mécaniques mineures et majeures avant la rétreinte diminuent avec l'augmentation de la fraction martensitique.

Courbes limites de formation de 316. Effet de la fraction martensitique sur la formabilité des tôles d'acier austénitique. (points de sécurité SF, courbe limite de formation FLC, martensite M).

La formation du réseau de neurones est mise en œuvre à l'aide de 60 ensembles de résultats expérimentaux de fractions de martensite à 7,8, 18,3 et 28,7 %. L'ensemble de données de 15,4 % de martensite est réservé au processus de validation et 25,6 % au processus de test. L'erreur après 150 époques était d'environ 1,5 %. La corrélation entre la sortie réelle fournie (\({\epsilon }_{1}\), contrainte d'ingénierie majeure) pour la formation et les tests est illustrée à la Fig. 9. Comme observé, le NFS formé prédit de manière satisfaisante \({\epsilon } _{1}\) pour les tôles.

(a) corrélation entre les valeurs prédites et réelles après le processus de formation, (b) erreur entre les valeurs prédites et réelles de la contrainte technique majeure sur le FLC pour le processus de formation et de validation.

À un moment donné de la formation, le réseau ANFIS devient inévitablement suréquipé. Pour reconnaître ce point, une vérification parallèle appelée "validation" est effectuée. Si la valeur d'erreur de validation s'écarte de la valeur d'apprentissage, cela signifie que le réseau est au début du sur-ajustement. Comme on le voit sur la figure 9b, jusqu'à l'époque 150, la différence entre les courbes d'apprentissage et de validation est faible et elles suivent approximativement la même courbe. À ce stade, l'erreur du processus de validation commence à s'écarter de la courbe d'entraînement, ce qui est le signe d'un surajustement de l'ANFIS. Par conséquent, le réseau ANFIS à l'époque 150 a été enregistré avec une marge d'erreur de 1,5 %. Au suivant, les prédictions FLC de l'ANFIS sont présentées. Sur la figure 10, les courbes prédites et les courbes réelles des échantillons sélectionnés pour le processus d'apprentissage et de validation sont données. Étant donné que les données de ces courbes sont utilisées pour l'apprentissage du réseau, il n'est pas surprenant d'observer des prédictions très proches.

FLC expérimentaux réels par rapport aux courbes prédites par l'ANFIS pour différentes conditions de fraction de martensite. Ces courbes sont utilisées pour le processus de formation.

L'état du dernier échantillon est inconnu du modèle ANFIS. Par conséquent, nous testons notre ANFIS formé en alimentant la fraction de martensite de 25,6 % d'échantillon pour obtenir le FLC. La figure 11 fournit le FLC tel que prédit par l'ANFIS avec le FLC expérimental. L'erreur maximale entre la valeur prédite et les valeurs expérimentales est de 6,2 %, ce qui est supérieur aux valeurs prédites dans le processus de formation et de validation. Cependant, cette erreur est une erreur acceptable par rapport à d'autres études dans lesquelles le FLC est prédit par des méthodes théoriques37.

Schéma des couches ANFIS pour deux entrées et une sortie.

Dans l'industrie, les paramètres influençant la formabilité sont décrits sous une forme linguistique. Par exemple, "une grande taille de grain diminue la formabilité" ou "l'augmentation du travail à froid fait baisser le FLC". Les entrées du réseau ANFIS, à la première étape, sont divisées en catégories linguistiques, par exemple, faible, moyen et élevé. Pour différentes catégories, différentes règles sont adoptées par le réseau. Par conséquent, dans l'industrie, ce type de réseau pourrait être très utile en termes à la fois de description linguistique des facteurs et d'inclusion de plusieurs facteurs dans l'analyse. Dans ce travail, nous avons essayé d'intégrer l'une des principales caractéristiques microstructurales des aciers inoxydables austénitiques en considération en exploitant les capacités de l'ANFIS. La quantité de martensite induite par la contrainte dans le 316 est un effet direct du travail à froid de ces tôles. À l'aide d'analyses expérimentales et de l'ANFIS, il a été déterminé que l'augmentation de la fraction martensite dans ce type d'aciers inoxydables austénitiques entraîne une baisse significative du FLC de 316 tôles de sorte qu'une augmentation de 7,8 à 28,7 % de la fraction martensite fait chuter FLD0 de 0,35 à 0,1, respectivement. D'autre part, le réseau ANFIS formé et validé utilisant 80 % des données expérimentales disponibles pourrait prédire le FLC avec une erreur maximale de 6,5 %, ce qui est une marge d'erreur acceptable par rapport à d'autres procédures théoriques et relations phénoménologiques.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Iftikhar, CMA et al. Une évolution des lieux de rendement ultérieurs sous un chemin de chargement proportionnel et non proportionnel de l'alliage de magnésium AZ31 extrudé «tel que reçu»: expériences et modélisation CPFEM. Int. J.Plast. 151, 103216 (2022).

