Tack för att du besöker Nature.com. Du använder en webbläsarversion med begränsat CSS-stöd. För bästa upplevelse rekommenderar vi att du använder en uppdaterad webbläsare (eller inaktiverar kompatibilitetsläge i Internet Explorer). Dessutom, för att säkerställa fortsatt support, visar vi webbplatsen utan stilar och JavaScript.
Reglage som visar tre artiklar per bild. Använd bakåt- och nästaknapparna för att flytta genom bilderna, eller skjutkontrollknapparna i slutet för att flytta genom varje bild.
Effekten av mikrostruktur på formbarheten hos rostfria stålplåtar är ett stort problem för plåtbearbetningsingenjörer. För austenitiska stål leder förekomsten av deformationsmartensit (\({\alpha}^{^{\prime))\)-martensit) i mikrostrukturen till betydande härdning och en minskning av formbarheten. I denna studie syftade vi till att utvärdera formbarheten hos AISI 316-stål med olika martensitiska styrkor genom experimentella och artificiella intelligensmetoder. I det första steget glödgades AISI 316 stål med en initial tjocklek på 2 mm och kallvalsades till olika tjocklekar. Därefter mättes den relativa stammartensitarean genom metallografisk testning. Formbarheten hos de valsade arken bestämdes med användning av ett halvklotsprängningstest för att erhålla ett töjningsgränsdiagram (FLD). Data som erhållits som ett resultat av experimenten används vidare för att träna och testa det artificiella neuro-fuzzy interferenssystemet (ANFIS). Efter ANFIS-träning jämfördes de dominerande stammarna som förutspåtts av det neurala nätverket med en ny uppsättning experimentella resultat. Resultaten visar att kallvalsning har en negativ effekt på formbarheten hos denna typ av rostfritt stål, men plåtens hållfasthet förbättras avsevärt. Dessutom visar ANFIS tillfredsställande resultat jämfört med experimentella mätningar.
Förmågan att forma plåt, även om ämnet för vetenskapliga artiklar i årtionden, förblir ett intressant forskningsområde inom metallurgi. Nya tekniska verktyg och beräkningsmodeller gör det lättare att hitta potentiella faktorer som påverkar formbarheten. Viktigast av allt är att mikrostrukturens betydelse för formgränsen har avslöjats under de senaste åren med användning av Crystal Plasticity Finite Element Method (CPFEM). Å andra sidan hjälper tillgängligheten av svepelektronmikroskopi (SEM) och elektronbackscatter-diffraktion (EBSD) forskare att observera den mikrostrukturella aktiviteten hos kristallstrukturer under deformation. Att förstå inverkan av olika faser i metaller, kornstorlek och orientering och mikroskopiska defekter på kornnivån är avgörande för att förutsäga formbarhet.
Att bestämma formbarheten är i sig en komplex process, eftersom formbarheten har visat sig vara starkt beroende av banorna 1, 2, 3. Därför är de konventionella föreställningarna om slutlig formningstöjning opålitliga under oproportionerliga belastningsförhållanden. Å andra sidan klassificeras de flesta lastvägar i industriella applikationer som icke-proportionell belastning. I detta avseende bör traditionella hemisfäriska och experimentella Marciniak-Kuchinsky (MK) metoder4,5,6 användas med försiktighet. På senare år har ett annat koncept, Fracture Limit Diagram (FFLD), uppmärksammats av många formbarhetsingenjörer. I detta koncept används en skademodell för att förutsäga arkets formbarhet. I detta avseende är vägoberoende initialt inkluderat i analysen och resultaten överensstämmer väl med de oskalade experimentella resultaten7,8,9. Formbarheten hos en plåt beror på flera parametrar och plåtens bearbetningshistorik, såväl som på metallens mikrostruktur och fas10,11,12,13,14,15.
