Презентация
Использование вычислительных инструментов для централизованного моделирования или описания микроструктуры и характеристик сварных швов с использованием различных входных и выходных данных, содержащих экспериментальные измерения, неуклонно расширяется. Сложность этих инструментов варьируется от простой двухфакторной корреляции в электронных таблицах до искусственных нейронных сетей. Эффективность полученных результатов моделирования часто зависит не столько от сложности инструмента, сколько от 1. Физическая реальность исследуемых материалов, а также 2. Готовность критически оценить ограничения используемых методов. В этом случае статьи, недавно опубликованные в « Сварочном журнале» (ссылки 1 - 3), стоит читать еще раз. В этих работах авторы проанализировали обширные исторические данные, опубликованные Evans (см. 4) в 2015 году для сварки металлов из низководородной защищенной металлической дуги из низколегированной стали, чтобы разработать правила проектирования электродов, которые всегда превышают нормативные требования. Авторы (ссылки 1, 2) сначала применяют ряд фильтров электронных таблиц, чтобы уменьшить количество данных, рассматриваемых в любое время, до управляемого уровня, дополненного собственным опытом и другими общедоступными интернет - инструментами (ссылка 5), основанными на опубликованных искусственных нейронных сетях (ссылка 6) и данных расширения (ссылка 7). Для обобщения влияния Ti - B - Al - O - N на развитие микротканей и сварочные свойства используется ряд статистических и регрессионных корреляций. Этот простой подход, основанный на электронных таблицах, привлекателен для инженеров, которые сталкиваются с большими наборами данных и не могут использовать более сложные вычислительные инструменты. Тем не менее, даже если понять роль микролегированных добавок в микроструктуре и конечных характеристиках сварных швов, чрезмерное упрощение может привести к неправильным прогнозам и конфигурационным отклонениям.
Методы
Серия Ti - B - Al - O - N в исторических данных Evans состоит из 24 многопроцессорных комбинаций, охватывающих различные изменения микролегирования на уровне миллионных долей (Ti 1 - 540); B: От 1 до 195; Al: От 1 до 580; N: 41 - 249; O: 281 - 503). Все другие сплавные элементы (такие как C, Si и Mn) остаются как можно более последовательными. Выбор подмножеств, используемый авторами (ссылки 1 - 3), начинается с 13 из первоначальных 24 наборов данных (см. таблицу 1). Представляет тот же диапазон микросплавов, но меньше комбинаций. В рамках этой работы несколько тем были пересмотрены в контексте всех 24 наборов данных, чтобы проиллюстрировать потенциальные риски чрезмерного упрощения. Эти факторы включают a) корреляцию между микролегированием и вязкостью; b) корреляция между углеродным эквивалентом и производительностью; (c) Роль изменения начальной температуры и (d) чрезмерная зависимость от нейронных сетей.
Итоги и обсуждение
Устойчивость и микросплавление: Поднаборы из 13 наборов данных, которые авторы использовали в справочниках 1 и 2, являются результатом циклов многократного восстановления. Для достижения благоприятной числовой оптимизации авторы сначала ограничили углерод < 0,1%, а CEN < 0,3%. Вариант дальнейшего снижения « конкретной добавки сплава», чтобы рассмотреть начало перехода (TS) и температуру окончания, в конечном итоге получить 13 подмножеств. Это значительно сокращает объем данных, которые могут быть использованы для оценки вязкости сварки, с акцентом на температуре перехода 28J и « независимой» проверке, предсказанной с использованием нейронной сети Японского общества сварочных работ (JWES). Однако, если рассматривать всю серию из 24 энергии поглощения Шарби - V с температурными кривыми (рис. 1А), то из - за небольших изменений содержания микросплава наблюдается поперечное смещение на 100 °C вблизи зоны перехода от вязкости к хрупкости. Например, сравните сварные швы X (включены в субконцентрацию) и T (опущены)
