Utilisation of fuzzy logic and genetic algorithm to seek optimal corrugated die design for CGP of AZ31 magnesium alloy
Notice bibliographique
Résumé
Magnesium alloys are the first choice among other lightweight structural metals like aluminium, titanium and beryllium due to low density and excellent corrosion resistance. However, low slip and cold plastic processing ability limits its applications. Constrained groove pressing (CGP), one among the SPD techniques, is well suited for improving the material properties. Corrugated dies are designed to investigate the deformation behaviour of AZ31 Mg alloy samples. To minimise the number of numerical simulations, Taguchi’s L9 orthogonal array is selected for the grooved die dimensions (viz. groove angle, groove width and coefficient of friction). Elasto-plastic finite element analysis is performed by implementing a multi-criterion-based genetic algorithm optimisation tool for obtaining the optimal die geometry. Reduction in total deformation, increase in the equivalent stress and elastic strain of AZ31 sheet were possible with 50° groove angle, 3 mm groove width and 0.22 friction coefficient. Mamdani-based fuzzy logic soft computing tool is implemented for the model to examine the deformation behaviour of AZ31 Mg alloy. 7.86 % deviation is observed in the fuzzy logic model predictions in comparison with simulation results. The suggested die design is well suitable for multiple CGP passes, to improve the grain refinement in the processed sheet.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».