Auswirkungen der Dickenreduzierung beim Kaltwalzen auf die Umformbarkeit von Blechen mit ANFIS

Wissenschaftliche Berichte Band 12, Artikelnummer: 10434 (2022) Diesen Artikel zitieren

1546 Zugriffe

4 Zitate

Details zu den Metriken

Kaltwalzen wirkt sich nachteilig auf die Umformbarkeit von Blechen aus. Bei der Herstellung qualitativ hochwertiger Plattenoberflächen ist dies jedoch unumgänglich. Die Auswirkungen des Kaltwalzens auf die Umformgrenzen von Streckblechen werden in der Literatur nicht umfassend untersucht. In dieser Studie wird eine experimentelle Studie durchgeführt, um die Auswirkung unterschiedlicher Kaltwalzdickenreduzierungen auf die Umformbarkeit von Blechen zu beobachten. Da die experimentellen Verfahren solcher Tests kostspielig sind, wird auch eine künstliche Intelligenz eingesetzt, um die Auswirkungen der Kaltdickenreduzierung auf die Umformbarkeit der Bleche vorherzusagen. In diesem Zusammenhang werden St14-Bleche mithilfe von Zug-, Metallographie-, Kaltwalz- und Nakazimas Halbkugel-Stanzexperimenten untersucht. Die erhaltenen Daten werden weiter verwendet, um ein ANFIS-Modell (Adaptive Neural Network Fuzzy Inference System) zu trainieren und zu testen. Die Ergebnisse zeigen, dass Kaltwalzen die Formbarkeit der Bleche unter Streckbelastungsbedingungen verringert. Darüber hinaus verändert sich das Zugverhalten des Blechs aufgrund der Kaltdickenreduzierung desselben Blechs erheblich. Das trainierte ANFIS-Modell wurde auch erfolgreich bei der Vorhersage von Grenzdiagrammen trainiert und getestet. Dieses Modell könnte zur Bestimmung der Verformungsgrenzdehnungen unter anderen Bedingungen der Dickenreduzierung verwendet werden. Es wird diskutiert, dass die Bestimmung von Umformgrenzdiagrammen keine intrinsische Eigenschaft der chemischen Zusammensetzung der Bleche ist und viele andere Faktoren berücksichtigt werden müssen.

Die Bestimmung der Umformgrenze von Blechen ist für die Gestaltung der endgültigen Geometrie der Blechprodukte von entscheidender Bedeutung. Es handelt sich außerdem um eine der wichtigsten Qualitätskontrollprüfungen in Tiefzieh- und Blechumformbetrieben. Im Gegensatz zu Zugversuchen erfordert die Bestimmung der Verformungsgrenze eine höhere Anzahl von Proben und komplizierte Prüfverfahren. Um solche kostspieligen und zeitaufwändigen Tests zu vermeiden, werden in der Literatur zahlreiche Analysemethoden zur Berechnung von FLDs unter Verwendung einachsiger Zugtestkurvendaten vorgeschlagen1,2,3,4,5. Einachsige Zugkurven können jedoch keine zuverlässige Quelle für die Bestimmung der Verformungsgrenzen sein6. Wie Wu et al.7 experimentell zeigten, hatten Bleche mit geringfügigen Unterschieden in den einachsigen Zugkurven aufgrund der Auswirkungen ihrer Texturen erhebliche Unterschiede in ihren FLDs. Obwohl Zugkurven einen intuitiven Eindruck von Umformgrenzen vermitteln, reicht es daher nicht aus, genaue FLDs zu berechnen.

Derzeit wird davon ausgegangen, dass experimentelle Tests für jede Charge von Blechprodukten der beste Weg sind, die Umformgrenzkurven zu erhalten. Die Umformgrenzen hängen von vielen Faktoren ab, darunter dem Belastungszustand, der Dicke des Blechs sowie den mikrostrukturellen Eigenschaften des Blechs. Es gibt kein Modell, das alle geometrischen, Belastungs- und Mikrostrukturparameter berücksichtigt. Daher können die Modelle nicht zuverlässig sein, selbst wenn sie unter bestimmten Umständen akzeptable Ergebnisse liefern.

In jüngster Zeit werden in vielen Forschungsbereichen zunehmend künstliche Intelligenz und Fuzzy-Logik eingesetzt. Die Auswirkungen geometrischer Parameter auf die Umformgrenzen wurden von Elangovan et al.8 mithilfe eines künstlichen neuronalen Netzwerks (ANN) untersucht. Das ANN-Modell wurde unter Verwendung von Datumssätzen trainiert, die aus Experimenten gewonnen wurden. Das trainierte Modell wurde außerdem dazu verwendet, FLD für eine Reihe neuer geometrischer Parameter des Blechs vorherzusagen. Das Verhalten der Umformgrenze bei verschiedenen Belastungs- und Temperaturbedingungen wurde von Kotkunde et al.9 mithilfe von ANN untersucht. Die mit der ANN-Methode vorhergesagten Formungsgrenzen stimmten akzeptable mit den experimentellen Ergebnissen überein. Extreme thermische und Belastungsgeschwindigkeitsbedingungen sind experimentell schwer anzuwenden und auf die Umformgrenzen zu untersuchen. In einer Studie von Mohamed et al.10 wird gezeigt, dass ANN zur Vorhersage von FLD eingesetzt werden könnte. Derogar und Djavanroodi11 demonstrierten die Fähigkeit von ANN bei der Vorhersage von Grenzwerten für die Blechumformung.

