MétaCan
Menu
Retour à la cohorte
Enregistrement W4390964260 · doi:10.1088/1361-651x/ad200b

A unique numerical iterative approach for modelling individual phase stress-strain curves in dual phase steel

2024· article· en· W4390964260 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueModelling and Simulation in Materials Science and Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrostructure and Mechanical Properties of Steels
Établissements canadiensMcMaster University
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceMartensiteDual-phase steelMicrostructureFerrite (magnet)CalibrationExperimental dataVolume fractionStress (linguistics)Calibration curveUltimate tensile strengthPhase (matter)Finite element methodPlasticityStress–strain curveComposite materialStructural engineeringMetallurgyDeformation (meteorology)Mathematics

Résumé

récupéré en direct d'OpenAlex

Abstract Understanding the effects of martensite volume fractions ( V m ) in dual phase (DP) steel resulting from heat treatment is crucial for designing structures for mechanical impact resistance and optimizing manufacturing processes. DP steel’s material behaviour depends heavily on its microstructure properties. While stress-strain curves for individual phases in DP steels are often determined using empirical models, extensive experimental data is required to establish empirical model constants. This research aims to achieve two main objectives: firstly, to calibrate stress-strain curves for pure ferrite and pure martensite using limited experimental data using micromechanical adaptive iteration algorithm (MAIA). This calibration involves using stress-strain data from DP steels with varying V m during the calibration stage and additional data for verification. Secondly, to conduct a comprehensive sensitivity analysis of MAIA to assess its capabilities and limitations. Microstructure-based finite element (FE) models, simulated with ABAQUS/Standard, are employed to predict stress-strain curves under uniaxial tensile test conditions. The MAIA approach successfully calculated ferrite and martensite stress-strain curves that could predict plastic behaviour of DP steel with different V m , which agreed with experimental work. Key advantages of this approach include avoiding complex 3D microstructure geometries and requiring only two experimentally obtained stress-strain curves with different V m for material constant calibration, along with another curve for validation. However, the experimental data selected for calibration must have a V m difference between 20%–50% and one of the DP steels must have a low martensite volume fraction. The FE micromechanical model could capture the effect of softening of martensite phase and strengthening of ferrite phase as compared to its bulk properties for DP steel. The effect of V m on strain hardening rate was also successfully captured. This technique comes with obvious shortcomings, such as excluding crystal plasticity behaviour, and change in chemical composition within the individual phase with varying martensite volume fraction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,533
Score d'incertitude au seuil0,634

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,279
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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