Efectos de la reducción de espesor en el proceso de laminación en frío sobre la conformabilidad de chapas utilizando ANFIS

Scientific Reports volumen 12, número de artículo: 10434 (2022) Citar este artículo

1546 Accesos

4 citas

Detalles de métricas

La laminación en frío tiene un efecto perjudicial sobre la conformabilidad de las chapas. Sin embargo, es inevitable al producir superficies laminares de alta calidad. Los efectos del laminado en frío sobre los límites de formación de láminas estirables no se investigan exhaustivamente en la literatura. En este estudio, se lleva a cabo un estudio experimental para observar el efecto de diferentes reducciones del espesor del laminado en frío sobre la formabilidad de las láminas metálicas. Dado que el procedimiento experimental de tales pruebas es costoso, también se adopta una inteligencia artificial para predecir los efectos de la reducción del espesor en frío sobre la conformabilidad de las láminas de metal. En este sentido, las láminas St14 se examinan mediante experimentos de tracción, metalografía, laminación en frío y punzonado hemisférico de Nakazima. Los datos obtenidos se utilizan además para entrenar y probar un modelo de sistema de inferencia difusa de red neuronal adaptativa (ANFIS). Los resultados indican que el laminado en frío reduce la conformabilidad de las láminas de metal bajo condiciones de carga de estiramiento. Además, el comportamiento de tracción de la chapa se altera considerablemente debido a la reducción del espesor en frío de la misma chapa. El modelo ANFIS entrenado también se entrenó y probó con éxito en la predicción de diagramas de límites de formación. Este modelo podría usarse para determinar las deformaciones límite de formación en otras condiciones de reducción de espesor. Se discute que la determinación de los diagramas límite de formación no es una propiedad intrínseca de la composición química de las láminas de metal y se deben tener en cuenta muchos otros factores.

La determinación del límite de formación de láminas de metal es vital en el diseño de la geometría de los productos de láminas finales. También es una de las principales pruebas de control de calidad en las fábricas de embutición profunda y conformado de láminas. A diferencia de las pruebas de tracción, la determinación del límite de formación implica un mayor número de muestras y un procedimiento de prueba complicado. En un intento por evitar pruebas tan costosas y que requieren mucho tiempo, existen numerosos métodos analíticos propuestos en la literatura para calcular los FLD utilizando datos de la curva de prueba de tracción uniaxial1,2,3,4,5. Sin embargo, las curvas de tracción uniaxiales no pueden ser una fuente confiable para determinar los límites de conformación6. Como Wu et al.7 demostraron experimentalmente que las láminas con diferencias menores en las curvas de tracción uniaxiales tenían diferencias considerables en sus FLD debido a los efectos de sus texturas. Por lo tanto, aunque las curvas de tracción dan una idea intuitiva sobre la formación de límites, no es suficiente calcular los FLD exactos.

Actualmente se acepta que la mejor manera de obtener las curvas límite de formación son las pruebas experimentales para cada lote de productos laminados. Los límites de formación dependen de muchos factores, incluidas las condiciones de carga, el espesor de la lámina y las propiedades microestructurales de la lámina. No existe ningún modelo que tenga en cuenta todos los parámetros geométricos, de carga y microestructurales. Por lo tanto, los modelos no pueden ser confiables incluso si presentan resultados aceptables en circunstancias específicas.

Recientemente, ha habido una utilización cada vez mayor de la inteligencia artificial y la lógica difusa en muchos campos de investigación. Elangovan et al.8 examinaron los efectos de los parámetros geométricos en los límites de formación utilizando una red neuronal artificial (RNA). El modelo ANN se entrenó utilizando un conjunto de fechas obtenido de experimentos. El modelo entrenado se utilizó además para predecir FLD para un conjunto de nuevos parámetros geométricos de la hoja. Kotkunde et al.9 investigaron el comportamiento del límite de formación en diferentes condiciones de carga y temperatura utilizando ANN. Los límites de formación previstos utilizando el método ANN coincidieron aceptablemente con los resultados experimentales. Las condiciones térmicas y de velocidad de carga extremas son experimentalmente difíciles de aplicar y examinar en los límites de formación. En un estudio de Mohamed et al.10, se demuestra que las RNA podrían emplearse para predecir la FLD. Derogar y Djavanroodi11 demostraron la capacidad de ANN en las predicciones de límites de formación de chapa.