Article CAS Google Scholar

Iftikhar, CMA et al. Évolution des surfaces d'élasticité ultérieures avec déformation plastique le long des chemins de chargement proportionnels et non proportionnels sur l'alliage AA6061 recuit : expériences et modélisation par éléments finis de la plasticité cristalline. Int. J.Plast 143, 102956 (2021).

Article CAS Google Scholar

Mánik, T., Holmedal, B. & Hopperstad, OS Changement de chemin de déformation induit des transitoires dans la contrainte d'écoulement, l'écrouissage et les valeurs r dans l'aluminium. Int. J.Plast. 69, 1–20 (2015).

Article Google Scholar

Mamusi, H. et al. Une nouvelle approche expérimentale dans la détermination des diagrammes limites de formage en considérant l'effet de la pression normale. Int. J. Mater. Former. 15(1), 1 (2022).

Article Google Scholar

Yang, Z. et al. Étalonnage expérimental des paramètres de rupture ductile et limite de formage de la tôle AA7075-T6. J. Mater. Processus. Technol. 291, 117044 (2021).

Article CAS Google Scholar

Petritz, A. et al. Dispositif de récupération d'énergie imperceptible et capteur biomédical à base de transducteurs ferroélectriques ultraflexibles et de diodes organiques. Nat. Commun. 12(1), 2399 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Basak, S. & Panda, SK Analyses de striction et de limite de fracture de différents matériaux en feuille précontraints dans le lieu de déformation plastique efficace polaire à l'aide du modèle de rendement Yld 2000–2d. J. Mater. Processus. Technol. 267, 289-307 (2019).

Article CAS Google Scholar

Basak, S. & Panda, SK Contraintes de rupture de tôles minces anisotropes : évaluation expérimentale et prédiction théorique. Int. J. Mech. Sci. 151, 356–374 (2019).

Article Google Scholar

Zhalehfar, F., Hashemi, R. & Hosseinipour, SJ Étude expérimentale et théorique de l'effet du changement de chemin de déformation sur le diagramme limite de formation de AA5083. Int. J. Adv. Fab. Technol. 76(5–8), 1343–1352 (2015).

Article Google Scholar

Habibi, M. et al. Étude expérimentale des propriétés mécaniques, de la formabilité et des diagrammes limites de formage d'ébauches soudées sur mesure produites par soudage par friction-malaxage. J. Manuf. Processus. 31, 310–323 (2018).

Article Google Scholar

Habibi, M. et al. Formation de diagrammes limites en incluant le modèle MK dans la simulation par éléments finis en tenant compte de l'effet de la flexion. Proc. Inst. Méca. Ing. L 232(8), 625–636 (2018).

Google Scholar

Habibi, M. et al. Améliorer les propriétés mécaniques et la formabilité de l'acier à faible teneur en carbone avec des microstructures à deux phases. J. Mater. Ing. Effectuer. 25(2), 382–389 (2016).

Article MathSciNet CAS Google Scholar

Moayedi, H. et al. Effets de l'orientation de la soudure sur la formabilité des tôles d'acier minces soudées sur mesure. Structure à parois minces. 149, 106669 (2020).

Article Google Scholar

Alipour, M. et al. Eléments finis et méthode expérimentale d'analyse des effets des morphologies martensitiques sur la formabilité des aciers DP. Méca. Basé Des. Structure. Mach. 48(5), 525–541 (2020).

Article Google Scholar

Ghazanfari, A. et al. Prédiction de FLD pour la tôle en tenant compte des contraintes de cisaillement dans l'épaisseur. Méca. Basé Des. Structure. Mach. 48(6), 755–772 (2020).

