Obrigado por visitar Nature.com. Você está usando uma versão de navegador com suporte CSS limitado. Para obter a melhor experiência, recomendamos que você use um navegador atualizado (ou desative o Modo de Compatibilidade no Internet Explorer). Além disso, para garantir suporte contínuo, mostramos o site sem estilos e JavaScript.
Sliders mostrando três artigos por slide. Use os botões voltar e avançar para percorrer os slides ou os botões do controlador de slides no final para percorrer cada slide.
O efeito da microestrutura na conformabilidade das chapas de aço inoxidável é uma grande preocupação para os engenheiros metalúrgicos. Para aços austeníticos, a presença de martensita de deformação (\({\alpha}^{^{\prime))\)-martensita) na microestrutura leva a um endurecimento significativo e a uma diminuição na conformabilidade. Neste estudo, objetivou-se avaliar a conformabilidade de aços AISI 316 com diferentes resistências martensíticas por métodos experimentais e de inteligência artificial. Na primeira etapa, o aço AISI 316 com espessura inicial de 2 mm foi recozido e laminado a frio em diversas espessuras. Posteriormente, a área de deformação relativa da martensita foi medida por meio de ensaios metalográficos. A conformabilidade das chapas laminadas foi determinada utilizando um teste de ruptura hemisférica para obter um diagrama de limite de deformação (FLD). Os dados obtidos como resultado dos experimentos são posteriormente utilizados para treinar e testar o sistema artificial de interferência neuro-fuzzy (ANFIS). Após o treinamento ANFIS, as cepas dominantes previstas pela rede neural foram comparadas com um novo conjunto de resultados experimentais. Os resultados mostram que a laminação a frio tem um efeito negativo na conformabilidade desse tipo de aço inoxidável, mas a resistência da chapa melhora bastante. Além disso, o ANFIS apresenta resultados satisfatórios em comparação com medições experimentais.
A capacidade de formar chapas metálicas, embora tema de artigos científicos há décadas, continua sendo uma interessante área de pesquisa em metalurgia. Novas ferramentas técnicas e modelos computacionais facilitam a localização de possíveis fatores que afetam a conformabilidade. Mais importante ainda, a importância da microestrutura para o limite de forma foi revelada nos últimos anos usando o Método dos Elementos Finitos de Plasticidade Cristalina (CPFEM). Por outro lado, a disponibilidade de microscopia eletrônica de varredura (MEV) e difração de retroespalhamento de elétrons (EBSD) ajuda os pesquisadores a observar a atividade microestrutural das estruturas cristalinas durante a deformação. Compreender a influência de diferentes fases nos metais, tamanho e orientação dos grãos e defeitos microscópicos no nível dos grãos é fundamental para prever a conformabilidade.
A determinação da conformabilidade é em si um processo complexo, uma vez que se demonstrou que a conformabilidade é altamente dependente dos caminhos 1, 2, 3. Portanto, as noções convencionais de deformação de formação final não são confiáveis sob condições de carga desproporcionais. Por outro lado, a maioria dos caminhos de carga em aplicações industriais são classificados como carregamento não proporcional. Nesse sentido, os métodos tradicionais hemisféricos e experimentais de Marciniak-Kuchinsky (MK)4,5,6 devem ser usados com cautela. Nos últimos anos, outro conceito, o Diagrama de Limite de Fratura (FFLD), tem atraído a atenção de muitos engenheiros de conformabilidade. Neste conceito, um modelo de dano é usado para prever a conformabilidade da folha. A este respeito, a independência do caminho é inicialmente incluída na análise e os resultados estão de acordo com os resultados experimentais não dimensionados7,8,9. A conformabilidade de uma chapa metálica depende de vários parâmetros e do histórico de processamento da chapa, bem como da microestrutura e fase do metal10,11,12,13,14,15.