Storleksberoende är ett problem när man överväger de mikroskopiska egenskaperna hos metaller. Det har visat sig att, i små deformationsutrymmen, beroendet av vibrations- och bucklingsegenskaper starkt beror på längdskalan av materialet16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Kornstorlekens effekt på formbarheten har länge varit känt inom industrin. Yamaguchi och Mellor [31] studerade effekten av kornstorlek och tjocklek på dragegenskaperna hos metallplåtar med hjälp av teoretisk analys. Med hjälp av Marciniac-modellen rapporterar de att under biaxiell dragbelastning leder en minskning av förhållandet mellan tjocklek och kornstorlek till en minskning av plåtens dragegenskaper. Experimentella resultat av Wilson et al. 32 bekräftade att en minskning av tjockleken till den genomsnittliga korndiametern (t/d) resulterade i en minskning av den biaxiella töjbarheten hos metallplåtar med tre olika tjocklekar. De drog slutsatsen att vid t/d-värden på mindre än 20 påverkas märkbar deformationsinhomogenitet och inskärning huvudsakligen av individuella korn i arkets tjocklek. Ulvan och Koursaris33 studerade effekten av kornstorlek på den totala bearbetbarheten av 304 och 316 austenitiska rostfria stål. De rapporterar att formbarheten av dessa metaller inte påverkas av kornstorlek, men små förändringar i dragegenskaper kan ses. Det är ökningen av kornstorleken som leder till en minskning av hållfasthetsegenskaperna hos dessa stål. Inverkan av dislokationstätheten på strömningsspänningen hos nickelmetaller visar att dislokationsdensiteten bestämmer metallens strömningsspänning, oavsett kornstorlek34. Korninteraktion och initial orientering har också ett stort inflytande på utvecklingen av aluminiumtextur, vilket undersöktes av Becker och Panchanadiswaran med hjälp av experiment och modellering av kristallplasticitet35. Numeriska resultat i deras analys stämmer väl överens med experiment, även om vissa simuleringsresultat avviker från experiment på grund av begränsningar av de tillämpade randvillkoren. Genom att studera kristallplasticitetsmönster och experimentellt detektera visar valsade aluminiumplåtar olika formbarhet36. Resultaten visade att även om spännings-töjningskurvorna för de olika arken var nästan desamma, fanns det signifikanta skillnader i deras formbarhet baserat på de initiala värdena. Amelirad och Assempour använde experiment och CPFEM för att erhålla spännings-töjningskurvorna för austenitiska rostfria stålplåtar37. Deras simuleringar visade att ökningen av kornstorleken skiftar uppåt i FLD, vilket bildar en begränsande kurva. Dessutom undersökte samma författare effekten av kornorientering och morfologi på bildandet av tomrum 38 .
Förutom kornmorfologi och orientering i austenitiska rostfria stål är även tillståndet hos tvillingar och sekundära faser viktigt. Twinning är huvudmekanismen för att härda och öka töjningen i TWIP 39 stål. Hwang40 rapporterade att formbarheten hos TWIP-stålen var dålig trots tillräcklig dragrespons. Emellertid har effekten av deformationstvilling på formbarheten hos austenitiska stålplåtar inte studerats tillräckligt. Mishra et al. 41 studerade austenitiska rostfria stål för att observera tvilling under olika dragpåkänningsbanor. De fann att tvillingar kunde härröra från förfallskällor från både glödgade tvillingar och den nya generationen tvillingar. Det har observerats att de största tvillingarna bildas under biaxiell spänning. Dessutom noterades att omvandlingen av austenit till \({\alpha}^{^{\prime}}\)-martensit beror på töjningsvägen. Hong et al. 42 undersökte effekten av töjningsinducerad tvilling och martensit på väteförsprödning över en rad temperaturer vid selektiv lasersmältning av 316L austenitiskt stål. Det observerades att, beroende på temperaturen, kunde väte orsaka fel eller förbättra formbarheten hos 316L stål. Shen et al. 43 mätte experimentellt volymen av deformationsmartensit under dragbelastning vid olika belastningshastigheter. Det visade sig att en ökning i dragpåkänning ökar volymfraktionen av martensitfraktionen.
AI-metoder används inom vetenskap och teknik på grund av deras mångsidighet i att modellera komplexa problem utan att tillgripa de fysiska och matematiska grunderna för problemet44,45,46,47,48,49,50,51,52 Antalet AI-metoder ökar . Moradi et al. 44 använde maskininlärningstekniker för att optimera kemiska förhållanden för att producera finare nanokiselpartiklar. Andra kemiska egenskaper påverkar också egenskaperna hos material i nanoskala, vilket har undersökts i många forskningsartiklar53. Ce et al. 45 använde ANFIS för att förutsäga formbarheten hos vanlig kolstålplåt under olika rullningsförhållanden. På grund av kallvalsning har dislokationsdensiteten i mjukt stål ökat avsevärt. Vanligt kolstål skiljer sig från austenitiska rostfria stål i sina härdnings- och restaureringsmekanismer. I enkelt kolstål sker inte fasomvandlingar i metallmikrostrukturen. Förutom metallfasen påverkas metallers duktilitet, brott, bearbetbarhet etc. av flera andra mikrostrukturella egenskaper som uppstår vid olika typer av värmebehandling, kallbearbetning och åldring54,55,56,57,58,59 ,60. , 61, 62. Nyligen har Chen et al. 63 studerade effekten av kallvalsning på formbarheten hos 304L stål. De tog bara hänsyn till fenomenologiska observationer i experimentella tester för att träna det neurala nätverket att förutsäga formbarhet. Faktum är att i fallet med austenitiska rostfria stål kombineras flera faktorer för att minska plåtens dragegenskaper. Lu et al.64 använde ANFIS för att observera effekten av olika parametrar på hålexpansionsprocessen.