Article Google Scholar

Zhao, H. et al. Indentation quasi-statique, impact à faible vitesse et réponses de résonance du panneau stratifié à double courbure en tenant compte de diverses conditions aux limites. Structures à parois minces 183, 110360 (2023).

Article Google Scholar

Zheng, W. et al. Prédiction des dérivées d'ordre n pour les réponses vibratoires d'une coque sandwich composée d'un noyau magnétorhéologique et de couches de face composites. Ing. Anal. Limite Elem. 146, 170-183 (2023).

Article MathSciNet Google Scholar

Huang, X. et al. Simulation dynamique de la stabilité/instabilité du microsystème rotatif à gradient fonctionnel dépendant de la taille. Ing. Calcul. 38(5), 4163–4179 (2022).

Article MathSciNet Google Scholar

Liu, H. et al. Une simulation mathématique complète du microsystème 3D rotatif composite dépendant de la taille via une méthode de quadrature différentielle généralisée bidimensionnelle. Ing. Calcul. 38(5), 4181–4196 (2022).

Article MathSciNet Google Scholar

Wu, J. & Habibi, M. Simulation dynamique du disque en porte-à-faux sandwich à rotation ultra-rapide via des éléments finis et des méthodes semi-numériques. Ing. Calcul. 38(5), 4127–4143 (2022).

Article Google Scholar

Al-Furjan, MSH et al. Amélioration des performances vibratoires d'une microstructure renforcée en nanocomposite intelligent en rotation transportant un écoulement de fluide. Ing. Calcul. https://doi.org/10.1007/s00366-020-01255-w (2021).

Article Google Scholar

Guo, J. et al. Une méthode informatique intelligente pour les réponses vibratoires du nanosystème symétrique multicouche en rotation à l'aide d'une modélisation multiphysique. Ing. Calcul. 38(5), 4217–4238 (2022).

Article MathSciNet Google Scholar

Liu, H. et al. Simulation de mouvement d'amplitude et de fréquence d'un microsystème viscoélastique composite dans le cadre d'une élasticité de contrainte de couple modifiée. Ing. Calcul. https://doi.org/10.1007/s00366-021-01316-8 (2021).

Article Google Scholar

Kong, F. et al. Sur les vibrations du disque sandwich électrorhéologique avec des feuilles de face composites prenant en compte les régions de pré et post-rendement. Structure à parois minces. 179, 109631 (2022).

Article Google Scholar

Zhu, L. et al. Prédire le problème de répartition économique de l'environnement pour réduire les déchets de matériaux non renouvelables via un algorithme innovant d'optimisation de chimpanzé multi-objectifs. J. Propre. Prod. 365, 132697 (2022).

Article Google Scholar

Shi, X., Li, J. & Habibi, M. Sur la statique et la dynamique d'une nanocoque GPLRC électro-thermo-mécaniquement poreuse véhiculant un écoulement de fluide. Méca. Basé Des. Structure. Mach. 50(6), 2147–2183 (2022).

Article Google Scholar

Wang, Z. et al. Réponses en fréquence et en flambement d'un microdisque en porte-à-faux laminé à fibres métalliques rotatives à grande vitesse. Méca. Adv. Mater. Structure. 29(10), 1475-1488 (2022).

Article Google Scholar

Chen, F. et al. Étude de la stabilité dynamique et des caractéristiques aéroélastiques des conduites courbes composites avec n'importe quel angle de lacet. Compos. Structure. 284, 115195 (2022).

Article CAS Google Scholar

Shao, Y. et al. Absorption d'énergie du panneau composite multi-courbe viscoélastique renforcé sous la force de frottement. Cambre. Mécanicien civil. Ing. 21(4), 141 (2021).

Article Google Scholar

Habibi, M., Taghdir, A. & Safarpour, H. Analyse de stabilité d'une nanocoquille électriquement cylindrique renforcée de nanoplaquettes de graphène. Compos. B Ing. 175, 107125 (2019).

Article CAS Google Scholar

Yamaguchi, K. & Mellor, P. Dépendance à l'épaisseur et à la taille des grains des déformations limites dans l'étirement de la tôle. Int. J. Mech. Sci. 18(2), 85–90 (1976).