In einem weiteren Trend bei der Nutzung künstlicher Intelligenz wird das Adaptive-Neural-Network Fuzzy Inference System (ANFIS) verwendet, um die Probleme im Zusammenhang mit Fuzzy-Parametern zu untersuchen12. Diese Methode erfreut sich in jüngster Zeit zunehmender Beliebtheit in der physikalischen Modellierung. Zur Darstellung der Anwendung von Umformprozessen werden die Auswirkungen geometrischer Parameter auf die endgültige Form des Teils im Lochaufweitungsprozess von Lu et al.13 mithilfe von ANFIS untersucht. Der anfängliche Datensatz für das Training des ANFIS wird mithilfe von Finite-Elemente-Simulationen des Locherweiterungsprozesses gesammelt. Die erhaltenen Ergebnisse von trainierten ANFIS wurden mit experimentellen Ergebnissen verglichen. Genetische Algorithmen und ANFIS-Modelle wurden von Esfahani et al.14 zur Vorhersage der Verformung bei der Laserstrahlformung verwendet. ANFIS zeigt eine bemerkenswerte Effizienz bei der Erzielung genauer Ergebnisse mit geringem Rechenaufwand. In der Literatur gibt es mehrere Fälle, in denen ANFIS bei der Bewertung von Materialeigenschaften verwendet wird13,15.

Die Auswirkungen verschiedener Parameter auf die FLD wurden in theoretischen und experimentellen Studien untersucht. In den meisten Forschungsstudien werden jedoch nur ein oder zwei Einflussparameter berücksichtigt. Als mechanische Parameter, die die FLD beeinflussen, wurden die Einflüsse der Geometrien von Rohling und Matrize16,17,18, des Belastungswegs19, der Belastungsrate20 und der Schmierung21 untersucht. Andererseits sind die Form und Verteilung der Partikel der zweiten Phase22, die Produktionsgeschichte und der Prozess23,24, die Korngröße4, Materialfehler25, die Textur26,27,28 und die chemische Zusammensetzung29 einige der untersuchten metallurgischen Parameter zur Bestimmung der Formungsgrenzen. In Simulationen und theoretischen Modellierungen kann die Vernachlässigung des Einflusses eines Parameters zu erheblichen Fehlern in den FLD-Berechnungen führen.

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 untersuchten experimentell den Einfluss des Verhältnisses von Dicke zu Korngröße auf die Formungsgrenzen und stellten die linke Seite des FLD dar. Es zeigt sich, dass ein hohes Verhältnis von Dicke zu Korngröße einen nachteiligen Einfluss auf die Formbarkeit hatte. In einer anderen Studie von Yamaguchi und Mellor verringerte ein Anstieg der Dicke zur Korngröße die Grenzformbarkeit von Blechen32. Die Kornverfeinerung in AZ31 verbessert nachweislich die Duktilität. Allerdings war die Formbarkeit von AZ31-Blechen unabhängig von der Korngröße, wie experimentell von Azghandi et al.33 nachgewiesen wurde.

Textureffekte werden sowohl experimentell als auch mithilfe von Kristallplastizitätssimulationen ausführlich untersucht. Wu et al.7 verwendeten experimentelle und Kristallplastizitätsansätze, um die Umformgrenze von Aluminiumblechen zu bestimmen. Sie kamen zu dem Schluss, dass selbst bei kleinen Unterschieden im Zugverhalten von Blechen unterschiedliche Texturen zu erheblichen Unterschieden bei der Bildung von Grenzkurven führen. Daher ist die Zugkurve keine zuverlässige Quelle zur Vorhersage von Umformgrenzen, ohne andere Faktoren wie die Textur zu berücksichtigen. Barlat28 nutzte Homogenisierungsmethoden für polykristallines Aggregat, um eine Fließoberfläche aus Blech zu erhalten. Darüber hinaus wurde die erhaltene Fließfläche zur Vorhersage von Umformgrenzen verwendet. Barnwal et al.34 zeigten, dass die Umformgrenzen von Aluminiumblechen erheblich von der Textur der Bleche abhängen.

Nach bestem Wissen des Autors wurde der Einfluss der Kaltumformung auf die Umformbarkeit von Blechen in der Literatur nicht diskutiert. Daher bezieht sich die Anwendung von ANFIS in dieser Studie zur Bestimmung von Verformungsgrenzdiagrammen unter Verwendung experimenteller Kaltwalzdaten auf St14-Stahlbleche. Experimentelle Zug- und FLD-Tests werden zum Trainieren und Testen von ANFIS-Modellen verwendet. Anschließend wird das trainierte ANFIS-Modell verwendet, um FLD unter anderen Kaltwalzbedingungen vorherzusagen. Die Neuheit dieser Arbeit besteht darin, ein einfaches neuronales Fuzzy-Netzwerk bereitzustellen, das anstelle komplizierter und kostspieliger Experimente mit einer akzeptablen Fehlermarge verwendet werden könnte. Nach bestem Wissen des Autors ist dies das erste Mal, dass Fuzzy-Logik zur Interpretation und Kategorisierung der Eingabedaten für die FLD-Vorhersage eingesetzt wird.