Som diskuterats kort i översikten ovan har effekten av mikrostruktur på formgränsdiagrammet fått lite uppmärksamhet i litteraturen. Å andra sidan måste många mikrostrukturella egenskaper beaktas. Därför är det nästan omöjligt att inkludera alla mikrostrukturella faktorer i analysmetoder. I denna mening kan användningen av artificiell intelligens vara fördelaktigt. I detta avseende undersöker denna studie effekten av en aspekt av mikrostrukturella faktorer, nämligen närvaron av stressinducerad martensit, på formbarheten av rostfria stålplåtar. Denna studie skiljer sig från andra AI-studier med avseende på formbarhet genom att fokus ligger på mikrostrukturella egenskaper snarare än bara experimentella FLD-kurvor. Vi försökte utvärdera formbarheten hos 316-stål med olika martensithalter med hjälp av experimentella och artificiella intelligensmetoder. I det första steget glödgades 316-stål med en initial tjocklek på 2 mm och kallvalsades till olika tjocklekar. Sedan, med hjälp av metallografisk kontroll, mättes den relativa arean av martensit. Formbarheten hos de valsade arken bestämdes med användning av ett halvklotsprängningstest för att erhålla ett töjningsgränsdiagram (FLD). Uppgifterna från honom användes senare för att träna och testa det artificiella neuro-fuzzy interferenssystemet (ANFIS). Efter ANFIS-träning jämförs de neurala nätverksförutsägelserna med en ny uppsättning experimentella resultat.
Den 316 austenitiska metallplåten av rostfritt stål som används i denna studie har en kemisk sammansättning som visas i tabell 1 och en initial tjocklek på 1,5 mm. Glödgning vid 1050°C i 1 timme följt av vattensläckning för att lindra kvarvarande spänningar i arket och erhålla en enhetlig mikrostruktur.
Mikrostrukturen hos austenitiska stål kan avslöjas med hjälp av flera etsmedel. Ett av de bästa etsmedlen är 60 % salpetersyra i destillerat vatten, etsat vid 1 VDC i 120 s38. Detta etsmedel visar emellertid endast korngränser och kan inte identifiera dubbla korngränser, såsom visas i fig. la. Ett annat etsmedel är glycerolacetat, där tvillinggränser kan visualiseras väl, men korngränser inte är det, som visas i fig. 1b. Dessutom, efter omvandlingen av den metastabila austenitiska fasen till \({\alpha }^{^{\prime}}\)-martensitfasen kan detekteras med användning av glycerolacetatetsmedlet, vilket är av intresse i den aktuella studien.
Mikrostruktur av metallplatta 316 efter glödgning, visad med olika etsmedel, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) i destillerat vatten vid 1,5 V i 120 s, och (b) 200x glycerylacetat.
De glödgade arken skars till ark 11 cm breda och 1 m långa för rullning. Kallvalsverket har två symmetriska valsar med en diameter på 140 mm. Kallvalsningsprocessen orsakar omvandling av austenit till deformationsmartensit i 316 rostfritt stål. Letar efter förhållandet mellan martensitfasen och austenitfasen efter kallvalsning genom olika tjocklekar. På fig. 2 visar ett prov av plåtens mikrostruktur. På fig. 2a visar en metallografisk bild av ett valsat prov, sett från en riktning vinkelrät mot plåten. På fig. 2b med hjälp av programvaran ImageJ65 är den martensitiska delen markerad i svart. Med hjälp av verktygen i denna programvara med öppen källkod kan arean av martensitfraktionen mätas. Tabell 2 visar de detaljerade fraktionerna av de martensitiska och austenitiska faserna efter valsning till olika minskningar i tjocklek.
Mikrostruktur av ett 316 L ark efter valsning till en 50% minskning i tjocklek, sett vinkelrätt mot arkets plan, förstorad 200 gånger, glycerolacetat.