A dependência do tamanho é um problema quando se consideram as características microscópicas dos metais. Foi demonstrado que, em pequenos espaços de deformação, a dependência das propriedades vibracionais e de flambagem depende fortemente da escala de comprimento do material16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. O efeito do tamanho do grão na conformabilidade é reconhecido há muito tempo na indústria. Yamaguchi e Mellor [31] estudaram o efeito do tamanho e espessura do grão nas propriedades de tração de chapas metálicas usando análise teórica. Usando o modelo Marciniac, eles relatam que sob carga de tração biaxial, uma diminuição na relação entre espessura e tamanho de grão leva a uma diminuição nas propriedades de tração da chapa. Resultados experimentais de Wilson et al. 32 confirmaram que a redução da espessura para o diâmetro médio do grão (t/d) resultou em uma diminuição na extensibilidade biaxial de chapas metálicas de três espessuras diferentes. Eles concluíram que em valores de t/d inferiores a 20, a falta de homogeneidade de deformação e o estreitamento perceptíveis são afetados principalmente por grãos individuais na espessura da folha. Ulvan e Koursaris33 estudaram o efeito do tamanho do grão na usinabilidade geral dos aços inoxidáveis austeníticos 304 e 316. Eles relatam que a conformabilidade destes metais não é afetada pelo tamanho do grão, mas pequenas alterações nas propriedades de tração podem ser observadas. É o aumento do tamanho do grão que leva à diminuição das características de resistência desses aços. A influência da densidade de discordância na tensão de fluxo dos metais de níquel mostra que a densidade de discordância determina a tensão de fluxo do metal, independentemente do tamanho do grão . A interação dos grãos e a orientação inicial também têm grande influência na evolução da textura do alumínio, que foi investigada por Becker e Panchanadiswaran por meio de experimentos e modelagem de plasticidade cristalina . Os resultados numéricos em suas análises estão de acordo com os experimentos, embora alguns resultados de simulação se desviem dos experimentos devido a limitações das condições de contorno aplicadas. Ao estudar os padrões de plasticidade cristalina e detectá-los experimentalmente, as folhas laminadas de alumínio apresentam diferentes conformabilidades . Os resultados mostraram que embora as curvas tensão-deformação das diferentes chapas fossem quase as mesmas, havia diferenças significativas na sua conformabilidade com base nos valores iniciais. Amelirad e Asempour utilizaram experimentos e CPFEM para obter as curvas tensão-deformação para chapas de aço inoxidável austenítico37. Suas simulações mostraram que o aumento no tamanho dos grãos se desloca para cima no FLD, formando uma curva limite. Além disso, os mesmos autores investigaram o efeito da orientação e morfologia dos grãos na formação de vazios 38 .
Além da morfologia e orientação dos grãos nos aços inoxidáveis austeníticos, o estado dos gêmeos e das fases secundárias também é importante. A geminação é o principal mecanismo para endurecer e aumentar o alongamento no aço TWIP 39. Hwang40 relatou que a conformabilidade dos aços TWIP era fraca, apesar da resposta à tração suficiente. No entanto, o efeito da geminação por deformação na conformabilidade de chapas de aço austeníticas não foi suficientemente estudado. Mishra et al. 41 estudaram aços inoxidáveis austeníticos para observar a geminação sob vários caminhos de deformação por tração. Eles descobriram que os gêmeos poderiam se originar de fontes de decomposição tanto dos gêmeos recozidos quanto da nova geração de gêmeos. Foi observado que os gêmeos maiores se formam sob tensão biaxial. Além disso, notou-se que a transformação da austenita em \({\alpha}^{^{\prime}}\)-martensita depende do caminho de deformação. Hong et al. 42 investigaram o efeito da geminação induzida por deformação e da martensita na fragilização por hidrogênio em uma faixa de temperaturas na fusão seletiva a laser de aço austenítico 316L. Observou-se que, dependendo da temperatura, o hidrogênio pode causar falhas ou melhorar a conformabilidade do aço 316L. Shen et al. 43 mediram experimentalmente o volume de deformação da martensita sob carga de tração em várias taxas de carga. Verificou-se que um aumento na deformação de tração aumenta a fração volumétrica da fração martensita.