St14-Stahlbleche mit niedrigem Kohlenstoffgehalt werden aufgrund ihrer hohen Formbarkeit häufig bei der Formung von Automobilkarosserien verwendet. In dieser Studie wird ein Blech mit einer Dicke von \(1,5 \pm 0,03{\text{mm}}\) verwendet, um die Formbarkeit unter verschiedenen Walzbedingungen zu untersuchen. Die chemische Zusammensetzung des Blechs ist in Tabelle 1 dargestellt. Das erhaltene Blech wurde wärmebehandelt, um die Auswirkungen historischer Prozesse auf das Blech zu mildern. Die Wärmebehandlung wurde bei einer Temperatur von 900 °C durchgeführt und die Bleche wurden 1 Stunde lang bei dieser Temperatur gehalten. Die Bleche wurden im Ofen auf Raumtemperatur abgekühlt. Dieser Prozess führt zu einer homogeneren Mikrostruktur.

Nach der Wärmebehandlung wurden die Bleche in 12 cm breite Streifen geschnitten und mit einer Chloridsäurelösung gebeizt, um Oxidablagerungen auf der Oberfläche zu entfernen. Die Bleche wurden weiter auf eine Dickenreduzierung von 25 % und 45 % kaltgewalzt.

Die Aufdeckung der Mikrostruktur von St14-Stahl erfolgt mithilfe eines metallografischen Verfahrens. Die erhaltenen, wärmebehandelten und gewalzten Proben wurden in Walzrichtung geschnitten und Abschnitte der Bleche montiert. Anschließend wurden die Proben mit Schleifpapier bis Körnung 3000 geschliffen und mit 1 μm Diamantpaste poliert. Nital 2 % wurde verwendet, um die Körner in der Probe sichtbar zu machen. Die Ergebnisse sind in Abb. 1 für Proben im Originalzustand und in Abb. 2 für behandelte Proben dargestellt. Wie in Abb. 1 zu sehen ist, sind die Kornformen im wahrsten Sinne des Wortes kugelförmig, obwohl in der Gesamtstruktur eine leichte Dehnung zu erkennen ist, die auf ein Dressierwalzen nach dem Sphäroidisierungsprozess hindeutet. Somit enthält die Mikrostruktur des so erhaltenen Blechs kugelförmiges Zementit. Andere Formen von Zementit würden die Struktur des Blechs nach der Wärmebehandlung beeinträchtigen. Nach der Wärmebehandlung wuchsen die Körner an Größe, wie in Abb. 2a zu sehen ist. Die Körner haben kugelförmige Formen und nach der Wärmebehandlung sind keine Spuren von sphäroidisiertem Zementit zu sehen, was auf eine umfassende Entkohlung in der Sauerstoffatmosphäre des Ofens hinweist. Die kaltgewalzte Mikrostruktur ist auch in Abb. 2 für eine Dickenreduzierung von 25 % (Abb. 2b) und 45 % (Abb. 2c) dargestellt. Ziel der Darstellung von Details der Mikrostruktur ist deren erheblicher Einfluss auf die Umformgrenzen, sodass eine ähnliche Dicke und chemische Zusammensetzung bei unterschiedlicher Kornmorphologie zu einer völlig unterschiedlichen Umformbarkeit führt. Für zukünftige Vergleiche halten wir es für notwendig, soweit wie möglich über die mechanischen und metallurgischen Eigenschaften des Blechs und den Testzustand zu berichten.

Mikrostruktur von St14-Blech im Empfangszustand (100×, Nital 2 % für 20 s).

Mikrostruktur von St14 nach Wärmebehandlung (oben), 25 % (Mitte) und 45 % (unten) Dickenreduzierung (100×, Nital 2 % für 20 s).

Die durchschnittliche Korngröße wurde bei wärmebehandelten und kaltgewalzten Proben mit 1 μm gemessen.

Zugversuche wurden gemäß dem ASTM E8-Standardverfahren an Proben kleinerer Größe durchgeführt. Die technischen Spannungs-Dehnungs-Kurven für wärmebehandelte Proben sind in Abb. 3 dargestellt. Wie man sieht, verringert das Kaltwalzen die Duktilität des Blechs erheblich und erhöht die Streckgrenze und Endfestigkeit. Aufgrund der Alterung nach der Wärmebehandlung ist an der Probe vor dem Walzen ein leichtes Phänomen der Streckgrenze zu beobachten. Bei gewalzten Proben verringert sich die Duktilität von 36 % Dehnung auf 9,5 %. Darüber hinaus steigt die Endfestigkeit von 256 auf 379 MPa bzw. 438 MPa nach 25 % bzw. 45 % Dickenreduzierung beim Kaltwalzen.

Einachsige St14-Zugkurven für wärmebehandelte Proben vor und nach dem Kaltwalzprozess.