Värdena som presenteras i tabell 2 erhölls genom medelvärde av de uppmätta martensitfraktionerna över tre fotografier tagna på olika platser på samma metallografiska prov. Dessutom, i fig. 3 visar kvadratiska anpassningskurvor för att bättre förstå effekten av kallvalsning på martensit. Det kan ses att det finns en nästan linjär korrelation mellan andelen martensit och tjockleksminskning i kallvalsat tillstånd. Ett kvadratiskt förhållande kan dock bättre representera detta förhållande.
Variation i andelen martensit som funktion av tjockleksminskning vid kallvalsning av en initialt glödgad 316 stålplåt.
Formningsgränsen utvärderades enligt den vanliga proceduren med användning av halvklotsprängningstest37,38,45,66. Totalt tillverkades sex prover genom laserskärning med de dimensioner som visas i fig. 4a som en uppsättning experimentella prover. För varje tillstånd av martensitfraktionen preparerades och testades tre uppsättningar testprover. På fig. 4b visar skurna, polerade och markerade prover.
Nakazima formning begränsar provstorlek och skärbräda. (a) Mått, (b) Klippta och märkta prover.
Testet för halvsfärisk stansning utfördes med användning av en hydraulisk press med en rörelsehastighet på 2 mm/s. Stämpelns och arkets kontaktytor är väl smorda för att minimera effekten av friktion på formningsgränser. Fortsätt testa tills en betydande förträngning eller brott observeras i provet. På fig. 5 visar det förstörda provet i anordningen och provet efter testning.
Formningsgränsen bestämdes med användning av ett hemisfäriskt sprängtest, (a) testrigg, (b) provplatta vid brott i testriggen, (c) samma prov efter testning.
Neuro-fuzzy-systemet utvecklat av Jang67 är ett lämpligt verktyg för att förutsäga lövbildningsgränskurvor. Denna typ av konstgjorda neurala nätverk inkluderar påverkan av parametrar med vaga beskrivningar. Detta innebär att de kan få vilket verkligt värde som helst inom sina områden. Värden av denna typ klassificeras vidare efter deras värde. Varje kategori har sina egna regler. Till exempel kan ett temperaturvärde vara vilket reellt tal som helst, och beroende på dess värde kan temperaturer klassificeras som kall, medium, varm och varm. I detta avseende är till exempel regeln för låga temperaturer regeln "bär en jacka" och regeln för varma temperaturer är "tillräckligt med T-shirt". I själva fuzzy logic utvärderas utgången för noggrannhet och tillförlitlighet. Kombinationen av neurala nätverkssystem med fuzzy logik säkerställer att ANFIS kommer att ge tillförlitliga resultat.
Figur 6 tillhandahållen av Jang67 visar ett enkelt neuralt fuzzy nätverk. Som visas tar nätverket två ingångar, i vår studie är insatsen andelen martensit i mikrostrukturen och värdet av mindre töjning. På den första analysnivån förtydligas indatavärden med hjälp av luddiga regler och medlemsfunktioner (FC):
För \(i=1, 2\), eftersom ingången antas ha två beskrivningskategorier. MF kan anta vilken triangulär, trapetsformad, Gaussisk eller vilken annan form som helst.
Baserat på kategorierna \({A}_{i}\) och \({B}_{i}\) och deras MF-värden på nivå 2, antas vissa regler, som visas i figur 7. I denna lager kombineras effekterna av de olika ingångarna på något sätt. Här används följande regler för att kombinera inverkan av martensitfraktionen och mindre töjningsvärden:
Utgången \({w}_{i}\) från detta lager kallas antändningsintensiteten. Dessa antändningsintensiteter är normaliserade i lager 3 enligt följande förhållande:
I lager 4 ingår Takagi- och Sugeno-reglerna67,68 i beräkningen för att ta hänsyn till påverkan av ingångsparametrarnas initiala värden. Detta lager har följande relationer:
Den resulterande \({f}_{i}\) påverkas av de normaliserade värdena i lagren, vilket ger det slutliga resultatet, de viktigaste warp-värdena:
där \(NR\) representerar antalet regler. Det neurala nätverkets roll här är att använda sin interna optimeringsalgoritm för att korrigera okända nätverksparametrar. De okända parametrarna är de resulterande parametrarna \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), och parametrarna relaterade till MF anses vara generaliserade vindspelsformfunktioner:
Formgränsdiagrammen beror på många parametrar, från den kemiska sammansättningen till plåtens deformationshistorik. Vissa parametrar är lätta att utvärdera, inklusive dragtestparametrar, medan andra kräver mer komplexa procedurer som metallografi eller bestämning av restspänning. I de flesta fall är det tillrådligt att utföra ett töjningsgränstest för varje parti ark. Men ibland kan andra testresultat användas för att approximera formgränsen. Till exempel har flera studier använt dragprovningsresultat för att bestämma arkformbarhet69,70,71,72. Andra studier inkluderade fler parametrar i sin analys, såsom korntjocklek och storlek31,73,74,75,76,77. Det är dock inte beräkningsmässigt fördelaktigt att inkludera alla tillåtna parametrar. Därför kan användningen av ANFIS-modeller vara ett rimligt tillvägagångssätt för att lösa dessa problem45,63.