Os métodos de IA são utilizados em ciência e tecnologia devido à sua versatilidade na modelagem de problemas complexos sem recorrer aos fundamentos físicos e matemáticos do problema44,45,46,47,48,49,50,51,52 O número de métodos de IA está aumentando . Moradi et al. 44 usaram técnicas de aprendizado de máquina para otimizar as condições químicas para produzir partículas de nanosílica mais finas. Outras propriedades químicas também influenciam as propriedades dos materiais em nanoescala, o que tem sido investigado em muitos artigos de pesquisa53. Ce et al. 45 usaram o ANFIS para prever a conformabilidade de chapas metálicas de aço carbono simples sob diversas condições de laminação. Devido à laminação a frio, a densidade de discordâncias no aço-carbono aumentou significativamente. Os aços carbono simples diferem dos aços inoxidáveis austeníticos em seus mecanismos de endurecimento e restauração. No aço carbono simples, não ocorrem transformações de fase na microestrutura metálica. Além da fase metálica, a ductilidade, fratura, usinabilidade, etc. dos metais também são afetadas por diversas outras características microestruturais que ocorrem durante vários tipos de tratamento térmico, trabalho a frio e envelhecimento54,55,56,57,58,59 ,60. , 61, 62. Recentemente, Chen et al. 63 estudaram o efeito da laminação a frio na conformabilidade do aço 304L. Eles levaram em consideração observações fenomenológicas apenas em testes experimentais, a fim de treinar a rede neural para prever a conformabilidade. Na verdade, no caso dos aços inoxidáveis austeníticos, vários fatores se combinam para reduzir as propriedades de tração da chapa. Lu et al.64 utilizaram o ANFIS para observar o efeito de vários parâmetros no processo de expansão do furo.
Conforme brevemente discutido na revisão acima, o efeito da microestrutura no diagrama de limite de forma tem recebido pouca atenção na literatura. Por outro lado, muitas características microestruturais devem ser levadas em consideração. Portanto, é quase impossível incluir todos os fatores microestruturais nos métodos analíticos. Nesse sentido, o uso da inteligência artificial pode ser benéfico. Nesse sentido, este estudo investiga o efeito de um aspecto dos fatores microestruturais, nomeadamente a presença de martensita induzida por tensão, na conformabilidade de chapas de aço inoxidável. Este estudo difere de outros estudos de IA no que diz respeito à conformabilidade, pois o foco está nas características microestruturais, e não apenas nas curvas FLD experimentais. Procuramos avaliar a conformabilidade do aço 316 com diversos teores de martensita utilizando métodos experimentais e de inteligência artificial. Na primeira etapa, o aço 316 com espessura inicial de 2 mm foi recozido e laminado a frio em diversas espessuras. Em seguida, por meio de controle metalográfico, foi medida a área relativa da martensita. A conformabilidade das chapas laminadas foi determinada utilizando um teste de ruptura hemisférica para obter um diagrama de limite de deformação (FLD). Os dados recebidos dele foram posteriormente usados para treinar e testar o sistema artificial de interferência neuro-fuzzy (ANFIS). Após o treinamento ANFIS, as previsões da rede neural são comparadas com um novo conjunto de resultados experimentais.
A chapa de aço inoxidável austenítico 316 utilizada no presente estudo possui composição química conforme tabela 1 e espessura inicial de 1,5 mm. Recozimento a 1050°C por 1 hora seguido de têmpera em água para aliviar tensões residuais na chapa e obter uma microestrutura uniforme.
