基于机器学习的奥氏体不锈钢 316L 带材轧制中轧辊挠度的有限元通用模型
机器学习
2022-04-26 v2 材料科学
摘要
在带材轧制过程中,材料压力的大量作用力导致工作辊发生弹性变形,即挠曲过程。工作辊挠度的不可控量导致板材沿其宽度的允许厚度出现较大偏差。对于奥氏体不锈钢(ASS),由于奥氏体相在低温下的不稳定性,冷变形会导致应变诱发马氏体(SIM)的生成,从而改善力学性能。这使得 ASS 316L 在冷变形过程中发生硬化,导致其应力-应变曲线呈非线性行为,从而区别于其他类别的钢。为考虑此现象,我们提出利用机器学习(ML)方法更准确地预测 ASS 316L 在冷轧过程中的流动应力。此外,我们进行了多种力学拉伸试验,以获得训练神经网络所需的 Stress316L 数据集。而且,我们不在多道次轧制过程中使用恒定的流动应力值,而是采用平衡方程的有限差分(FD)公式来考虑流动应力的动态行为,从而估算出带材在变形过程中施加于轧辊的平均压力。最后,利用有限元分析(FEA)计算工作辊工具的挠度。最终,我们得到了一个专门用于 ASS 316L 的轧辊挠度计算通用模型。据我们所知,这是首个针对 ASS 316L 考虑轧板的动态流动应力与 SIM、并使用有限元方法和 ML 方法的模型,有助于轧辊工具的优化设计。
引用
@article{arxiv.2102.02470,
title = {Machine Learning-Based Generalized Model for Finite Element Analysis of Roll Deflection During the Austenitic Stainless Steel 316L Strip Rolling},
author = {Mahshad Lotfinia and Soroosh Tayebi Arasteh},
journal= {arXiv preprint arXiv:2102.02470},
year = {2022}
}
备注
11 pages, 8 figures