En otra tendencia en la utilización de la inteligencia artificial, el sistema de inferencia difusa de red neuronal adaptativa (ANFIS) se utiliza para explorar los problemas que involucran parámetros difusos12. Este método se ha vuelto popular recientemente en el modelado físico. Para tener en cuenta la aplicación del proceso de conformado, Lu et al.13 estudian los efectos de los parámetros geométricos en la forma final de la pieza en el proceso de expansión del orificio utilizando ANFIS. El conjunto de datos inicial para entrenar el ANFIS se recopila mediante simulaciones de elementos finitos del proceso de expansión de orificios. Los resultados obtenidos de ANFIS entrenados se compararon con los resultados experimentales. Esfahani et al.14 utilizaron algoritmos genéticos y modelos ANFIS para predecir la deformación en la formación del rayo láser. ANFIS manifiesta una eficiencia notable para lograr resultados precisos con costos computacionales menores. Hay varios casos en la literatura que utilizan ANFIS en evaluaciones de características de materiales13,15.

Los efectos de diferentes parámetros sobre la FLD se han investigado en estudios teóricos y experimentales. Sin embargo, en la mayoría de los estudios de investigación sólo se consideran uno o dos parámetros que afectan. Se examinaron las influencias de las geometrías de la pieza en bruto y del troquel16,17,18, la trayectoria de carga de deformación19, la velocidad de carga20 y la lubricación21 como parámetros mecánicos que afectan la FLD. Por otro lado, la forma y distribución de las partículas de la segunda fase22, la historia y el proceso de producción23,24, el tamaño del grano4, los defectos del material25, la textura26,27,28 y la composición química29, son algunos de los parámetros metalúrgicos investigados para la determinación de los límites de formación. En simulaciones y modelos teóricos, ignorar el efecto de uno de los parámetros puede dar como resultado un error considerable en los cálculos de FLD.

In recent years, effects of microstructure of sheet material on the forming limit and workability behaviors have been reported. The effect of grain size on the formability of 316L sheets are investigated by Amelirad and Assempour4 using semi-real grain shapes. The simulations was conducted employing crystal plasticity theory30. Xu et al. and directions in single crystal nickel. Int. J. Plast 106, 129–144 (2018)." href="/articles/s41598-022-13694-0#ref-CR31" id="ref-link-section-d63527270e568"> 31 examinaron experimentalmente el efecto de la relación espesor-tamaño de grano en los límites de formación y presentaron el lado izquierdo del FLD. Se muestra que valores altos de relación espesor-tamaño de grano tuvieron un efecto perjudicial sobre la conformabilidad. En otro estudio realizado por Yamaguchi y Mellor, el aumento del espesor hasta el tamaño de grano redujo la formabilidad límite de las láminas32. Se ha demostrado que el refinamiento del grano en AZ31 mejora la ductilidad. Sin embargo, la formabilidad de las láminas AZ31 fue independiente del tamaño de los granos, como lo demostraron experimentalmente Azghandi et al.33.

Los efectos de la textura se examinan exhaustivamente tanto de forma experimental como mediante simulaciones de plasticidad de cristales. Wu et al.7 utilizaron enfoques experimentales y de plasticidad cristalina para determinar el límite de formación de láminas de aluminio. Concluyeron que incluso con pequeñas diferencias en el comportamiento de tracción de las láminas, la diferencia en las texturas conduce a diferencias considerables en la formación de curvas límite. Por lo tanto, la curva de tracción no es una fuente confiable para predecir los límites de formación sin considerar otros factores como la textura. Barlat28 utilizó métodos de homogeneización de agregados policristalinos para obtener la superficie de fluencia de la chapa. Además, la superficie de fluencia obtenida se empleó para predecir los límites de formación. Barnwal et al.34 demostraron que los límites de formación de láminas de aluminio dependían significativamente de la textura de las láminas.

Hasta donde sabe el autor, la influencia del trabajo en frío sobre la formabilidad de las láminas metálicas no se ha discutido en la literatura. Por lo tanto, en este estudio, la aplicación de ANFIS para determinar diagramas de límites de formación utilizando datos experimentales de laminación en frío es para láminas de acero St14. Se utilizan pruebas experimentales de tracción y FLD para entrenar y probar modelos ANFIS. Posteriormente, el modelo ANFIS entrenado se emplea para predecir FLD en otras condiciones de laminación en frío. La novedad de este trabajo es proporcionar una red neuronal difusa simple que podría usarse en lugar de experimentos complicados y costosos con un margen de error aceptable. Hasta donde sabe el autor, esta es la primera vez que se emplea lógica difusa para interpretar y categorizar los datos de entrada para la predicción de FLD.

