Constitutive Modeling of High‐Temperature Deformation Behavior of Nonoriented Electrical Steels as Compared to Machine Learning
Notice bibliographique
Résumé
Hot rolling is a critical thermomechanical processing step for nonoriented electrical steel (NOES) to achieve optimal mechanical and magnetic properties. Depending on the silicon and carbon contents, the electrical steel may or may not undergo austenite–ferrite phase transformation during hot rolling, which requires different process controls as the austenite and ferrite show different flow stresses at high temperatures. Herein, the high‐temperature flow behaviors of two nonoriented electrical steels with silicon contents of 1.3 and 3.2 wt% are investigated through hot compression tests. The hot deformation temperature is varied from 850 to 1050 °C, and the strain rate is differentiated from 0.01 to 1.0 s −1 . The measured stress‐strain data are fitted using various constitutive models (combined with optimization techniques), namely, Johnson–Cook, modified Johnson–Cook, Zener–Hollomon, Hensel–Spittel, modified Hensel–Spittel, and modified Zerilli–Armstrong. The results are also compared with a model based on deep neural network (DNN). It is shown that the Hensel–Spittel model results in the smallest average absolute relative error among all the constitutive models, and the DNN model can perfectly track almost all the experimental flow stresses over the entire ranges of temperature, strain rate, and strain.
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 | 0,001 | 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 ».