I denna artikel undersöktes inverkan av martensithalten på formningsgränsdiagrammet för en 316 austenitisk stålplåt. I detta avseende bereddes en datamängd med hjälp av experimentella tester. Det utvecklade systemet har två ingångsvariabler: andelen martensit mätt i metallografiska tester och utbudet av små tekniska stammar. Resultatet är en stor teknisk deformation av formningsgränskurvan. Det finns tre typer av martensitiska fraktioner: fina, medelstora och höga fraktioner. Låg innebär att andelen martensit är mindre än 10 %. Under måttliga förhållanden varierar andelen martensit från 10 % till 20 %. Höga värden av martensit anses vara fraktioner på mer än 20 %. Dessutom har sekundär töjning tre distinkta kategorier mellan -5% och 5% nära den vertikala axeln, som används för att bestämma FLD0. Positiva och negativa intervall är de andra två kategorierna.
Resultaten av det hemisfäriska testet visas i FIG. Figuren visar 6 formningsdiagram av gränser, varav 5 är FLD för individuella valsade plåtar. Givet en säkerhetspunkt och dess övre gränskurva bildar en gränskurva (FLC). Den sista siffran jämför alla FLC:er. Som framgår av den sista figuren minskar en ökning av andelen martensit i 316 austenitiskt stål formbarheten hos plåten. Å andra sidan, ökar andelen martensit gradvis förvandlar FLC till en symmetrisk kurva runt den vertikala axeln. I de två sista graferna är den högra sidan av kurvan något högre än den vänstra, vilket gör att formbarheten vid biaxiell spänning är högre än vid enaxlig spänning. Dessutom minskar både mindre och större tekniska påfrestningar före halsning med ökande andel martensit.
316 bildar en gränskurva. Inverkan av andelen martensit på formbarheten av austenitiska stålplåtar. (säkerhetspunkt SF, formationsgränskurva FLC, martensit M).
Det neurala nätverket tränades på 60 uppsättningar experimentella resultat med martensitfraktioner på 7,8, 18,3 och 28,7%. En datamängd på 15,4 % martensit reserverades för verifieringsprocessen och 25,6 % för testprocessen. Felet efter 150 epoker är ca 1,5%. På fig. 9 visar korrelationen mellan den faktiska produktionen (\({\epsilon }_{1}\), grundläggande teknisk arbetsbelastning) som tillhandahålls för utbildning och testning. Som du kan se förutsäger den utbildade NFS \({\epsilon} _{1}\) tillfredsställande för plåtdelar.
(a) Korrelation mellan förutsagda och faktiska värden efter träningsprocessen, (b) Fel mellan förutspådda och faktiska värden för de huvudsakliga tekniska belastningarna på FLC under träning och verifiering.
Någon gång under utbildningen återvinns oundvikligen ANFIS-nätverket. För att fastställa detta utförs en parallell kontroll, kallad "kontroll". Om valideringsfelvärdet avviker från träningsvärdet börjar nätverket tränas om. Som visas i figur 9b, före epok 150, är skillnaden mellan inlärnings- och valideringskurvorna liten, och de följer ungefär samma kurva. Vid denna tidpunkt börjar valideringsprocessfelet att avvika från inlärningskurvan, vilket är ett tecken på ANFIS-överanpassning. Därmed bevaras ANFIS-nätverket för omgång 150 med ett fel på 1,5 %. Sedan introduceras FLC-förutsägelsen för ANFIS. På fig. 10 visar de förutsagda och faktiska kurvorna för de valda proverna som används i tränings- och verifieringsprocessen. Eftersom data från dessa kurvor användes för att träna nätverket är det inte förvånande att observera mycket nära förutsägelser.