Las láminas de acero con bajo contenido de carbono St14 se utilizan ampliamente en la formación de carrocerías de automóviles debido a su alta formabilidad. En este estudio se utiliza una lámina de \(1,5 \pm 0,03{\text{mm}}\) de espesor para examinar la formabilidad en diferentes condiciones de laminación. La composición química de la lámina se presenta en la Tabla 1. Las láminas recibidas se trataron térmicamente para aliviar los efectos de los procesos históricos en la lámina. El tratamiento térmico se realizó a una temperatura de 900 °C y las láminas se mantuvieron durante 1 h a esta temperatura. Las láminas se enfriaron a temperatura ambiente en un horno. Este proceso da como resultado una microestructura más homogénea.

Después del tratamiento térmico, las láminas se cortaron en tiras de 12 cm de ancho y se decaparon con una solución de cloruro ácido para eliminar las incrustaciones de óxido de la superficie. Las láminas se laminaron aún más en frío hasta lograr una reducción de espesor del 25% y del 45%.

La revelación de la microestructura del acero St14 se realiza mediante un procedimiento de metalografía. Las muestras recibidas, las tratadas térmicamente y las laminadas se cortaron en la dirección de laminación y se montaron secciones de las láminas. Posteriormente, las muestras se molieron con papel de lija de hasta 3000 granos y se pulieron con pasta de diamante de 1 μm. Se utilizó Nital 2% para revelar los granos de la muestra. Los resultados se muestran en la Fig. 1 para las muestras recibidas y en la Fig. 2 para las muestras tratadas. Como se observa en la Fig. 1, las formas de los granos son literalmente esféricas, aunque se nota un ligero estiramiento en la estructura general, lo que indica que la piel pasa rodando después del proceso de esferoidización. Por lo tanto, la microestructura de la chapa tal como se recibe contiene cementita esferoidizada. Otra forma de cementita afectaría la estructura de la chapa después del tratamiento térmico. Después del tratamiento térmico, los granos aumentaron de tamaño como se puede ver en la Fig. 2a. Los granos tienen formas esféricas y no se ve rastro de cementita esferoidizada después del tratamiento térmico, lo que indica una descarburación extensa en la atmósfera de oxígeno del horno. La microestructura laminada en frío también se presenta en la Fig. 2 para reducciones de espesor del 25% (Fig. 2b) y del 45% (Fig. 2c). El objetivo de presentar detalles de la microestructura es su considerable efecto sobre los límites de formación, de modo que un espesor y una composición química similares con diferente morfología del grano dan como resultado una formabilidad totalmente diferente. Para futuras comparaciones, creemos que es necesario informar las propiedades mecánicas y metalúrgicas de la lámina y las condiciones de prueba en la medida de lo posible.

Microestructura de la hoja St14 en el estado en que se recibió (100 ×, Nital 2% durante 20 s).

Microestructura de St14 después del tratamiento térmico (arriba), reducción de espesor del 25% (medio) y del 45% (abajo) (100 ×, Nital 2% durante 20 s).

El tamaño de grano promedio medido es de 1 μm en muestras tratadas térmicamente y laminadas en frío.

Las pruebas de tracción se realizaron de acuerdo con el procedimiento estándar ASTM E8 utilizando muestras de tamaño inferior. Las curvas de tensión-deformación de ingeniería para muestras tratadas térmicamente se muestran en la Fig. 3. Como se ve, el laminado en frío reduce significativamente la ductilidad de la lámina y aumenta el rendimiento y la resistencia última. Debido al envejecimiento después del tratamiento térmico, se observa un ligero fenómeno de límite elástico en la muestra antes de laminarla. La ductilidad se reduce del 36% de deformación al 9,5% en muestras laminadas. Además, la resistencia máxima aumenta de 256 a 379 MPa y 438 MPa después de una reducción del espesor del 25% y 45% en el laminado en frío, respectivamente.

Curvas de tracción uniaxial St14 para muestras tratadas térmicamente antes y después del proceso de laminación en frío.