Article Google Scholar

Wilson, D., Roberts, W. & Rodrigues, P. Effet de l'anisotropie des grains sur les déformations limites en étirement biaxial : Partie I. Influence de l'épaisseur de la feuille et de la taille des grains dans les feuilles faiblement texturées. Métall. Trans. A 12(9), 1595–1602 (1981).

Article CAS Google Scholar

Ulvan, E. & Koursaris, A. L'effet de la taille des grains sur la formabilité en vrac et les propriétés de traction des types d'acier inoxydable austénitique 304 et 316. Metall. Trans. A 19(9), 2287-2298 (1988).

Article Google Scholar

Narutani, T. & Takamura, J. Renforcement de la taille des grains en termes de densité de dislocation mesurée par la résistivité. Acta Métall. Mater. 39(8), 2037-2049 (1991).

Article CAS Google Scholar

Becker, R. & Panchanadeeswaran, S. Effets des interactions des grains sur la déformation et la texture locale des polycristaux. Acta Métall. Mater. 43(7), 2701–2719 (1995).

Article CAS Google Scholar

Wu, P. et al. Analyse du diagramme limite de formation de la plasticité cristalline des tôles d'aluminium laminées. Métall. Mater. Trans. A. 29(2), 527–535 (1998).

Article Google Scholar

Amélirad, O. & Assempour, A. Évaluation expérimentale et de la plasticité cristalline de l'effet de la taille des grains sur la formabilité des tôles d'acier inoxydable austénitique. J. Manuf. Processus. 47, 310–323 (2019).

Article Google Scholar

Amélirad, O. & Assempour, A. Mécanique de l'endommagement continu couplé et modèle de plasticité cristalline et son application à l'évolution de l'endommagement dans les agrégats polycristallins. Ing. Calcul. https://doi.org/10.1007/s00366-021-01346-2 (2021).

Article Google Scholar

Chung, K. et al. Formabilité des tôles automobiles TWIP (twinning duced plasticity). Int. J.Plast. 27(1), 52–81 (2011).

Article ADS CAS Google Scholar

Hwang, J.-K. Faible formabilité et réduction de surface des aciers à plasticité induite par maclage malgré leur excellent allongement à la traction. Mater. Sci. Ing. A 779, 139123 (2020).

Article CAS Google Scholar

Mishra, S., Narasimhan, K. & Samajdar, I. Maclage de déformation dans l'acier inoxydable austénitique AISI 316L : Rôle de la déformation et du chemin de déformation. Mater. Sci. Technol. 23(9), 1118-1126 (2007).

Article ADS CAS Google Scholar

Hong, Y. et al. Macles induits par déformation et martensite : effets sur la fragilisation par l'hydrogène de l'acier inoxydable 316 L fondu par laser sélectif (SLM). Corros. Sci. 208, 110669 (2022).

Article CAS Google Scholar

Shen, YF et al. Maclage et martensite dans un acier inoxydable austénitique 304. Mater. Sci. Ing. A 552, 514-522 (2012).

Article CAS Google Scholar

Moradi, H. et al. Modélisation par apprentissage automatique et optimisation assistée par le DOE dans la synthèse de particules de nanosilice via la méthode Stöber. Adv. Nano Rés. 12(4), 387–403 (2022).

Google Scholar

Xie, Y. et al. Effets de la réduction d'épaisseur dans le processus de laminage à froid sur la formabilité des tôles à l'aide d'ANFIS. Sci. Rep. 12(1), 10434 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Singh, R., Kainthola, A. & Singh, T. Estimation de la constante élastique des roches à l'aide d'une approche ANFIS. Appl. Calcul doux. 12(1), 40–45 (2012).

Article Google Scholar

Umrao, RK et al. Détermination de la résistance et du module d'élasticité des roches sédimentaires hétérogènes : une technique prédictive ANFIS. Mesure 126, 194–201 (2018).

Annonces d'article Google Scholar

Lingamdinne, LP et al. Bentonite fonctionnalisée pour l'élimination du Pb(II) et de l'As(V) des eaux de surface : capacité et mécanisme de prédiction à l'aide d'un réseau de neurones artificiels. J. Water Process Eng. 51, 103386 (2023).

Article Google Scholar

Vatanpour, V. et al. Membranes hybrides polymère-nanoparticule-nanoparticule/polymère hautement antisalissures. Sci. Environ. 810, 152228 (2022).

