Predikce lomové houževnatosti z tahové zkoušky za využití neuronové analýzy

Neural network prediction of fracture toughness from tensile test

abstract

en

The reference temperature localizing the fracture toughness temperature diagram on temperature axis was predicted based on tensile test data. Regularization neural network was developed to solve the correlation between these properties. First of all standard methodology of testing was applied to determine fracture toughness from three-point bend specimens. The fracture toughness transition dependence was quantified by means of master curve concept enabling to represent it using one parameter, i.e. reference temperature. The reference temperature was calculated applying the multi-temperature method. In next the different strength and deformation characteristics and parameters were determined from standard tensile specimens focusing on data from localized deformation during specimen necking. Tensile samples with circumferential notch were also examined. In total 29 data sets from low-alloy steels were applied for the analyses. A very promising correlation of predicted and experimentally determined values of reference temperature was found. Further analysis is however needed to increase the accuracy of predicted values and decrease the quantity of input data

Na základě dat z tahových zkoušek byla předpovězena referenční teplota, která vymezuje polohu diagramu lomové houževnatosti na teplotní ose. Pro řešení závislosti mezi uvedenými vlastnostmi byla vyvinuta regularizvaná neuronová síť. Nejprve byly standardním způsobem určeny hodnoty lomové houževnatosti ze vzorků pro tříbodový ohyb pro vybrané skupiny nízkouhlíkových ocelí. Pro získání referenční teploty lomové houževnatosti byl aplikován přístup tzv. Master křivky. Referenční teplota byla spočtena na základě vice-teplotního přístupu. V dalším byly určeny různé deformační a pevnostní charakteristiky získané z tahových zkoušek vrubovaných tyčí. Celkově bylo pro analýzy použito 29 datových souborů z nízkouhlíkových ocelí. Byla nalezena velmi slibná shoda mezi předpovězenou a experimentálně určenou hodnotou referenční teploty. Další analýzy jsou třeba ke zvýšení přesnosti předpovězených hodnot referenční teploty a snížení množství vstupních dat.

The reference temperature localizing the fracture toughness temperature diagram on temperature axis was predicted based on tensile test data. Regularization neural network was developed to solve the correlation between these properties. First of all standard methodology of testing was applied to determine fracture toughness from three-point bend specimens. The fracture toughness transition dependence was quantified by means of master curve concept enabling to represent it using one parameter, i.e. reference temperature. The reference temperature was calculated applying the multi-temperature method. In next the different strength and deformation characteristics and parameters were determined from standard tensile specimens focusing on data from localized deformation during specimen necking. Tensile samples with circumferential notch were also examined. In total 29 data sets from low-alloy steels were applied for the analyses. A very promising correlation of predicted and experimentally determined values of reference temperature was found. Further analysis is however needed to increase the accuracy of predicted values and decrease the quantity of input data

křehký tvárný přechod, lomová houževnatost, umělá neuronová síť, nízko-legované oceli

Brittle to ductile transition, Fracture Toughness, Artificial neural network, Low-alloy steels

04.10.2010

Karlsruhe(SRN)