Artificial Neural Network-Based Critical Conditions for the Dynamic Recrystallization of Medium Carbon Steel and Application
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
This study presents a novel and thorough approach to comprehending and simulating the DRX process while hot compressing steel. To achieve this goal, we studied the high-temperature deformation behavior of a medium-carbon steel through hot compression testing on a Gleeble-3800 thermomechanical simulator over a broad range of strains, strain rates, and temperatures. We also employed an artificial neural network (ANN) to model the thermo-visco-plastic behavior with a flow law. The precision of quantifying the DRX volume fraction is dependent on critical conditions, which are essential for both analytical model evaluation and numerical implementation in finite element software. This study proposes a second ANN, serving as a universal approximator, to fit the data required for DRX critical condition calculations, whereas the Johnson–Mehl–Avrami–Kohnogorov (JMAK) model served as an analytical tool to estimate the DRX volume fraction, which underwent validation through experimental measurements. A numerical implementation of the JMAK model was conducted in ABAQUS software and compared against experimental data by means of microstructure analysis. The comparison revealed a strong correlation between the simulation and experiment. The study investigated the impact of temperature, strain, and strain rate on DRX evolution. The findings showed that DRX increases with rising temperature and strain but decreases with increasing strain rate.
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