Optimization of Thermomechanical Processing under Double-Pass Hot Compression Tests of a High Nb and N-Bearing Austenitic Stainless-Steel Biomaterial Using Artificial Neural Networks
Notice bibliographique
Résumé
Physical simulation is a useful tool for examining the events that occur during the multiple stages of thermomechanical processing, since it requires no industrial equipment. Instead, it involves hot deformation testing in the laboratory, similar to industrial-scale processes, such as controlled hot rolling and forging, but under different conditions of friction and heat transfer. Our purpose in this work was to develop an artificial neural network (ANN) to optimize the thermomechanical behavior of stainless-steel biomaterial in a double-pass hot compression test, adapted to the Arrhenius–Avrami constitutive model. The method consists of calculating the static softening fraction (Xs) and mean recrystallized grain size (ds), implementing an ANN based on data obtained from hot compression tests, using a vacuum chamber in a DIL 805A/D quenching dilatometer at temperatures of 1000, 1050, 1100 and 1200 °C, in passes (ε1 = ε2) of 0.15 and 0.30, a strain rate of 1.0 s−1 and time between passes (tp) of 1, 10, 100, 400, 800 and 1000 s. The constitutive analysis and the experimental and ANN-simulated results were in good agreement, indicating that ASTM F-1586 austenitic stainless steel used as a biomaterial undergoes up to Xs = 40% of softening due solely to static recovery (SRV) in less than 1.0 s interval between passes (tp), followed by metadynamic recrystallization (MDRX) at strains greater than 0.30. At T > 1050 °C, the behavior of the softening curves Xs vs. tp showed the formation of plateaus for long times between passes (tp), delaying the softening kinetics and modifying the profile of the curves produced by the moderate stacking fault energy, γsfe = 69 mJ/m2 and the strain-induced interaction between recrystallization and precipitation (Z-phase). Thus, the use of this ANN allows one to optimize the ideal thermomechanical parameters for distribution and refinement of grains with better mechanical properties.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».