A microestrutura dos aços austeníticos pode ser revelada usando vários agentes corrosivos. Um dos melhores condicionadores é o ácido nítrico a 60% em água destilada, gravado a 1 VDC por 120 s38. No entanto, este condicionador mostra apenas limites de grão e não pode identificar limites de grão duplos, como mostrado na Fig. Outro condicionador é o acetato de glicerol, no qual os limites gêmeos podem ser bem visualizados, mas os limites dos grãos não, como mostrado na Fig. Além disso, após a transformação da fase austenítica metaestável na fase \({\alpha }^{^{\prime}}\)-martensita pode ser detectada usando o ácido acetato de glicerol, que é de interesse no presente estudo.
Microestrutura da placa de metal 316 após recozimento, mostrada por vários agentes de ataque, (a) 200x, 60% \({\mathrm{HNO}}_{3}\) em água destilada a 1,5 V por 120 s, e (b) 200x , acetato de glicerila.
As folhas recozidas foram cortadas em folhas com 11 cm de largura e 1 m de comprimento para laminação. A laminação a frio possui dois rolos simétricos com diâmetro de 140 mm. O processo de laminação a frio provoca a transformação da austenita em martensita de deformação no aço inoxidável 316. Procurando a relação entre a fase martensita e a fase austenita após laminação a frio em diferentes espessuras. Na fig. 2 mostra uma amostra da microestrutura de chapa metálica. Na fig. 2a mostra uma imagem metalográfica de uma amostra laminada, vista de uma direção perpendicular à folha. Na fig. 2b usando o software ImageJ65, a parte martensítica é destacada em preto. Utilizando as ferramentas deste software de código aberto, a área da fração martensita pode ser medida. A Tabela 2 mostra as frações detalhadas das fases martensítica e austenítica após laminação para diversas reduções de espessura.
Microestrutura de uma chapa de 316 L após laminação com redução de 50% na espessura, vista perpendicularmente ao plano da chapa, ampliada 200 vezes, acetato de glicerol.
Os valores apresentados na Tabela 2 foram obtidos pela média das frações de martensita medidas em três fotografias tiradas em locais diferentes na mesma amostra metalográfica. Além disso, na fig. 3 mostra curvas de ajuste quadráticas para melhor compreender o efeito da laminação a frio na martensita. Pode-se observar que existe uma correlação quase linear entre a proporção de martensita e a redução de espessura na condição laminada a frio. No entanto, uma relação quadrática pode representar melhor esta relação.
Variação na proporção de martensita em função da redução de espessura durante a laminação a frio de uma chapa de aço 316 inicialmente recozida.
O limite de modelagem foi avaliado de acordo com o procedimento usual utilizando testes de explosão hemisférica37,38,45,66. No total, seis amostras foram fabricadas por corte a laser com as dimensões mostradas na Fig. 4a como um conjunto de amostras experimentais. Para cada estado da fração martensítica foram preparados e ensaiados três conjuntos de corpos de prova. Na fig. 4b mostra amostras cortadas, polidas e marcadas.
A moldagem Nakazima limita o tamanho da amostra e a tábua de corte. (a) Dimensões, (b) Amostras cortadas e marcadas.
O teste de puncionamento hemisférico foi realizado utilizando uma prensa hidráulica com velocidade de deslocamento de 2 mm/s. As superfícies de contato do punção e da chapa são bem lubrificadas para minimizar o efeito do atrito nos limites de conformação. Continue testando até que um estreitamento ou ruptura significativo seja observado na amostra. Na fig. 5 mostra a amostra destruída no dispositivo e a amostra após o teste.
O limite de moldagem foi determinado usando um teste de ruptura hemisférica, (a) equipamento de teste, (b) placa de amostra na ruptura do equipamento de teste, (c) a mesma amostra após o teste.