La prueba del hemisferio de Nakazima se utiliza para determinar los diagramas de límites de formación. El punzón esférico tenía 50 mm de diámetro y todas las superficies del punzón y las muestras de láminas estaban adecuadamente lubricadas para minimizar las fuerzas de fricción. Las muestras se cortaron en formas óseas y rectangulares como se indica en la Fig. 4. La superficie de las muestras se pulió para prepararlas para el proceso de marcado por grabado. Se grabaron marcas de rejilla circulares y cuadradas en las muestras antes de realizar las pruebas para medir las deformaciones principales mayores y menores después de la conformación utilizando el aparato que se muestra en la Fig. 5. Las deformaciones se midieron utilizando una tira Myler después de la conformación.

El conformado de Nakazima limita las dimensiones de las muestras y las hojas cortadas. Las incrustaciones de óxido en las láminas se debían a la atmósfera que contenía oxígeno del horno que luego se puso a tierra antes de realizar las pruebas de Nakazima.

Aparato para imprimir cuadrículas circulares en muestras FLD.

En la Fig. 6 se presenta un ejemplo de muestra deformada. En la región alrededor del cuello y en el área del cuello se miden las deformaciones del punto seguro y del cuello. Posteriormente, se creó un diagrama de límite de formación utilizando puntos seguros de todas las muestras deformadas que representaban diferentes rutas de carga, desde tramos unidireccionales hasta tramos bidireccionales iguales. El resultado de FLD se muestra en la Fig. 7. De manera similar a la reducción de la ductilidad, la formabilidad de la muestra disminuyó significativamente en las láminas laminadas en frío y, con el aumento en la reducción del espesor, los límites de formación alcanzan puntos más bajos en el diagrama. Esto en contraste con la ductilidad, donde el aumento en la reducción del espesor tiene una influencia insignificante en la deformación de fractura para los experimentos realizados en este estudio.

Formación de muestras de láminas límite después de la prueba de punzonado de Nakazima.

Curvas límite de formado de láminas de acero St14 antes y después del laminado en frío.

El efecto de la reducción del espesor en las láminas metálicas St14 se modela utilizando una red ANFIS diseñada como se muestra en la Fig. 8. La ventaja de usar ANFIS es el uso de funciones de membresía para categorizar los valores de entrada. Por ejemplo, la reducción rodante se puede clasificar como reducción "extrema", reducción "moderada" y "paso superficial". Sobre esta base, se podrían asignar diferentes respuestas a cada categoría. En ANN, el rango de todos los valores de entrada similares a los valores de reducción de espesor debe equiparse con las mismas funciones. La capa de entrada consta de tres parámetros independientes: la cantidad de reducción de laminación, el valor de la deformación en la prueba de tracción uniaxial en el punto de estricción y la deformación menor. Por lo tanto, la red tiene sólo una deformación principal de salida que se acoplará con la deformación menor respectiva para indicar una única en la curva límite de formación. En las capas ocultas, la primera capa se llama capa de fuzzificación en la que los valores de entrada se convierten a sus valores de funciones de membresía. En total, hay un máximo de \(3 \times 3 \times 3 = 27\) funciones de membresía:

Esquema de capas ANFIS para tres entradas y una salida.

Se supone que los datos de entrada tienen tres categorías cada uno.

En la Fig. 9 se muestra una vista esquemática de la relación entre reglas y funciones de membresía para dos entradas con 3 categorías de funciones de membresía. Para tres entradas, el gráfico estará en un espacio 3D. La fuerza de disparo de cada regla es la combinación de los valores de MF determinados por los nodos de MF. Un ejemplo de la combinación se da a continuación:

donde RR representa la reducción por rodadura, NS representa la deformación por estrechamiento y MS representa los valores de entrada de deformación menores. Para tener un efecto razonable de cada fuerza de disparo en la salida final, la salida de cada nodo de regla se normaliza de acuerdo con la relación siguiente:

para \(j,k = 1{\text{ a }}27\).

Subespacios difusos para ANFIS con dos entradas y tres MF.

En la siguiente capa, los efectos ponderados de los valores reales de los datos de entrada se calculan utilizando la relación de Takagi y Sugeno12,35. Los efectos de los datos de entrada se consideran una combinación lineal de los valores de entrada:

Finalmente, la producción se calcula utilizando la fuerza de disparo normalizada y el resultado de la ecuación. (4) como se indica a continuación:

en el que \(\mathrm{NR}\) representa el número de todas las reglas. Este es un cálculo sencillo de la entrada. De manera similar al ajuste de pesos y sesgos de redes neuronales, el ajuste de las constantes de la función de membresía y la relación de Takagi y Sugeno se ajusta utilizando métodos de optimización en varias épocas. Cuando se satisface el margen de error, la red se prueba utilizando la división de prueba de los datos. Se debe tener precaución para evitar sobreajustar los datos.