Der Halbkugeltest von Nakazima wird verwendet, um Grenzformdiagramme zu bestimmen. Der Kugelstempel hatte einen Durchmesser von 50 mm und alle Oberflächen der Stempel- und Blechproben waren ausreichend geschmiert, um Reibungskräfte zu minimieren. Die Proben wurden in Knochen- und rechteckige Formen geschnitten, wie in Abb. 4 dargestellt. Die Oberfläche der Proben wurde geschliffen, um sie für den Ätzmarkierungsprozess vorzubereiten. Vor dem Test wurden kreisförmige und quadratische Gittermarkierungen in die Proben geätzt, um die Haupt- und Nebendehnungen nach der Formung mit dem in Abb. 5 gezeigten Gerät zu messen. Die Dehnungen wurden nach der Formung mit einem Myler-Streifen gemessen.

Nakazimas Formgebung begrenzt die Abmessungen von Mustern und Schnittblechen. Der Oxidbelag auf den Blechen war auf die sauerstoffhaltige Atmosphäre des Ofens zurückzuführen, der später vor der Durchführung der Nakazima-Tests geerdet wurde.

Vorrichtung zum Drucken kreisförmiger Gitter auf FLD-Proben.

Ein Beispiel einer verformten Probe ist in Abb. 6 dargestellt. Im Bereich um die Einschnürung und im Einschnürungsbereich werden die Dehnungen des sicheren und des Einschnürungspunkts gemessen. Anschließend wurde unter Verwendung sicherer Punkte aller verformten Proben ein Verformungsgrenzendiagramm erstellt, das unterschiedliche Belastungspfade von unidirektionalen bis zu gleichen bidirektionalen Dehnungen darstellte. Das Ergebnis der FLD ist in Abb. 7 dargestellt. Ähnlich wie bei der Duktilitätsreduzierung war die Umformbarkeit der Probe bei kaltgewalzten Blechen deutlich verringert, und mit zunehmender Dickenreduzierung erreichen die Umformgrenzen niedrigere Punkte im Diagramm. Dies steht im Gegensatz zur Duktilität, bei der eine Zunahme der Dickenreduzierung für die in dieser Studie durchgeführten Experimente einen vernachlässigbaren Einfluss auf die Bruchdehnung hat.

Formgebung von Grenzblechproben nach dem Stanztest von Nakazima.

Formungsgrenzkurven von St14-Stahlblechen vor und nach dem Kaltwalzen.

Die Auswirkung der Dickenreduzierung auf die St14-Bleche wird mithilfe eines entworfenen ANFIS-Netzwerks modelliert, wie in Abb. 8 dargestellt. Der Vorteil der Verwendung von ANFIS ist die Verwendung von Zugehörigkeitsfunktionen zur Kategorisierung von Eingabewerten. Beispielsweise kann die Walzreduzierung in die Kategorien „extreme“ Reduzierung, „moderate“ Reduzierung und „Dressiervorgang“ eingeteilt werden. Auf dieser Grundlage konnten jeder Kategorie unterschiedliche Antworten zugeordnet werden. In ANN muss der Bereich aller Eingabewerte, die den Dickenreduktionswerten ähneln, mit denselben Funktionen angepasst werden. Die Eingabeschicht besteht aus drei unabhängigen Parametern: dem Ausmaß der Walzreduktion, dem Dehnungswert im einachsigen Zugversuch am Einschnürungspunkt und der geringfügigen Dehnung. Somit weist das Netzwerk nur eine Hauptausgangsdehnung auf, die mit der jeweiligen Nebendehnung gekoppelt wird, um eine einzelne auf der sich bildenden Grenzkurve anzuzeigen. In den verborgenen Schichten wird die erste Schicht als Fuzzifizierungsschicht bezeichnet, in der die Eingabewerte in ihre Zugehörigkeitsfunktionswerte umgewandelt werden. Insgesamt gibt es maximal \(3 \times 3 \times 3 = 27\) Zugehörigkeitsfunktionen:

Schematische Darstellung der ANFIS-Schichten für drei Eingänge und einen Ausgang.

Es wird davon ausgegangen, dass die Eingabedaten jeweils drei Kategorien haben.

Eine schematische Ansicht der Beziehung zwischen Regeln und Zugehörigkeitsfunktionen ist in Abb. 9 für zwei Eingaben mit drei Zugehörigkeitsfunktionskategorien dargestellt. Bei drei Eingaben befindet sich das Diagramm im 3D-Raum. Die Auslösestärke jeder Regel ist die Kombination der MF-Werte, die von den MF-Knoten bestimmt werden. Ein Beispiel für die Kombination ist unten aufgeführt:

Dabei steht RR für die Rollreduktion, NS für die Einschnürungsdehnung und MS für die Eingabewerte der geringfügigen Dehnung. Um eine vernünftige Auswirkung jeder Feuerstärke auf die Endausgabe zu erzielen, wird die Ausgabe jedes Regelknotens gemäß der folgenden Beziehung normalisiert:

für \(j,k = 1{\text{ bis }}27\).

Fuzzy-Unterräume für ANFIS mit zwei Eingängen und drei MFs.

