Revista de Metalurgia, Vol 52, No 2 (2016)

Estudio del comportamiento termo-mecánico de un acero microaleado de medio carbono durante un proceso de conformado en caliente usando una red neuronal artificial


https://doi.org/10.3989/revmetalm.066

Ignacio Alcelay
Universidad Politécnica de Cataluña, EPSEM, Departamento de Ingeniería Mecánica, España

Esteban Peña
Universidad Politécnica de Cataluña, EPSEM, Departamento de Ingeniería Mecánica, España

Anas Al Omar
Universidad Politécnica de Cataluña, EPSEM, Departamento de Ingeniería Mecánica, España

Resumen


El comportamiento termo-mecánico de un acero microaleado de medio carbono ha sido analizado mediante una Red Neuronal Artificial (RNA). Las curvas de fluencia para el entrenamiento de la RNA han sido obtenidas mediante ensayos de compresión en caliente que se efectuaron a temperaturas que oscilaron entre 1150 °C y 900 °C a incrementos de 50 °C, y en un intervalo de velocidades de deformación que varió entre 10-4 y 10 s-1. Se ha podido comprobar que el modelo de RNA, desarrollado en el presente trabajo, es capaz de predecir con exactitud y eficiencia el comportamiento de fluencia en caliente del acero estudiado y existe un buen acuerdo entre los resultados experimentales y los resultados de la RNA. Para analizar la conformabilidad del acero microaleado se han construido mapas de procesado basados en el modelo dinámico de materiales (DMM) usando los valores de la tensión de fluencia obtenidos mediante la RNA. El estudio de los mapas revela los diferentes dominios de la fluencia plástica del acero estudiado y muestra la gran similitud entre los resultados experimentales y los resultados teóricos, por lo que el uso de la RNA puede constituir una alternativa muy interesante para el diseño y el estudio de los procesos de conformado en caliente.

Palabras clave


Aceros microaleados; Conformado en caliente; Mapas de procesado; Modelo dinámico de materiales; Red neuronal artificial

Texto completo:


HTML PDF XML

Referencias


Akbari, Z., Mirzadeh, H., Cabrera, J.M. (2015). A simple constitutive model for predicting flow stress of medium carbon microalloyed steel during hot deformation. Mater. Design 77, 126–131. http://dx.doi.org/10.1016/j.matdes.2015.04.005

Al Omar, A. (1996). Caracterización dinámica de dos aceros microaleados de medio carbono mediante ensayos de compresión a alta temperatura. Aplicación de mapas de procesado, Tesis Doctoral, Univ. Politécnica de Catalu-a, Barcelona.

Al Omar, A., Cabrera, J.M., Prado, J.M. (1996). Characterization of the hot deformation in a microalloyed medium carbon steel using processing maps. Scripta Mater. 34 (8), 1303–1308. http://dx.doi.org/10.1016/1359-6462(95)00651-6

Al Omar, A., Cabrera, J.M., Prado, J.M. (1997), Aplicación de los mapas de procesado en la optimización de los parámetros de un proceso de conformado en caliente. II parte. Mapas de procesado de un acero microaleado con un contenido medio de carbono. Rev. Metal. 33 (3), 153–160. http://dx.doi.org/10.3989/revmetalm.1997.v33.i3.858

Al Omar, A., Alcelay, I., Prado, J.M. (2010). Criterios de predicción de inestabilidades pl.sticas en procesos de conformado en caliente. (Parte II. Caracterización de la fluencia plástica de un acero microaleado de medio carbono usando criterios continuos y fenomenol.gicos). Rev. Metal. 46 (2), 162–172. http://dx.doi.org/10.3989/revmetalm.0937

Alcelay, I., Al Omar, A., Prado, J.M. (2014). Characterization of hot flow behaviour and deformation stability of microalloyed steel using artificial neural networks and dynamic material model. Int. J. Mater. Res. 105 (8), 743–754. http://dx.doi.org/10.3139/146.111077

Alcelay, I. (2015). Modelización de los procesos de conformado en caliente de aceros microaleados de medio carbono mediante la aplicación de redes neuronales artificiales, Tesis Doctoral, Univ. Polit.cnica de Catalu-a, Barcelona.

Bakkali-El Hassani, F., Chenaoui, A., Dkiouak, R., Elbakkali, L., Al Omar, A. (2008). Characterization of deformation stability of medium carbon microalloyed steel during hot forging using phenomenological and continuum criteria. J. Mater. Process. Tech. 199 (1–3), 140–149. http://dx.doi.org/10.1016/j.jmatprotec.2007.08.004

Cabrera, J.M., Al Omar, A., Prado, J.M., Jonas, J.J. (1997). Modeling the flow behavior of a medium carbon microalloyed steel under hot working conditions. Metall. Mater. Trans. A 28 (11), 2233–2244. http://dx.doi.org/10.1007/s11661-997-0181-8

Ceschini, L., Marconi, A., Martini, C., Morri, A., Di Schino, A. (2013). Tensile and impact behaviour of a microalloyed medium carbon steel: Effect of the cooling condition and corresponding microstructure. Mater. Design 45, 171–178. http://dx.doi.org/10.1016/j.matdes.2012.08.063

Chai, R.X., Guo, C., Yu, L. (2012). Two flowing stress models for hot deformation of XC45 steel at high temperature. Mat. Sci. Eng. A-Struct. 534, 101–110. http://dx.doi.org/10.1016/j.msea.2011.11.047

Da Silva, M.L.N., Regone, W., Button, S.T. (2006). Microstructure and mechanical properties of microalloyed steel forgings manufactured from cross-wedge-rolled preforms. Scripta Mater. 54 (2), 213–217. http://dx.doi.org/10.1016/j.scriptamat.2005.09.023

Ehrman, J.M., Higuchi, K., Clair, T.A. (2000). Backcasting to test the use of neural networks for predicting runoff in canadian rivers. Can. Water Resour. J. 25 (3), 279–291. http://dx.doi.org/10.4296/cwrj2503279

Frost, H.J., Ashby, M.F. (1982). Deformation-mechanism Maps: The Plasticity and Creep of Metals and Ceramics, Chapter: 1–5, Ed. Pergamon Press, Oxford, England.