Los datos de entrada en la red ANFIS descrita anteriormente son la deformación menor, la deformación en el cuello y la reducción del espesor de las láminas. El conjunto de datos se prepara en base a los resultados experimentales de las pruebas de tracción y la determinación de FLD. Como regla general, para cualquier predicción realizada por la red, debe haber al menos 10 veces más datos en la red. En nuestro caso, nuestro objetivo es predecir una curva FLD que contenga al menos 5 puntos (dos puntos en el lado derecho, dos puntos en el lado izquierdo y un punto FLD0). Por lo tanto, se requieren al menos 50 conjuntos de datos para entrenar el modelo ANFIS. Los datos de entrada y salida se dan en la Tabla 2. Se consideran funciones de membresía triangular para la difusificación de los datos de entrada:

Los parámetros \(a\), \(b\) y \(c\) se determinan y asignan mediante la aplicación ANFIS en Matlab.

En la Tabla 2, se utilizan 14 conjuntos de datos para entrenar la red y los 4 restantes son datos de prueba para garantizar la confiabilidad de la red. Después de la iteración, el error general es del 1,9% y los valores predichos para los datos de prueba y entrenamiento del bot se demuestran en la Fig. 10. Como se ve, la red de trenes predice los resultados con alta precisión. La superficie de la red entrenada para la reducción del espesor se muestra en.

Comparación de los resultados de ANFIS y valores experimentales para datos de entrenamiento y prueba.

La superficie de red entrenada para la reducción de espesor se muestra en la Fig. 11. Usando esta superficie, es posible generar un nuevo FLD para cualquier reducción de espesor distinta a las dadas por el experimento. Según la precisión del modelo entrenado, para el caso de estos materiales y condiciones de procesamiento, esta superficie es altamente confiable. Se puede adoptar un procedimiento similar para cualquier otro proceso en la industria. Porque los procesos en la línea de producción son estables en muchas circunstancias. Otro beneficio de dichas redes es la simplicidad y la capacidad de ajuste utilizando nuevos datos proporcionados.

Efectos de la reducción de espesor en el proceso de laminación en frío sobre la formación de curvas límite para chapa de acero St14.

El modelo ANFIS entrenado y probado en la sección anterior ahora se usa para predecir FLD en diferentes condiciones de rodadura y los resultados se comparan con los experimentos. En la Fig. 12, se muestra que la curva límite de formación generada por el modelo ANFIS concuerda perfectamente con la curva experimental. Al generar estas curvas mediante ANFIS se utilizan varios puntos adicionales en tensión menor. Estas predicciones se pueden generalizar para incorporar otros parámetros en el modelo ANFIS. En otros métodos, incorporar un parámetro más en los cálculos resulta en un tiempo y costos computacionales enormes, mientras que en ANFIS se puede agregar con un esfuerzo mínimo4,18,24,36,37,38.

Comparación de límites de formación experimentales y de simulación para St14 en diferentes condiciones de recocido.

En los datos seleccionados con el fin de capacitar y probar la red ANFIS, se omiten deliberadamente los datos de las muestras de 35% de laminado en frío. En esta sección, el modelo entrenado y probado se utiliza para predecir la curva límite de formación de la lámina con una reducción de espesor del 35%, proporcionando solo los valores de deformación de estricción y reducción de espesor a la red. El FLD de salida se representa en la Fig. 13 y se compara con los datos experimentales y el FLD. Está claro que el modelo ANFIS entrenado obtuvo un error satisfactorio del 6,5%, lo que se considera un error bajo en comparación con otros métodos de predicción de FLD4,26,39.

Efectos de la reducción de espesor en el proceso de laminación en frío sobre la formación de curvas límite para chapa de acero St14.