In der nächsten Ebene werden gewichtete Effekte der realen Werte der Eingabedaten mithilfe der Takagi- und Sugeno-Beziehung12,35 berechnet. Die Auswirkungen der Eingabedaten werden als lineare Kombination der Eingabewerte betrachtet:

Schließlich wird die Leistung unter Verwendung der normalisierten Feuerstärke und des Ergebnisses der Gleichung berechnet. (4) wie unten angegeben:

wobei \(\mathrm{NR}\) die Anzahl aller Regeln darstellt. Dies ist eine einfache Berechnung der Eingabe. Ähnlich wie bei der Abstimmung der Gewichte und Verzerrungen neuronaler Netze wird die Anpassung der Zugehörigkeitsfunktionskonstanten und der Takagi- und Sugeno-Beziehung mithilfe von Optimierungsmethoden in mehreren Epochen angepasst. Wenn die Fehlerspanne erfüllt ist, wird das Netzwerk mithilfe der Testaufteilung der Daten getestet. Es ist Vorsicht geboten, um eine Überanpassung der Daten zu vermeiden.

Die oben beschriebenen Eingabedaten im ANFIS-Netzwerk sind die geringfügige Dehnung, die Dehnung bei Einschnürung und die Dickenreduzierung der Bleche. Der Datensatz wird auf der Grundlage der experimentellen Ergebnisse des Zugversuchs und der FLD-Bestimmung erstellt. Als Faustregel gilt für jede Vorhersage des Netzwerks, dass mindestens zehnmal Daten im Netzwerk vorhanden sein müssen. In unserem Fall zielen wir darauf ab, eine FLD-Kurve vorherzusagen, die mindestens 5 Punkte enthält (zwei Punkte auf der rechten Seite, zwei Punkte auf der linken Seite und ein FLD0-Punkt). Daher sind mindestens 50 Datensätze erforderlich, um das ANFIS-Modell zu trainieren. Die Eingabe- und Ausgabedaten sind in Tabelle 2 aufgeführt. Zur Fuzzifizierung der Eingabedaten werden Dreieckszugehörigkeitsfunktionen berücksichtigt:

Die Parameter \(a\), \(b\) und \(c\) werden durch die ANFIS-App in Matlab bestimmt.

In Tabelle 2 werden 14 Datensätze zum Trainieren des Netzwerks verwendet und die restlichen 4 sind Testdaten, um die Zuverlässigkeit des Netzwerks sicherzustellen. Nach der Iteration beträgt der Gesamtfehler 1,9 % und die vorhergesagten Werte für Bot-Trainings- und Testdaten sind in Abb. 10 dargestellt. Wie zu sehen ist, sagt das Zugnetzwerk Ergebnisse mit hoher Genauigkeit voraus. Die trainierte Netzwerkoberfläche für die Dickenreduzierung ist in dargestellt.

Vergleich der Ergebnisse von ANFIS und experimenteller Werte für Trainings- und Testdaten.

Die trainierte Netzwerkoberfläche für die Dickenreduzierung ist in Abb. 11 dargestellt. Mithilfe dieser Oberfläche ist es möglich, neue FLD für jede Dickenreduzierung zu generieren, die nicht durch Experimente ermittelt wurde. Basierend auf der Genauigkeit des trainierten Modells ist diese Oberfläche für diese Material- und Verarbeitungsbedingungen äußerst zuverlässig. Ein ähnliches Verfahren kann für alle anderen Prozesse in der Industrie übernommen werden. Denn die Prozesse in der Produktionslinie sind unter vielen Umständen stabil. Ein weiterer Vorteil solcher Netzwerke ist die Einfachheit und Anpassungsfähigkeit anhand neu bereitgestellter Daten.

Auswirkungen der Dickenreduzierung beim Kaltwalzprozess auf Umformgrenzkurven für St14-Stahlblech.

Das im vorherigen Abschnitt trainierte und getestete ANFIS-Modell wird nun verwendet, um FLD unter verschiedenen Rollbedingungen vorherzusagen, und die Ergebnisse werden mit den Experimenten verglichen. In Abb. 12 wird gezeigt, dass die vom ANFIS-Modell generierte Grenzformungskurve perfekt mit der experimentellen Kurve übereinstimmt. Bei der Erstellung dieser Kurven durch ANFIS werden mehrere zusätzliche Punkte mit geringer Dehnung genutzt. Diese Vorhersagen können verallgemeinert werden, um andere Parameter in das ANFIS-Modell einzubeziehen. Bei anderen Methoden verursacht die Einbeziehung eines weiteren Parameters in die Berechnungen enorme Zeit- und Rechenkosten, während er in ANFIS mit minimalem Aufwand hinzugefügt werden kann4,18,24,36,37,38.

Vergleich experimenteller und simulierter Formungsgrenzen für St14 unter verschiedenen Glühbedingungen.