O sistema neuro-fuzzy desenvolvido por Jang67 é uma ferramenta adequada para previsão da curva limite de formação de folhas. Este tipo de rede neural artificial inclui a influência de parâmetros com descrições vagas. Isso significa que eles podem obter qualquer valor real em seus campos. Valores deste tipo são ainda classificados de acordo com o seu valor. Cada categoria tem suas próprias regras. Por exemplo, um valor de temperatura pode ser qualquer número real e, dependendo do seu valor, as temperaturas podem ser classificadas como fria, média, quente e quente. Nesse sentido, por exemplo, a regra para temperaturas baixas é a regra “use jaqueta”, e a regra para temperaturas quentes é “basta camiseta”. Na própria lógica fuzzy, a saída é avaliada quanto à precisão e confiabilidade. A combinação de sistemas de redes neurais com lógica fuzzy garante que o ANFIS fornecerá resultados confiáveis.
A Figura 6 fornecida por Jang67 mostra uma rede neural difusa simples. Como mostrado, a rede recebe duas entradas, em nosso estudo a entrada é a proporção de martensita na microestrutura e o valor da deformação menor. No primeiro nível de análise, os valores de entrada são fuzzificados usando regras fuzzy e funções de pertinência (FC):
Para \(i=1, 2\), uma vez que se assume que a entrada tem duas categorias de descrição. O MF pode assumir qualquer forma triangular, trapezoidal, gaussiana ou qualquer outra.
Com base nas categorias \({A}_{i}\) e \({B}_{i}\) e seus valores de MF no nível 2, algumas regras são adotadas, conforme mostra a Figura 7. Neste camada, os efeitos das várias entradas são de alguma forma combinados. Aqui, as seguintes regras são usadas para combinar a influência da fração de martensita e valores de deformação menores:
A saída \({w}_{i}\) desta camada é chamada de intensidade de ignição. Estas intensidades de ignição são normalizadas na camada 3 de acordo com a seguinte relação:
Na camada 4, as regras de Takagi e Sugeno67,68 são incluídas no cálculo para levar em conta a influência dos valores iniciais dos parâmetros de entrada. Esta camada possui os seguintes relacionamentos:
O \({f}_{i}\) resultante é afetado pelos valores normalizados nas camadas, o que dá ao resultado final, os principais valores de warp:
onde \(NR\) representa o número de regras. O papel da rede neural aqui é usar seu algoritmo de otimização interno para corrigir parâmetros de rede desconhecidos. Os parâmetros desconhecidos são os parâmetros resultantes \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), e os parâmetros relacionados ao MF são considerados função de forma generalizada de sinos de vento:
Os diagramas de limite de forma dependem de muitos parâmetros, desde a composição química até o histórico de deformação da chapa metálica. Alguns parâmetros são fáceis de avaliar, incluindo parâmetros de teste de tração, enquanto outros requerem procedimentos mais complexos, como metalografia ou determinação de tensão residual. Na maioria dos casos, é aconselhável realizar um teste de limite de deformação para cada lote de chapa. No entanto, às vezes outros resultados de testes podem ser usados para aproximar o limite de modelagem. Por exemplo, vários estudos utilizaram resultados de testes de tração para determinar a conformabilidade da folha69,70,71,72. Outros estudos incluíram mais parâmetros em suas análises, como espessura e tamanho de grãos31,73,74,75,76,77. No entanto, não é computacionalmente vantajoso incluir todos os parâmetros permitidos. Assim, o uso de modelos ANFIS pode ser uma abordagem razoável para resolver estas questões45,63.
Neste trabalho foi investigada a influência do teor de martensita no diagrama limite de conformação de uma chapa de aço austenítico 316. Nesse sentido, um conjunto de dados foi preparado por meio de testes experimentais. O sistema desenvolvido possui duas variáveis de entrada: a proporção de martensita medida em ensaios metalográficos e a faixa de pequenas deformações de engenharia. O resultado é uma grande deformação de engenharia da curva limite de formação. Existem três tipos de frações martensíticas: frações finas, médias e altas. Baixo significa que a proporção de martensita é inferior a 10%. Sob condições moderadas, a proporção de martensita varia de 10% a 20%. Altos valores de martensita são considerados frações superiores a 20%. Além disso, a deformação secundária possui três categorias distintas entre -5% e 5% próximas ao eixo vertical, que são usadas para determinar o FLD0. Os intervalos positivos e negativos são as outras duas categorias.