En este estudio, se examinó el efecto perjudicial del laminado en frío sobre la conformabilidad de las láminas de metal mediante pruebas experimentales y un modelo neuronal difuso. La importancia de utilizar el modelo ANFIS, si se entrenaba adecuadamente, era evitar tareas experimentales laboriosas y que requerían mucho tiempo. Hasta donde sabe el autor, este es el primer intento de involucrar a ANFIS en la predicción de los límites de formación de láminas de metal. Los trabajos experimentales se realizaron utilizando chapas tratadas térmicamente St14. Las láminas se laminaron en frío para reducir diferentes espesores y se realizan pruebas de tracción, metalografía y FLD para determinar el comportamiento de formación y las propiedades de las láminas. Un modelo ANFIS también está diseñado para predecir los efectos de la reducción del espesor en frío sobre la formabilidad de las láminas de metal. Los datos obtenidos de los experimentos se utilizaron para entrenar y probar el modelo ANFIS. Las principales conclusiones de los resultados son:

La laminación en frío de láminas reduce significativamente la conformabilidad de las láminas. El aumento en la reducción del espesor da como resultado una menor conformabilidad.

Los métodos experimentales para determinar la FLD son costosos y los modelos propuestos en la literatura no han considerado todos los parámetros mecánicos y microestructurales que influyen en la FLD.

Los métodos de inteligencia artificial son métodos livianos y de bajo costo que pueden incorporar varios parámetros en consideración.

El modelo ANFIS puede incluir efectos del laminado en frío en la predicción de FLD y la diferencia entre los resultados experimentales y ANFIS es insignificante.

Assempour, A. et al. Una metodología para la predicción de la formación de diagramas de tensiones límite considerando el efecto de la trayectoria de deformación. Computadora. Madre. Ciencia. 45(2), 195-204 (2009).

Artículo CAS Google Scholar

Marciniak, Z. & Kuczyński, K. Limitar las deformaciones en los procesos de estirado y conformado de chapa metálica. En t. J. Mech. Ciencia. 9(9), 609–620 (1967).

Artículo de Google Scholar

Merklein, M. y col. Un nuevo enfoque para la evaluación de los límites de conformado en el conformado de chapa. Ing. clave. Madre. https://doi.org/10.4028/www.scientific.net/KEM.639.333 (2015).

Artículo de Google Scholar

Amelirad, O. & Assempour, A. Evaluación experimental y de la plasticidad cristalina del efecto del tamaño de grano sobre la formabilidad de láminas de acero inoxidable austenítico. J. Manuf. Proceso. 47, 310–323 (2019).

Artículo de Google Scholar

Paul, SK, Manikandan, G. y Verma, RK Predicción del diagrama límite de formación completo a partir de propiedades simples del material de tracción. J cepa anal. Ing. Diseño 48(6), 386–394 (2013).

Artículo de Google Scholar

Aretz, H. Restricciones numéricas del criterio de fuerza máxima modificado para la predicción de los límites de conformado en el conformado de chapa. Modelo. Simultáneo. Madre. Ciencia. Ing. 12(4), 677 (2004).

ADS del artículo Google Scholar

Wu, P. y col. Análisis del diagrama límite de formación de plasticidad cristalina de láminas de aluminio laminadas. Metal. Madre. Trans. A. 29(2), 527–535 (1998).

Artículo de Google Scholar

Elangovan, K., Sathiya Narayanan, C. y Narayanasamy, R. Modelado del diagrama de límites de formación de láminas de aluminio puro comerciales perforadas utilizando una red neuronal artificial. Computadora. Madre. Ciencia. 47(4), 1072–1078 (2010).

Artículo CAS Google Scholar

Kotkunde, N., Deole, AD y Gupta, AK Predicción del diagrama de límite de formación para la aleación Ti-6Al-4V utilizando una red neuronal artificial. Proc. Madre. Ciencia. 6, 341–346 (2014).

Artículo CAS Google Scholar

Mohamed, M. et al. Predicción de la formación de un diagrama de límites para AA5754 mediante modelado de redes neuronales artificiales. Ing. clave. Madre. 716, 770–778 (2016).

Artículo de Google Scholar

Derogar, A. & Djavanroodi, F. Modelado de redes neuronales artificiales del diagrama de límites de formación. Madre. Fabricante. Procesos 26(11), 1415–1422 (2011).

Artículo CAS Google Scholar

Jang, JR ANFIS: Sistema de inferencia difusa basado en red adaptativa. Traducción IEEE. Sistema. Hombre Cibernético. 23(3), 665–685 (1993).

Artículo de Google Scholar

Lu, Y.-H. et al. Estudio del uso de ANFIS para la predicción en el proceso de expansión de pozos. En t. J. Adv. Fabricante. Tecnología. 26(5–6), 544–551 (2005).