In den für Schulungs- und Testzwecke ausgewählten Daten des ANFIS-Netzwerks wurden die Daten der 35 % kaltgewalzten Proben bewusst weggelassen. In diesem Abschnitt wird das trainierte und getestete Modell verwendet, um die Umformgrenzkurve des Blechs mit einer Dickenreduzierung von 35 % vorherzusagen, wobei nur die Werte der Einschnürungsdehnung und der Dickenreduzierung für das Netzwerk bereitgestellt werden. Der ausgegebene FLD ist in Abb. 13 dargestellt und wird mit den experimentellen Daten und dem FLD verglichen. Es ist klar, dass das trainierte ANFIS-Modell mit einem Fehler von 6,5 % zufriedenstellend war, was im Vergleich zu anderen Methoden der FLD-Vorhersage als geringer Fehler gilt4,26,39.

Auswirkungen der Dickenreduzierung beim Kaltwalzprozess auf Umformgrenzkurven für St14-Stahlblech.

In dieser Studie wurde der schädliche Einfluss des Kaltwalzens auf die Umformbarkeit von Blechen mithilfe experimenteller Tests und eines neuronalen Fuzzy-Modells untersucht. Die Bedeutung der Verwendung des ANFIS-Modells bestand darin, bei ordnungsgemäßer Schulung zeitaufwändige und mühsame experimentelle Aufgaben zu vermeiden. Nach Kenntnis des Autors ist dies der erste Versuch, ANFIS zur Vorhersage der Verformungsgrenzen von Blechen einzusetzen. Die experimentellen Arbeiten wurden mit wärmebehandelten St14-Blechen durchgeführt. Die Bleche wurden auf unterschiedliche Dickenreduzierungen kaltgewalzt und es wurden Zug-, Metallographie- und FLD-Tests durchgeführt, um das Umformverhalten und die Eigenschaften der Bleche zu bestimmen. Ein ANFIS-Modell soll außerdem die Auswirkungen der Kaltdickenreduzierung auf die Umformbarkeit der Bleche vorhersagen. Die aus Experimenten gewonnenen Daten wurden zum Trainieren und Testen des ANFIS-Modells verwendet. Die wichtigsten Schlussfolgerungen der Ergebnisse sind:

Das Kaltwalzen von Blechen verringert die Umformbarkeit von Blechen erheblich. Eine Erhöhung der Dickenreduzierung führt zu einer geringeren Formbarkeit

Experimentelle Methoden zur Bestimmung der FLD sind kostspielig und die in der Literatur vorgeschlagenen Modelle berücksichtigen nicht alle mechanischen und mikrostrukturellen Parameter, die die FLD beeinflussen.

Methoden der künstlichen Intelligenz sind kostengünstige und leichte Methoden, die mehrere Parameter berücksichtigen können.

Das ANFIS-Modell kann Auswirkungen des Kaltwalzens in die Vorhersage von FLD einbeziehen und der Unterschied zwischen experimentellen und ANFIS-Ergebnissen ist vernachlässigbar.

Assempour, A. et al. Eine Methode zur Vorhersage der Bildung von Grenzspannungsdiagrammen unter Berücksichtigung des Dehnungspfadeffekts. Berechnen. Mater. Wissenschaft. 45(2), 195–204 (2009).

Artikel CAS Google Scholar

Marciniak, Z. & Kuczyński, K. Grenzdehnungen beim Streckformen von Blechen. Int. J. Mech. Wissenschaft. 9(9), 609–620 (1967).

Artikel Google Scholar

Merklein, M. et al. Ein neuer Ansatz zur Bewertung von Umformgrenzen bei der Blechumformung. Schlüssel-Ing. Mater. https://doi.org/10.4028/www.scientific.net/KEM.639.333 (2015).

Artikel Google Scholar

Amelirad, O. & Assempour, A. Experimentelle und Kristallplastizitätsbewertung des Einflusses der Korngröße auf die Formbarkeit von austenitischen Edelstahlblechen. J. Manufaktur Verfahren. 47, 310–323 (2019).

Artikel Google Scholar

Paul, SK, Manikandan, G. & Verma, RK Vorhersage des gesamten Verformungsgrenzendiagramms anhand einfacher Zugmaterialeigenschaften. J Strain Anal. Ing. Design 48(6), 386–394 (2013).

Artikel Google Scholar

Aretz, H. Numerische Einschränkungen des modifizierten Maximalkraftkriteriums zur Vorhersage von Umformgrenzen bei der Blechumformung. Modell. Simul. Mater. Wissenschaft. Ing. 12(4), 677 (2004).

Artikel ADS Google Scholar

Wu, P. et al. Analyse des Kristallplastizitätsgrenzdiagramms von gewalzten Aluminiumblechen. Metall. Mater. Trans. A. 29(2), 527–535 (1998).

Artikel Google Scholar

Elangovan, K., Sathiya Narayanan, C. & Narayanasamy, R. Modellierung des Umformgrenzendiagramms von perforierten kommerziellen Reinaluminiumblechen unter Verwendung eines künstlichen neuronalen Netzwerks. Berechnen. Mater. Wissenschaft. 47(4), 1072–1078 (2010).

Artikel CAS Google Scholar

Kotkunde, N., Deole, AD & Gupta, AK Vorhersage des Formungsgrenzdiagramms für eine Ti-6Al-4V-Legierung unter Verwendung eines künstlichen neuronalen Netzwerks. Proz. Mater. Wissenschaft. 6, 341–346 (2014).

