Improved constitutive model for FV520B steel on thermal deformation behavior
- 13.06.2025
- Original Paper
- Verfasst von
- Ju-sen Li
- Yong-fei Wang
- Liang-yu Fei
- Wen-yu Zhu
- Yi-ming Zhang
- Fei Jiang
- Sheng-dun Zhao
- Erschienen in
- Journal of Iron and Steel Research International | Ausgabe 10/2025
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by (Link öffnet in neuem Fenster)
Abstract
Der Artikel befasst sich mit dem thermischen Verformungsverhalten von FV520B-Stahl, einem martensitischen ausscheidungshärtenden Edelstahl, der für seine außergewöhnliche Festigkeit, Zähigkeit und Korrosionsbeständigkeit bekannt ist. Es betont die entscheidende Rolle genauer Kurven der tatsächlichen Belastung in numerischen Simulationen von Schmiedeprozessen, die für die Optimierung von Prozessparametern und die Verbesserung der mechanischen Leistung von Zentrifugalkompressorschaufeln unverzichtbar sind. Die Studie stellt eine Reihe von isothermalen Heißkompressionsexperimenten vor, die unter einem breiten Temperatur- und Dehnungsbereich durchgeführt wurden, wobei Reibung und Temperatur korrigiert wurden, um präzise Kurven zwischen Spannung und Dehnung zu erhalten. Der Artikel stellt mehrere grundlegende Modelle vor, darunter originale und belastungskorrigierte Arrhenius-Modelle, ein neues modifiziertes Arrhenius-Modell, das Kopplungseffekte von Temperatur, Dehnungsrate und Dehnung sowie künstliche neuronale Netzwerke (ANN) berücksichtigt, die mit dem Löwenzahn-Optimierungsalgorithmus (DO) optimiert wurden. Insbesondere das DO-BPNN-Modell zeigt eine außergewöhnliche Vorhersagegenauigkeit, die traditionelle konstitutive Modelle übertrifft. Der Vergleich dieser Modelle offenbart die Stärken und Schwächen der einzelnen Ansätze und liefert wertvolle Erkenntnisse für Forscher und Ingenieure, die die Präzision numerischer Simulationen in der Materialbearbeitung verbessern wollen.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Abstract
The thermal deformation behavior of FV520B stainless steel is investigated. Isothermal compression tests were conducted at temperatures ranging from 600 to 900 °C and strain rates from 0.001 to 10 s−1. The true stress–strain curves were corrected for friction and temperature due to the drum shape and adiabatic heating. The comparison shows that there is a large difference between the stress before and after the correction, which proves that the correction is necessary. Five constitutive models were developed: the original Arrhenius model, the strain correction Arrhenius model, a new modified Arrhenius model, the back propagation neural network model (BPNN) and the dandelion optimization BPNN model (DO-BPNN). The DO-BPNN model showed the highest prediction accuracy though it was more computationally intensive than the other models. The new modified Arrhenius model performed a better predictive capacity than the strain correction version, while it showed a negligible increase in the number of parameters and computational time. Although artificial neural network-based models exhibit superior accuracy compared to the Arrhenius models, their application in finite element simulations still faces notable challenges.
Anzeige
- Titel
- Improved constitutive model for FV520B steel on thermal deformation behavior
- Verfasst von
-
Ju-sen Li
Yong-fei Wang
Liang-yu Fei
Wen-yu Zhu
Yi-ming Zhang
Fei Jiang
Sheng-dun Zhao
- Publikationsdatum
- 13.06.2025
- Verlag
- Springer Nature Singapore
- Erschienen in
-
Journal of Iron and Steel Research International / Ausgabe 10/2025
Print ISSN: 1006-706X
Elektronische ISSN: 2210-3988 - DOI
- https://doi.org/10.1007/s42243-025-01489-2
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.