Artículo de Google Scholar

Esfahani, RT, Golabi, S. & Zojaji, Z. Optimización del modelo de elementos finitos de formación de láser en trayectoria circular utilizando algoritmos genéticos y ANFIS. Computación blanda. 20(5), 2031-2045 (2016).

Artículo de Google Scholar

Singh, R., Kainthola, A. & Singh, T. Estimación de la constante elástica de rocas mediante un enfoque ANFIS. Aplica. Computación blanda. 12(1), 40–45 (2012).

Artículo de Google Scholar

Zamanian, H., BOSTAN, SM, Assempour, A. Diseño inicial en blanco de materiales ortotrópicos embutidos utilizando el método inverso de elementos finitos. (2014).

Feng, F. y col. Efecto de la geometría del troquel sobre la formabilidad de la aleación de aluminio 5052 en la deformación por impacto electromagnético. Materiales 11(8), 1379 (2018).

ADS del artículo Google Scholar

Habibi, M. y col. Formación de diagramas de límites incluyendo el modelo MK en simulación de elementos finitos considerando el efecto de la flexión. Proc. Instituto. Mec. Ing. Parte L: J Mater. Aplicación de diseño. 232(8), 625–636 (2018).

Google Académico

Wang, H. y col. Investigaciones experimentales y teóricas del límite de formación de láminas de aleación de aluminio 5754O bajo diferentes trayectorias de carga combinadas. En t. J. Mech. Ciencia. 133, 147-166 (2017).

Artículo de Google Scholar

El Fakir, O. et al. Predicción del efecto de los cambios de temperatura, velocidad de deformación y trayectoria de deformación en el límite de formación de aleaciones de chapa metálica ligera. Proc. Ing. 81, 736–741 (2014).

Artículo CAS Google Scholar

Casari, F. et al. Efecto del diámetro del punzón, dimensión de la rejilla y lubricación en el diagrama límite de formación. J. Prueba. Evaluación. 34(1), 24–30 (2006).

Google Académico

Ji, Z. y col. Proceso de formación de microestructuras semisólidas AZ31B mediante el método de activación por fusión inducida por deformación. Madre. Carácter. 59(7), 905–911 (2008).

Artículo CAS Google Scholar

Narayanan, S., McDowell, DL y Zhu, T. Modelo de plasticidad cristalina para hierro BCC informado atomísticamente por la cinética de nucleación de pares de torsión correlacionada en la dislocación del tornillo. J. Mech. Física. Sólidos 65, 54–68 (2014).

Artículo ADS CAS Google Scholar

Habibi, M. y col. Investigación experimental de propiedades mecánicas, formabilidad y diagramas de límites de formación para piezas en bruto soldadas a medida producidas mediante soldadura por fricción y agitación. J. Manuf. Proceso. 31, 310–323 (2018).

Artículo de Google Scholar

Bressan, J. La influencia de los defectos del material en la capacidad de conformado de la chapa. J. Mater. Proceso. Tecnología. 72(1), 11-14 (1997).

Artículo de Google Scholar

Hajian, M. & Assempour, A. Estudio numérico sobre los efectos de los principales componentes de textura laminada BCC sobre la formabilidad de las chapas. En t. J. Adv. Fabricante. Tecnología. 80(1–4), 245–253 (2015).

Artículo de Google Scholar

Kuroda, M. Efectos de la textura cristalográfica en la localización del flujo plástico. Ing. clave. Madre. https://doi.org/10.4028/www.scientific.net/KEM.340-341.211 (2007).

Artículo de Google Scholar

Barlat, F. Textura cristalográfica, superficies de fluencia anisotrópicas y límites de formación de chapas. Madre. Ciencia. Ing. 91, 55–72 (1987).

Artículo CAS Google Scholar

Kumar, DR Análisis de formabilidad de acero de embutición extra profunda. J. Mater. Proceso. Tecnología. 130, 31–41 (2002).

Artículo de Google Scholar

Amelirad, O. & Assempour, A. Mecánica de daño continuo acoplado y modelo de plasticidad cristalina y su aplicación en la evolución del daño en agregados policristalinos. Ingeniería con Computadoras. 1–15. https://doi.org/10.1007/s00366-021-01346-2 (2021).