Os resultados do teste hemisférico são mostrados na FIG. A figura mostra 6 diagramas de modelagem de limites, 5 dos quais são o FLD de chapas laminadas individuais. Dado um ponto de segurança e sua curva limite superior formando uma curva limite (FLC). A última figura compara todos os FLCs. Como pode ser visto na última figura, um aumento na proporção de martensita no aço austenítico 316 reduz a conformabilidade da chapa metálica. Por outro lado, o aumento da proporção de martensita transforma gradualmente o FLC em uma curva simétrica em torno do eixo vertical. Nos dois últimos gráficos, o lado direito da curva é ligeiramente superior ao esquerdo, o que significa que a conformabilidade na tensão biaxial é maior do que na tensão uniaxial. Além disso, tanto as deformações de engenharia menores quanto as maiores antes do estreitamento diminuem com o aumento da proporção de martensita.
316 formando uma curva limite. Influência da proporção de martensita na conformabilidade de chapas de aço austenítico. (ponto de segurança SF, curva limite de formação FLC, martensita M).
A rede neural foi treinada em 60 conjuntos de resultados experimentais com frações de martensita de 7,8, 18,3 e 28,7%. Um conjunto de dados de 15,4% de martensita foi reservado para o processo de verificação e 25,6% para o processo de teste. O erro após 150 épocas é de cerca de 1,5%. Na fig. 9 mostra a correlação entre a saída real (\({\epsilon }_{1}\), carga de trabalho básica de engenharia) fornecida para treinamento e teste. Como você pode ver, o NFS treinado prevê \({\epsilon} _{1}\) satisfatoriamente para peças de chapa metálica.
(a) Correlação entre valores previstos e reais após o processo de treinamento, (b) Erro entre valores previstos e reais para as principais cargas de engenharia no FLC durante treinamento e verificação.
Em algum momento durante o treinamento, a rede ANFIS é inevitavelmente reciclada. Para determinar isso, é realizada uma verificação paralela, chamada “verificação”. Se o valor do erro de validação se desviar do valor de treinamento, a rede começa a treinar novamente. Conforme mostrado na Figura 9b, antes da época 150, a diferença entre as curvas de aprendizado e validação é pequena e elas seguem aproximadamente a mesma curva. Neste ponto, o erro do processo de validação começa a desviar-se da curva de aprendizagem, o que é um sinal de sobreajuste do ANFIS. Assim, a rede ANFIS da rodada 150 é preservada com erro de 1,5%. Em seguida, é introduzida a previsão FLC para ANFIS. Na fig. 10 mostra as curvas previstas e reais para as amostras selecionadas utilizadas no processo de treinamento e verificação. Como os dados dessas curvas foram usados para treinar a rede, não é surpreendente observar previsões muito próximas.
Curvas preditivas experimentais reais de FLC e ANFIS sob diversas condições de conteúdo de martensita. Essas curvas são utilizadas no processo de treinamento.
O modelo ANFIS não sabe o que aconteceu com a última amostra. Portanto, testamos nosso ANFIS treinado para FLC enviando amostras com fração de martensita de 25,6%. Na fig. 11 mostra a previsão do ANFIS FLC, bem como o FLC experimental. O erro máximo entre o valor previsto e o valor experimental é de 6,2%, que é superior ao valor previsto durante o treinamento e validação. Contudo, este erro é um erro tolerável comparado a outros estudos que preveem teoricamente o CPF37.
