Resumen

Para aumentar aún más la economía de producción del acero para herramientas AISI A2, se ha llevado a cabo un estudio sobre la posibilidad de ampliar la gama de trabajo en caliente y una mejor predicción de la tensión de flujo. Mediante ensayos de compresión en caliente se demostró que las microestructuras iniciales influyen en el límite inferior y la composición química en el límite superior del rango de trabajo en caliente. Se aplicó una red neuronal CAE para predecir las tensiones de flujo para valores intermedios de velocidades de deformación y temperaturas. Con fines de optimización, se calcularon las energías de activación y las constantes de la función sinusoidal hiperbólica para dos rangos de temperaturas (850-1000°C y 1000-1150°C).

INTRODUCCIÓN

Con el fin de optimizar el proceso de conformado en caliente de los aceros para herramientas, es necesario seguir mejorando la predicción de la tensión de flujo y obtener conocimientos adicionales sobre la deformabilidad en caliente, especialmente en los límites inferior y superior del intervalo de trabajo en caliente. Los rangos de trabajo en caliente de estos aceros son muy estrechos como consecuencia del papel de los elementos de aleación, que forman carburos. Los carburos mejoran la templabilidad, resistencia, dureza, etc. del acero para herramientas, pero al mismo tiempo disminuyen la deformabilidad en caliente. El límite inferior del intervalo de trabajo en caliente viene determinado por la forma, el tamaño y el tipo de los carburos que precipitan en el interior del grano y en los límites del grano. Por otro lado, el límite superior viene determinado por la aparición de la fusión incipiente de carburos eutécticos y por la segregación de Cu, Sn, Se o sus fases con bajo punto de fusión en los límites de grano [1-7].

En la actualidad, la conformación en caliente (laminación) del acero para herramientas AISI A2 se orienta cada vez más hacia dimensiones iniciales más grandes de las piezas laminadas y hacia dimensiones de salida más pequeñas (inferiores a Φ=10. mm) que, en consecuencia, requieren temperaturas de deformación final más bajas (inferiores a 900°C). Para lograr reducciones óptimas de la sección transversal, la precisión de la predicción de la tensión de flujo debe estar dentro del intervalo del 5% [8]. En el caso de los aceros para herramientas, esta precisión no puede obtenerse utilizando diversos modelos empíricos y semiempíricos, debido al complejo papel de los carburos [9-13]. Las redes neuronales se utilizan hoy en día para resolver estos sistemas complejos [14-18]. En el pasado, las redes neuronales de BP ya se habían utilizado para la predicción de curvas de flujo, pero los autores [17-19] no presentaron las curvas de flujo para valores intermedios de velocidades de deformación y temperaturas simultáneamente. Por otro lado, esto se ha hecho en [20-21] pero la precisión era cuestionable o las NN eran demasiado torpes. Por lo tanto, los objetivos de la presente contribución son, en primer lugar, aplicar métodos adaptativos avanzados adecuados para el manejo de sistemas complejos y, en segundo lugar, estudiar la posibilidad de ampliar la zona de trabajo en caliente.

• Materias:Redes neuronales artificiales Optimización de procesos Acero
• Subjects:Artificial neural networks Process optimization Steel
• Palabras claves:Acero para herramientas A2; Trabajabilidad en caliente; Energía de activación; Redes neuronales CAE
• Keywords:A2 tool steel; Hot workability; Activation energy; CAE neural networks