Artikel CAS Google Scholar

Mohamed, M. et al. Vorhersage der Bildung eines Grenzdiagramms für AA5754 mithilfe der Modellierung eines künstlichen neuronalen Netzwerks. Schlüssel-Ing. Mater. 716, 770–778 (2016).

Artikel Google Scholar

Derogar, A. & Djavanroodi, F. Modellierung eines künstlichen neuronalen Netzwerks zur Bildung von Grenzdiagrammen. Mater. Hersteller Prozesse 26(11), 1415–1422 (2011).

Artikel CAS Google Scholar

Jang, JR ANFIS: Adaptives netzwerkbasiertes Fuzzy-Inferenzsystem. IEEE Trans. Syst. Mann Cybern. 23(3), 665–685 (1993).

Artikel Google Scholar

Lu, Y.-H. et al. Studie zur Verwendung von ANFIS zur Vorhersage im Bohrungsaufweitungsprozess. Int. J. Adv. Hersteller Technol. 26(5–6), 544–551 (2005).

Artikel Google Scholar

Esfahani, RT, Golabi, S. & Zojaji, Z. Optimierung des Finite-Elemente-Modells der Laserformung auf Kreisbahnen mithilfe genetischer Algorithmen und ANFIS. Soft Comput. 20(5), 2031–2045 (2016).

Artikel Google Scholar

Singh, R., Kainthola, A. & Singh, T. Schätzung der elastischen Konstante von Gesteinen mithilfe eines ANFIS-Ansatzes. Appl. Soft Comput. 12(1), 40–45 (2012).

Artikel Google Scholar

Zamanian, H., BOSTAN, SM, Assempour, A. Erste Rohlingskonstruktion tiefgezogener orthotroper Materialien unter Verwendung der inversen Finite-Elemente-Methode. (2014).

Feng, F. et al. Einfluss der Formgeometrie auf die Formbarkeit der 5052-Aluminiumlegierung bei der elektromagnetischen Stoßverformung. Materialien 11(8), 1379 (2018).

Artikel ADS Google Scholar

Habibi, M. et al. Erstellen von Grenzdiagrammen durch Einbeziehung des MK-Modells in die Finite-Elemente-Simulation unter Berücksichtigung des Biegeeffekts. Proz. Institut. Mech. Ing. Teil L: J Mater. Designanwendung 232(8), 625–636 (2018).

Google Scholar

Wang, H. et al. Experimentelle und theoretische Untersuchungen der Umformgrenze von 5754O-Aluminiumlegierungsblechen unter verschiedenen kombinierten Belastungspfaden. Int. J. Mech. Wissenschaft. 133, 147–166 (2017).

Artikel Google Scholar

El Fakir, O. et al. Vorhersage des Einflusses von Temperatur-, Dehnungsgeschwindigkeits- und Dehnungswegänderungen auf die Umformgrenze leichter Blechlegierungen. Proz. Ing. 81, 736–741 (2014).

Artikel CAS Google Scholar

Casari, F. et al. Einfluss von Stempeldurchmesser, Rastermaß und Schmierung auf das Grenzformänderungsdiagramm. J. Test. Bewertung. 34(1), 24–30 (2006).

Google Scholar

Ji, Z. et al. Bildungsprozess halbfester AZ31B-Mikrostrukturen durch spannungsinduzierte Schmelzaktivierungsmethode. Mater. Charakter. 59(7), 905–911 (2008).

Artikel CAS Google Scholar

Narayanan, S., McDowell, DL & Zhu, T. Kristallplastizitätsmodell für BCC-Eisen, atomistisch informiert durch die Kinetik der korrelierten Knickpaar-Keimbildung bei Schraubenversetzung. J. Mech. Physik. Feststoffe 65, 54–68 (2014).

Artikel ADS CAS Google Scholar

Habibi, M. et al. Experimentelle Untersuchung der mechanischen Eigenschaften, Umformbarkeit und Umformgrenzdiagramme für durch Rührreibschweißen hergestellte maßgeschneiderte Platinen. J. Manufaktur Verfahren. 31, 310–323 (2018).

Artikel Google Scholar

Bressan, J. Der Einfluss von Materialfehlern auf die Umformbarkeit von Blechen. J. Mater. Verfahren. Technol. 72(1), 11–14 (1997).

Artikel Google Scholar

Hajian, M. & Assempour, A. Numerische Studie über die Auswirkungen der Hauptkomponenten der BCC-Walztextur auf die Formbarkeit von Blechen. Int. J. Adv. Hersteller Technol. 80(1–4), 245–253 (2015).

Artikel Google Scholar

Kuroda, M. Auswirkungen der kristallographischen Textur auf die Lokalisierung des plastischen Flusses. Schlüssel-Ing. Mater. https://doi.org/10.4028/www.scientific.net/KEM.340-341.211 (2007).

Artikel Google Scholar

Barlat, F. Kristallographische Textur, anisotrope Fließflächen und Umformgrenzen von Blechen. Mater. Wissenschaft. Ing. 91, 55–72 (1987).