Na indústria, os parâmetros que afetam a conformabilidade são descritos na forma de uma língua. Por exemplo, “grão grosso reduz a conformabilidade” ou “o aumento do trabalho a frio reduz o FLC”. A entrada para a rede ANFIS na primeira fase é classificada em categorias linguísticas como baixa, média e alta. Existem regras diferentes para diferentes categorias na rede. Portanto, na indústria, este tipo de rede pode ser muito útil no sentido de incluir diversos fatores na sua descrição e análise linguística. Neste trabalho procuramos levar em consideração uma das principais características da microestrutura dos aços inoxidáveis austeníticos para aproveitar as possibilidades do ANFIS. A quantidade de martensita induzida por tensão do 316 é uma consequência direta do trabalho a frio dessas pastilhas. Através de experimentação e análise ANFIS, constatou-se que o aumento da proporção de martensita neste tipo de aço inoxidável austenítico leva a uma diminuição significativa do FLC da placa 316, de modo que aumentar a proporção de martensita de 7,8% para 28,7% reduz o FLD0 de 0,35. até 0,1 respectivamente. Por outro lado, a rede ANFIS treinada e validada pode prever o FLC utilizando 80% dos dados experimentais disponíveis com um erro máximo de 6,5%, o que é uma margem de erro aceitável em comparação com outros procedimentos teóricos e relações fenomenológicas.
Os conjuntos de dados utilizados e/ou analisados no presente estudo estão disponíveis aos respectivos autores mediante solicitação razoável.
Iftikhar, CMA, et al. Evolução dos caminhos de rendimento subsequentes da liga de magnésio extrudado AZ31 “como está” sob caminhos de carregamento proporcionais e não proporcionais: experimentos e simulações CPFEM. interno J. Prast. 151, 103216 (2022).
Iftikhar, TsMA et al. Evolução da superfície de escoamento subsequente após deformação plástica ao longo de caminhos de carregamento proporcionais e não proporcionais da liga AA6061 recozida: experimentos e modelagem de elementos finitos de plasticidade cristalina. interno J. Plast 143, 102956 (2021).
Manik, T., Holmedal, B. & Hopperstad, OS Transientes de tensão, endurecimento por trabalho e valores de r de alumínio devido a mudanças no caminho de deformação. interno J. Prast. 69, 1–20 (2015).
Mamushi, H. et al. Um novo método experimental para determinar o diagrama de modelagem limite levando em consideração o efeito da pressão normal. interno J. Alma mater. forma. 15(1), 1 (2022).
Yang Z. et al. Calibração experimental de parâmetros de fratura dúctil e limites de deformação da chapa metálica AA7075-T6. J. Alma mater. processo. tecnologias. 291, 117044 (2021).
Petrits, A. et al. Dispositivos ocultos de coleta de energia e sensores biomédicos baseados em conversores ferroelétricos ultraflexíveis e diodos orgânicos. Comuna nacional. 12(1), 2399 (2021).
Basak, S. e Panda, SK Análise dos limites de estrangulamento e fratura de várias placas pré-deformadas em caminhos de deformação plástica efetiva polar usando o modelo de rendimento Yld 2000–2d. J. Alma mater. processo. tecnologias. 267, 289–307 (2019).
Basak, S. e Panda, SK Deformações de fratura em chapas metálicas anisotrópicas: avaliação experimental e previsões teóricas. interno J. Mecha. a ciência. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Estudo experimental e teórico do efeito da mudança da trajetória de deformação no diagrama limite de moldagem AA5083. interno J. Adv. fabricante. tecnologias. 76(5–8), 1343–1352 (2015).
Habibi, M. et al. Estudo experimental das propriedades mecânicas, conformabilidade e diagrama de conformação limite de blanks soldados por fricção. J. Criador. processo. 31, 310–323 (2018).
Habibi, M., et al. Considerando a influência da flexão, o diagrama limite é formado pela incorporação do modelo MC na modelagem de elementos finitos. processo. Instituto de Peles. projeto. L 232(8), 625–636 (2018).
Horário da postagem: 08/06/2023