Article ADS CAS PubMed Google Scholar

Vatanpour, V. et al. Membranes nanocomposites polyéthylènimine hyperbranchées fonctionnalisées silice/polysulfone pour la purification de l'eau. Chimiosphère 290, 133363 (2022).

Article ADS CAS PubMed Google Scholar

Moradi, H. et al. Étude expérimentale et numérique sur l'élimination du diazinon à l'aide d'un réacteur à colonne à bulles de plasma : modélisation, cinétique, mécanismes et produits de dégradation. J. Environ. Chim. Ing. 10(5), 108291 (2022).

Article CAS Google Scholar

Asgharnejad Lamraski, MB et al. Modélisation thermodynamique de plusieurs mélanges binaires alcool-hydrocarbures dans des conditions faibles à modérées. J. Mol. Liquide. 346, 117924 (2022).

Article CAS Google Scholar

Zhu, H. & Zhao, R. Des atomes de Ni isolés ont induit des stabilités de bord et des formes d'équilibre de nitrure de bore hexagonal préparé par CVD sur la surface de Ni(111). New J. Chem. 46(36), 17496–17504 (2022).

Article CAS Google Scholar

Deng, H. et al. Microstructure et propriétés mécaniques de joints NiTi/Ti6Al4V dissemblables par soudage par friction-malaxage assisté par rétrochauffage. J. Manuf. Processus. 64, 379–391 (2021).

Article MathSciNet Google Scholar

Zhang, P. et al. Mécanisme d'endommagement par impact du jet d'eau et absorption dynamique de l'énergie de pénétration de l'alliage d'aluminium 2A12. Vide 206, 111532 (2022).

Article ADS CAS Google Scholar

Zhang, P. et al. Effet du vieillissement et du traitement cryogénique sur l'usinabilité de l'alliage d'aluminium 7075. Vide 208, 111692 (2023).

Article ADS CAS Google Scholar

Zhang, P. et al. Effet du processus de traitement thermique sur la micro usinabilité de l'alliage d'aluminium 7075. Vide 207, 111574 (2023).

Article ADS CAS Google Scholar

Yuhua, C. et al. Étude de la fissure de soudure dans les joints de métaux dissemblables en alliage à mémoire de forme NiTiNb micro-soudés au laser et en alliage Ti6Al4V. Opter. Technologie laser. 91, 197-202 (2017).

Annonces d'article Google Scholar

Liang, L. et al. Effet du traitement thermique de soudage sur la microstructure et les propriétés mécaniques d'un superalliage à base de nickel fabriqué par fusion laser sélective. Mater. Sci. Ing. A 819, 141507 (2021).

Article CAS Google Scholar

Liao, D. et al. Cadre probabiliste pour l'évaluation de la durée de vie en fatigue des composants entaillés sous les effets de taille. Int. J. Mech. Sci. 181, 105685 (2020).

Article Google Scholar

Niu, X. et al. Évaluation de la fatigue tolérante aux défauts des matériaux AM : effet de taille et perspectives probabilistes. Int. J. Fatigue 160, 106884 (2022).

Article CAS Google Scholar

Xu, H. et al. Analyse thermomécanique transitoire du contact glissant micro aspérité cylindrique de l'alliage SnSbCu. Tribol. Int. 167, 107362 (2022).

Article CAS Google Scholar

Chen, X. et al. La capacité de la logique floue couplée et du réseau neuronal adaptatif dans la prédiction de la formabilité des tôles d'acier. Waves Random Complex Media https://doi.org/10.1080/17455030.2022.2162154 (2023).

Article Google Scholar

Lu, Y.-H. et coll. Etude de l'utilisation d'ANFIS pour la prédiction dans le processus d'expansion de forage. Int. J. Adv. Fab. Technol. 26(5–6), 544–551 (2005).

Article Google Scholar

Abràmoff, MD, Magalhães, PJ & Ram, SJ Traitement d'image avec ImageJ. Biophotonique Int. 11, 36–42 (2004).

Google Scholar

Habibi, M. et al. Détermination du diagramme limite de formage à l'aide de deux modèles d'éléments finis modifiés. Méca. Ing. 48(4), 141–144 (2017).

