Resumen

Los experimentos de compresión en caliente se llevan a cabo en piezas de trabajo de acero mediante el simulador termo-mecánico Gleeble 1500 en un amplio rango de temperaturas de 800 °C - 1200 °C con velocidades de deformación de 0,1 s^-1, 1,0 s^-1 y 8,0 s^-1 y deformaciones reales de 0,0 a 0,5. Las curvas de flujo en caliente se estimaron mediante redes neuronales CAE. Las curvas de flujo en caliente se estimaron mediante redes neuronales CAE. Se aplicaron los métodos del parámetro de suavidad constante y del parámetro de suavidad no constante (elipsoidal). El uso de este último resultó ser más exacto (hasta un 3,4 %) y más sencillo si lo comparamos con los datos existentes para la predicción de la curva de flujo del acero para herramientas mediante NN BP (hasta un 7 %), ya que el método propuesto arroja mejores resultados. La energía de activación y otros parámetros de la ecuación hiperbólico-seno se calcularon según el método propuesto por McQueen et al. y según el método propuesto recientemente por Kugler et al. Este último arroja mejores resultados en la predicción de los valores máximos de las curvas de flujo en caliente.

INTRODUCCIÓN

Debido a la tecnología de conformado en caliente, debido a las demandas para mantener la posición competitiva, existen demandas constantes para la reducción de los costos primarios, para la mejora de la calidad de los productos y para el aumento de la productividad. Para que los tecnólogos puedan lograrlo en la práctica, los investigadores deben mejorar los modelos para la predicción del comportamiento del material durante el conformado en caliente y simplificar su aplicación. Las curvas de flujo del material formado son aquí tan importantes como la plasticidad en caliente [1 - 5]. Para lograr la mejor descripción posible de las curvas de flujo durante el conformado en caliente de metales, se han propuesto muchos modelos hasta ahora. En los registros funcionales clásicos calculamos las constantes del modelo a partir de la base de datos dada. Se sabe que las influencias de la mayoría de los factores en las curvas de flujo no son lineales; por lo tanto, la capacidad prevista de los modelos es limitada y oscila entre el 2 y el 60 %. En caso de datos experimentales adicionales sobre curvas de flujo o en caso de parámetros adicionales necesarios, además, debemos calcular las constantes del modelo nuevamente [5 - 11]. A pesar del gran progreso, los modelos físicos aún se limitan a los metales relativamente puros y, como tales, aún no se han aceptado suficientemente en la práctica [12]. Debido al hecho conocido de que el camino que lleva de los modelos empíricos a los físicos llevará más tiempo, algunos investigadores, cuyo objetivo es lograr una mejor predicción de las curvas de flujo caliente, comenzaron a usar caminos alternativos, p.

• Materias:Soldadura de acero Red neuronal artificial Metales Materiales Acero
• Subjects:Steel - Welding Artificial Neural Network Metals Materials Steel
• Palabras claves:Acero para herramientas; Compresión en caliente; Esfuerzo de fluencia; Red neuronal artificial; Energía de activación
• Keywords:Tool steel; Hot compression; Flow stress; Artificial neural network; Activation energy