Faktiska experimentella FLC- och ANFIS-prediktiva kurvor under olika martensitinnehållsförhållanden. Dessa kurvor används i träningsprocessen.
ANFIS-modellen vet inte vad som hände med det senaste provet. Därför testade vi vår utbildade ANFIS för FLC genom att skicka in prover med en martensitfraktion på 25,6 %. På fig. 11 visar ANFIS FLC-förutsägelsen såväl som den experimentella FLC. Det maximala felet mellan det förutsagda värdet och det experimentella värdet är 6,2 %, vilket är högre än det förutsagda värdet under träning och validering. Detta fel är dock ett acceptabelt fel jämfört med andra studier som förutsäger FLC teoretiskt37.
Inom industrin beskrivs de parametrar som påverkar formbarheten i form av en tunga. Till exempel, "grov korn minskar formbarheten" eller "ökad kallbearbetning minskar FLC". Indata till ANFIS-nätverket i det första steget klassificeras i språkliga kategorier som låg, medel och hög. Det finns olika regler för olika kategorier på nätverket. Därför kan den här typen av nätverk inom industrin vara mycket användbar när det gäller att inkludera flera faktorer i deras språkliga beskrivning och analys. I detta arbete försökte vi ta hänsyn till en av huvuddragen i mikrostrukturen hos austenitiska rostfria stål för att använda möjligheterna med ANFIS. Mängden stressinducerad martensit av 316 är en direkt följd av kallbearbetningen av dessa skär. Genom experiment och ANFIS-analys har det visat sig att en ökning av andelen martensit i denna typ av austenitiskt rostfritt stål leder till en signifikant minskning av FLC för plattan 316, så att en ökning av andelen martensit från 7,8 % till 28,7 % minskar FLD0 från 0,35. upp till 0,1 respektive. Å andra sidan kan det tränade och validerade ANFIS-nätverket förutsäga FLC med hjälp av 80 % av tillgängliga experimentella data med ett maximalt fel på 6,5 %, vilket är en acceptabel felmarginal jämfört med andra teoretiska procedurer och fenomenologiska samband.
De datauppsättningar som används och/eller analyseras i den aktuella studien är tillgängliga från respektive författare på rimlig begäran.
Iftikhar, CMA, et al. Utveckling av efterföljande utbytesvägar av extruderad AZ31 magnesiumlegering "som den är" under proportionella och icke-proportionella belastningsvägar: CPFEM-experiment och simuleringar. inre J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Utveckling av den efterföljande flytytan efter plastisk deformation längs proportionella och icke-proportionella belastningsvägar för den glödgade AA6061-legeringen: experiment och finita elementmodellering av kristallplasticitet. intern J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Spänningstransienter, arbetshärdning och aluminium r-värden på grund av förändringar i töjningsvägar. inre J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. En ny experimentell metod för att bestämma det begränsande formningsdiagrammet med hänsyn till effekten av normalt tryck. inre J. Alma mater. form. 15(1), 1 (2022).
Yang Z. et al. Experimentell kalibrering av duktil frakturparametrar och töjningsgränser för AA7075-T6 plåt. J. Alma mater. behandla. tekniker. 291, 117044 (2021).
Petrits, A. et al. Dolda energiinsamlingsanordningar och biomedicinska sensorer baserade på ultraflexibla ferroelektriska omvandlare och organiska dioder. Nationell kommun. 12(1), 2399 (2021).
Basak, S. och Panda, SK Analys av insnörnings- och brottgränserna för olika fördeformerade plattor i polära effektiva plastiska deformationsvägar med användning av Yld 2000–2d flyttmodell. J. Alma mater. behandla. tekniker. 267, 289–307 (2019).
Basak, S. och Panda, SK Sprickdeformationer i anisotropiska plåtar: Experimentell utvärdering och teoretiska förutsägelser. inre J. Mecha. vetenskapen. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Experimentell och teoretisk studie av effekten av att ändra töjningsbanan på formgränsdiagrammet AA5083. intern J. Adv. tillverkare. tekniker. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Experimentell studie av mekaniska egenskaper, formbarhet och begränsande formningsdiagram för friktionsomröringssvetsade ämnen. J. Maker. behandla. 31, 310–323 (2018).
Habibi, M., et al. Med tanke på påverkan av böjning bildas gränsdiagrammet genom att införliva MC-modellen i finita elementmodellering. behandla. Pälsinstitutet. projekt. L 232(8), 625–636 (2018).
Posttid: Jun-08-2023