Artikel CAS Google Scholar

Kumar, DR Formbarkeitsanalyse von extratiefgezogenem Stahl. J. Mater. Verfahren. Technol. 130, 31–41 (2002).

Artikel Google Scholar

Amelirad, O. & Assempour, A. Gekoppelte Kontinuumsschadensmechanik und Kristallplastizitätsmodell und seine Anwendung bei der Schadensentwicklung in polykristallinen Aggregaten. Ingenieurwesen mit Computern. 1–15. https://doi.org/10.1007/s00366-021-01346-2 (2021).

Xu, A. et al. In-situ-Mikrozuguntersuchung der Dehnungsgeschwindigkeitsreaktion entlang der Richtungen < 100> und < 110> in einkristallinem Nickel. Int. J. Plast 106, 129–144 (2018).

Artikel CAS Google Scholar

Yamaguchi, K. & Mellor, P. Dicken- und Korngrößenabhängigkeit der Grenzdehnungen beim Blechstrecken. Int. J. Mech. Wissenschaft. 18(2), 85–90 (1976).

Artikel Google Scholar

Azghandi, SHM, Weiss, M. & Barnett, MR Der Einfluss der Korngröße auf die Biegeformungsgrenzen in der AZ31-Mg-Legierung. JOM 72(7), 2586–2596 (2020).

Artikel ADS CAS Google Scholar

Barnwal, VK et al. Einfluss von Mikrostruktur und Textur auf das Umformverhalten von AA-6061-Aluminiumlegierungsblechen. Mater. Wissenschaft. Eng., A 679, 56–65 (2017).

Artikel CAS Google Scholar

Takagi, T. & Sugeno, M. Fuzzy-Identifikation von Systemen und ihre Anwendungen zur Modellierung und Steuerung. IEEE Trans. Syst. Mann Cybern. 1, 116–132 (1985).

Artikel Google Scholar

Ghazanfari, A. et al. Vorhersage der FLD für Bleche unter Berücksichtigung der Scherspannungen durch die Dicke. Mech. Basierend auf Des. Struktur. Mach. 48(6), 755–772 (2020).

Artikel Google Scholar

Habibi, M., Ghazanfari, A., Asempour, A. et al. Bestimmung des Grenzformungsdiagramms unter Verwendung zweier modifizierter Finit-Elemente-Modelle. AmirKabir J. Mech. Ing. 48(4), 141–144 (2017).

Google Scholar

Ghazanfari, A. et al. Untersuchung des effektiven Bereichs der Schubspannung durch die Dicke im Grenzformänderungsdiagramm unter Verwendung eines modifizierten Marciniak-Kuczynski-Modells. Modares Mech. Ing. 16(1), 137–143 (2016).

Google Scholar

Hajian, M. & Assempour, A. Experimentelle und numerische Bestimmung des Verformungsgrenzendiagramms für 1010-Stahlblech: Ein Kristallplastizitätsansatz. Int. J. Adv. Hersteller Technol. 76(9–12), 1757–1767 (2015).

Artikel Google Scholar

Referenzen herunterladen

Hochschule für Geisteswissenschaften und Pädagogik, Xijing-Universität, Xi'an, 710123, Shaanxi, Volksrepublik China

Yichen Xie

Shanghai Jianqiao University, Shanghai, 201306, Volksrepublik China

Yuping Wu

Fakultät für Landwirtschaft, Abteilung Biosystemtechnik, Universität Tabriz, Tabriz, Iran

Arman Jalali

School of Engineering, Universität für Wissenschaft und Technologie Peking, Peking, 100083, Volksrepublik China

Huajie Zhou

College of Engineering, Fachbereich Bauingenieurwesen, Prince Sattam Bin Abdulaziz University, Al-Kharj, 16273, Saudi-Arabien

Mohamed Amine Khadimallah

Labor für Systeme und angewandte Mechanik, Polytechnische Schule Tunesiens, Universität Karthago, Tunis, Tunesien

Mohamed Amine Khadimallah

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Yichen Xie führte zusätzliche FLD-Tests durch und berichtete über die Ergebnisse. Youping Wu erarbeitete die Anwendung der ANFIS-Methode und schrieb das Manuskript. Arman Jalali trug zum Entwurf und der Modifikation des neuronalen Netzwerks bei. Huajie Zhou schrieb das Hauptmanuskript, bereitete Tabellen und Abbildungen vor und führte Analysen durch. Mohamed Amine Khadimallah trug zum theoretischen Hintergrund der Formbarkeit von Blechen und zur Versuchsplanung bei. Alle Autoren überprüften das Manuskript.

Korrespondenz mit Yuping Wu oder Arman Jalali.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Xie, Y., Wu, Y., Jalali, A. et al. Auswirkungen der Dickenreduzierung beim Kaltwalzen auf die Umformbarkeit von Blechen mit ANFIS. Sci Rep 12, 10434 (2022). https://doi.org/10.1038/s41598-022-13694-0

Zitat herunterladen

Eingegangen: 27. Dezember 2021

Angenommen: 26. Mai 2022

Veröffentlicht: 21. Juni 2022

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Zeitschrift für Materialwissenschaft (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.