A Unique Method to Determine Ferrite and Martensite Phase Stress–Strain Curve for Manufacturing Process
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Finite element (FE) methods have been extensively used to simulate the effects of material’s microstructure during machining processes. However, determination of the individual microstructure phase stress–strain curves is experimentally intensive and difficult to measure. Furthermore, these curves were also affected by heat treatment processes, chemical composition, and the percentage of individual microstructure phases. The objective of this paper is to develop and validate the Micromechanical Adaptive Iteration Algorithm to calculate the individual ferrite and martensite plastic behavior for dual-phase (DP) steel. This method requires a minimum of three experimental stress–strain curves from the same material with three different martensite volume fractions (Vm). Two of the stress–strain curves with different Vm are required to initialize the iteration algorithm to predict the individual plastic behavior of ferrite and martensite. The third stress–strain curve is used to validate the plastic behavior of individual ferrite and martensite for the given DP steel. Following on from here, the proposed algorithm was validated with two different grades of DP steel with 0.088%C and 0.1%C. Validation results show that the approach has consistent prediction capabilities, and the maximum difference observed between predicted and experimental results was 6.5%. The simulated results also show that the degree of strain partitioning between ferrite and martensite decreases with Vm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle