Detail publikace

Predikce tranzitního chování lomové houževnatosti z výsledků zkoušek tahem prostřednictvím neuronových sítí

AL KHADDOUR, S. STRATIL, L. VÁLKA, L. DLOUHÝ, I.

Český název

Predikce tranzitního chování lomové houževnatosti z výsledků zkoušek tahem prostřednictvím neuronových sítí

Anglický název

Prediction of fracture toughness transition from tensile test data using artificial neural networks

Typ

článek ve sborníku ve WoS nebo Scopus

Jazyk

en

Originální abstrakt

The aim of this paper is develop prediction procedure for the fracture toughness transition from tensile test data using artificial neural networks. In total 29 experimental data sets from low alloy steels are applied to validate the model of reference temperature prediction. The tensile tests have been done at general yield temperature of circumferential notched tensile tests (purely brittle fracture temperature) and at room temperature (purely ductile fracture temperature). To build the model, all parameters of tensile test and hardness values were used as input variables. The study indicates that the reference temperature characterizing the fracture toughness transition behaviour in low alloy steels with predominantly ferritic structure is predictable on the basis of selected characteristics of tensile test.

Český abstrakt

Cílem této práce je vyvinout postup pro predikci teplotní závislosti lomové houževnatoti na základě výsledků zkoušek tahem s využitím umělých neuronových sítí. Pro vytvoření a oveření modelu predikce referenční teploty je použito celkem 29 souborů experimentálních dat.

Anglický abstrakt

The aim of this paper is develop prediction procedure for the fracture toughness transition from tensile test data using artificial neural networks. In total 29 experimental data sets from low alloy steels are applied to validate the model of reference temperature prediction. The tensile tests have been done at general yield temperature of circumferential notched tensile tests (purely brittle fracture temperature) and at room temperature (purely ductile fracture temperature). To build the model, all parameters of tensile test and hardness values were used as input variables. The study indicates that the reference temperature characterizing the fracture toughness transition behaviour in low alloy steels with predominantly ferritic structure is predictable on the basis of selected characteristics of tensile test.

Klíčová slova česky

oceli; lomová houževnatost; zkouška tahem; umělé neuronové sítě; referenční teplota

Klíčová slova anglicky

steels; fracture toughness; tensile test; artificial neural networks; reference temperature

Vydáno

02.06.2016

Nakladatel

Brno University of Technology

Místo

Brno

ISBN

978-80-214-5358-6

Kniha

MULTI-SCALE DESIGN OF ADVANCED MATERIALS - CONFERENCE PROCEEDINGS

Číslo edice

1

Strany od–do

79–86

Počet stran

8

BIBTEX


@inproceedings{BUT126186,
  author="Samer {Al Khaddour} and Luděk {Stratil} and Libor {Válka} and Ivo {Dlouhý},
  title="Prediction of fracture toughness transition from tensile test data using artificial neural networks",
  booktitle="MULTI-SCALE DESIGN OF ADVANCED MATERIALS - CONFERENCE PROCEEDINGS",
  year="2016",
  month="June",
  pages="79--86",
  publisher="Brno University of Technology",
  address="Brno",
  isbn="978-80-214-5358-6"
}