Gupta, A.K., Singh, S.K., Reddy, S., Hariharan, G. (2012). Prediction of flow stress in dynamic strain aging regime of austenitic stainless steel 316 using artificial neural network. Mater. Design 35, 589–595. http://dx.doi.org/10.1016/j.matdes.2011.09.060

Hagan, M.T., Demuth, H.B., Beale, M. (2002). Neural Network Design, Thomson Learning, Singapur.

Haykin, S. (1999). Neural networks: A comprehensive foundation, Prentice Hall International, Englewood Cliffs, USA.

Hui, W., Zhang, Y., Shao, C., Chen, S., Zhao, X., Dong, H. (2015). Microstructural effects on high-cycle fatigue properties of microalloyed medium carbon steel 38MnVS. Mat. Sci. Eng. A-Struct. 640, 147–153. http://dx.doi.org/10.1016/j.msea.2015.05.054

Jahazi, M., Eghbali, B. (2001). The influence of hot forging conditions on the microstructure and mechanical properties of two microalloyed steels. J. Mater. Process. Tech. 113 (1–3), 594–598. http://dx.doi.org/10.1016/S0924-0136(01)00599-4

Jenab, A., Taheri, A.K. (2014). Experimental investigation of the hot deformation behavior of AA7075: Development and comparison of flow localization parameter and dynamic material model processing maps. Int. J. Mech. Sci. 78, 97–105. http://dx.doi.org/10.1016/j.ijmecsci.2013.11.003

Kaynar, A., Gündüz, S., Türkmen, M. (2013). Investigation on the behaviour of medium carbon and vanadium microalloyed steels by hot forging test. Mater. Design 51, 819–825. http://dx.doi.org/10.1016/j.matdes.2013.04.102

Naylor, D.J. (1998). Microalloyed forging steels. Mater. Sci. Forum 284–286, 83–94. http://dx.doi.org/10.4028/www.scientific.net/MSF.284-286.83

Phaniraj, M.P., Lahiri, A.K. (2003). The applicability of neural network model to predict flow stress for carbon steels. J. Mater. Process. Tech. 141 (2), 219–227. http://dx.doi.org/10.1016/S0924-0136(02)01123-8

Prasad, Y.V.R.K., Gegel, H.L., Doraivelu, S.M., Malas, J.C., Morgan, J.T., Lark, K.A., Barker, D.R. (1984). Modeling of dynamic material behavior in hot deformation: Forging of Ti-6242. Metall. Trans. A 15 (10), 1883–1892. http://dx.doi.org/10.1007/BF02664902

Prasad, Y.V.R.K., Sasidhara S. (1997). Hot Working Guide: A Compendium of Processing Maps, ASM International, Materials Park, Ohio, USA.

Prasad, Y.V.R.K., Seshacharyulu, T. (1998). Modelling of hot deformation for microstructural control. Int. Mater. Rev. 43 (6), 243–258. http://dx.doi.org/10.1179/imr.1998.43.6.243

Prigogine, I. (1978). Time, Structure and Fluctuations. Science 201 (4358), 777–785. http://dx.doi.org/10.1126/science.201.4358.777 PMid:17738519

Raj, R. (1981). Development of a processing map for use in warm-forming and hot-forming processes. Metall. Trans. A 12 (6), 1089–1097. http://dx.doi.org/10.1007/BF02643490

Reddy, N.S., Panigrahi, B.B., Ho, C.M., Kim, J.H., Lee, C.S. (2015). Artificial neural network modeling on the relative importance of alloying elements and heat treatment temperature to the stability of a and b phase in titanium alloys. Comp. Mater. Sci. 107, 175–183. http://dx.doi.org/10.1016/j.commatsci.2015.05.026

Shaban, M., Eghbali, B. (2010). Determination of critical conditions for dynamic recrystallization of a microalloyed steel. Mater. Sci. Eng. A 527 (16–17), 4320–4325. http://dx.doi.org/10.1016/j.msea.2010.03.086

Shang, X., Zhou, J., Wang, X., Luo, Y. (2015). Optimizing and identifying the process parameters of AZ31 magnesium alloy in hot compression on the base of processing maps. J. Alloy. Compd. 629, 155–161. http://dx.doi.org/10.1016/j.jallcom.2014.12.251

Smith, M. (1993). Neural networks for statistical modelling, Van Nostrand Reinhold, Nueva York, USA.

Wellstead, P.E. (1979). Introduction to Pysical Systems Modelling, Ed. Academic Press, London, England.

Zhao, J., Ding, H., Zhao, W., Huang, M., Wei, D., Jiang, Z. (2014). Modelling of the hot deformation behaviour of a titanium alloy using constitutive equations and artificial neural network. Comp. Mater. Sci. 92, 47–56. http://dx.doi.org/10.1016/j.commatsci.2014.05.040

Ziegler, H. (1963). Progress in solid mechanica, Vol. 4, Ed. I.N. Sneddon y R. Hill, John Wiley & Sons, Nueva York, USA.




Copyright (c) 2016 Consejo Superior de Investigaciones Científicas (CSIC)

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.


Contacte con la revista revmetal@cenim.csic.es

Soporte técnico soporte.tecnico.revistas@csic.es