Google Scholar

Jang, JR ANFIS : système d'inférence floue basé sur un réseau adaptatif. IEEE Trans. Syst. Homme Cybern. 23(3), 665–685 (1993).

Article Google Scholar

Takagi, T. & Sugeno, M. Identification floue des systèmes et ses applications à la modélisation et au contrôle. IEEE Trans. Syst. Homme Cybern. 1, 116–132 (1985).

Article MATH Google Scholar

Xu, S. & Weinmann, KJ Sur la prédiction des limites de formation à l'aide des critères de rendement de Hill. J. Mater. Ing. Effectuer. 9(2), 174–182 (2000).

Article CAS Google Scholar

Ghosh, AK & Hecker, SS Échec dans des feuilles minces tendues sur des poinçons rigides. Métall. Trans. A 6(5), 1065-1074 (1975).

Article Google Scholar

Hashemi, R., Mamusi, H. & Masoumi, A. Une approche basée sur la simulation pour la détermination des diagrammes des limites de formation. Proc. Inst. Méca. Ing. B 228(12), 1582-1591 (2014).

Article CAS Google Scholar

Lui, J. et al. Analyse MK du diagramme limite de formage sous étirement-flexion. J. Manuf. Sci. Ing. https://doi.org/10.1115/1.4024536 (2013).

Article Google Scholar

Dilmec, M. et al. Effets de l'épaisseur de tôle et de l'anisotropie sur les courbes limites de formage de AA2024-T4. Int. J. Adv. Fab. Technol. 67(9–12), 2689–2700 (2013).

Article Google Scholar

Ghazanfari, A. et al. Étude de la plage effective de la contrainte de cisaillement à travers l'épaisseur sur le diagramme limite de formage à l'aide d'un modèle de Marciniak-Kuczynski modifié. Modares Mech. Ing. 16(1), 137–143 (2016).

MathSciNetGoogle Scholar

Ma, B. et al. Évaluation de la courbe limite de formage d'une tôle d'acier moyenne basée sur une contrainte normale non constante dans l'épaisseur. J. Manuf. Processus. 33, 175-183 (2018).

Article Google Scholar

Wilson, D., Mirshams, A. & Roberts, W. Une étude expérimentale de l'effet de l'épaisseur de la feuille et de la taille des grains sur les déformations limites en étirement biaxial. Int. J. Mech. Sci. 25(12), 859–870 (1983).

Article Google Scholar

Ma, B. et al. L'effet de la contrainte normale dans l'épaisseur sur la formabilité de la feuille. J. Manuf. Processus. 21, 134-140 (2016).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par le Bureau des sciences et technologies du district de Yongchuan de la ville de Chongqing (2021yc-jckx20015). Ce travail a été soutenu par le projet de financement de l'équipe d'innovation scientifique et technologique de l'Université Dalian Ocean 2021 (c202114), le projet de fonds de recherche scientifique 2020 du département provincial de l'éducation du Liaoning (ql202017), le projet général du département provincial des sciences et technologies du Liaoning (ljkz0734).

Collège professionnel de création de Chongqing, Yongchuan, 402160, Chongqing, Chine

Mingxiang Zhang

Collège de technologie appliquée, Dalian Ocean University, Dalian, 116300, Liaoning, Chine

Zheng Meng

Faculté d'ingénierie, Université islamique d'Azad, branche nord de Téhéran, Téhéran, Iran

Morteza Chariati

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MZ a développé un modèle d'intelligence artificielle, a écrit la partie respective du manuscrit, ZM a supervisé le projet et intégré des sections expérimentales et de modélisation, MS a co-supervisé le projet, effectué des travaux expérimentaux et écrit la partie respective du manuscrit. MZ et MS. préparé les chiffres. Tous les auteurs ont examiné le manuscrit.

Correspondance à Zheng Meng ou Morteza Shariati.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Zhang, M., Meng, Z. & Shariati, M. Prédiction de la limite de formage basée sur l'ANFIS des tôles en acier inoxydable 316. Sci Rep 13, 3115 (2023). https://doi.org/10.1038/s41598-023-28719-5

Télécharger la citation

Reçu : 11 décembre 2022

Accepté : 23 janvier 2023

Publié: 22 février 2023

DOI : https://doi.org/10.1038/s41598-023-28719-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.