Xu, A. y col. Investigación de microtracción in situ de la respuesta de la tasa de deformación a lo largo de las direcciones <100> y <110> en níquel monocristalino. En t. J. Plast 106, 129-144 (2018).

Artículo CAS Google Scholar

Yamaguchi, K. & Mellor, P. Dependencia del espesor y del tamaño de grano de las deformaciones límite en el estiramiento de chapa. En t. J. Mech. Ciencia. 18(2), 85–90 (1976).

Artículo de Google Scholar

Azghandi, SHM, Weiss, M. & Barnett, MR El efecto del tamaño del grano en los límites de formación de curvatura en la aleación AZ31 Mg. JOM 72(7), 2586–2596 (2020).

Artículo ADS CAS Google Scholar

Barnwal, VK y cols. Efecto de la microestructura y textura sobre el comportamiento de conformado de una lámina de aleación de aluminio AA-6061. Madre. Ciencia. Ing., A 679, 56–65 (2017).

Artículo CAS Google Scholar

Takagi, T. & Sugeno, M. Identificación difusa de sistemas y sus aplicaciones al modelado y control. Traducción IEEE. Sistema. Hombre Cibernético. 1, 116-132 (1985).

Artículo de Google Scholar

Ghazanfari, A. et al. Predicción de FLD para chapa metálica considerando tensiones cortantes en todo el espesor. Mec. Basado en Des. Estructura. Mach. 48(6), 755–772 (2020).

Artículo de Google Scholar

Habibi, M., Ghazanfari, A., Asempour, A. et al. Determinación del diagrama límite de conformación utilizando dos modelos de elementos finitos modificados. Amir Kabir J. Mech. Ing. 48(4), 141-144 (2017).

Google Académico

Ghazanfari, A. et al. Investigación sobre el rango efectivo de la tensión cortante a través del espesor en el diagrama límite de formación utilizando un modelo modificado de Marciniak-Kuczynski. Modares Mec. Ing. 16(1), 137-143 (2016).

Google Académico

Hajian, M. & Assempour, A. Determinación experimental y numérica del diagrama límite de formación para láminas de acero 1010: un enfoque de plasticidad cristalina. En t. J. Adv. Fabricante. Tecnología. 76(9–12), 1757–1767 (2015).

Artículo de Google Scholar

Descargar referencias

Facultad de Humanidades y Educación, Universidad Xijing, Xi'an, 710123, Shaanxi, República Popular China

Yichen Xie

Universidad Jianqiao de Shanghai, Shanghai, 201306, República Popular China

Yuping Wu

Facultad de Agricultura, Departamento de Ingeniería de Biosistemas, Universidad de Tabriz, Tabriz, Irán

Arman Jalalí

Escuela de Ingeniería, Universidad de Ciencia y Tecnología de Beijing, Beijing, 100083, República Popular China

Huajie Zhou

Facultad de Ingeniería, Departamento de Ingeniería Civil, Universidad Príncipe Sattam Bin Abdulaziz, Al-Kharj, 16273, Arabia Saudita

Mohamed Amine Khadimallah

Laboratorio de Sistemas y Mecánica Aplicada, Escuela Politécnica de Túnez, Universidad de Cartago, Túnez, Túnez

Mohamed Amine Khadimallah

También puedes buscar este autor en PubMed Google Scholar.

Yichen Xie realizó pruebas FLD adicionales e informó los resultados. Youping Wu elaboró la aplicación del método ANFIS y escribió el manuscrito. Arman Jalali contribuyó en el diseño y modificación de la red neuronal Huajie Zhou escribió el manuscrito principal, preparó tablas y figuras y realizó análisis. Mohamed Amine Khadimallah Contribuyó en los antecedentes teóricos de la formabilidad de láminas de metal y el diseño de experimentos. Todos los autores revisaron el manuscrito.

Correspondencia con Yuping Wu o Arman Jalali.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Xie, Y., Wu, Y., Jalali, A. et al. Efectos de la reducción de espesor en el proceso de laminación en frío sobre la conformabilidad de láminas metálicas utilizando ANFIS. Representante científico 12, 10434 (2022). https://doi.org/10.1038/s41598-022-13694-0

Descargar cita

Recibido: 27 de diciembre de 2021

Aceptado: 26 de mayo de 2022

Publicado: 21 de junio de 2022

DOI: https://doi.org/10.1038/s41598-022-13694-0

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Revista de ciencia de materiales (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.