Дякуємо, що відвідали Nature.com. Ви використовуєте версію браузера з обмеженою підтримкою CSS. Для найкращої роботи радимо використовувати оновлений браузер (або вимкнути режим сумісності в Internet Explorer). Крім того, щоб забезпечити постійну підтримку, ми показуємо сайт без стилів і JavaScript.
Повзунки, що показують три статті на слайді. Використовуйте кнопки «Назад» і «Далі» для переходу між слайдами або кнопки керування слайдами в кінці для переходу між слайдами.
Вплив мікроструктури на формування листів з нержавіючої сталі є головною проблемою для інженерів листового металу. Для аустенітних сталей наявність деформаційного мартенситу (\({\alpha}^{^{\prime))\)-мартенситу в мікроструктурі призводить до значного зміцнення та зниження формоздатності. У цьому дослідженні ми мали на меті оцінити формоздатність сталей AISI 316 з різною мартенситною міцністю експериментальними методами та методами штучного інтелекту. На першому етапі сталь AISI 316 з початковою товщиною 2 мм була відпалена та холоднокатана до різної товщини. Згодом відносну деформаційну площу мартенситу вимірювали металографічним випробуванням. Спроможність формоутворення катаних листів визначали за допомогою тесту на розрив напівсфери для отримання діаграми обмеження деформації (FLD). Дані, отримані в результаті експериментів, надалі використовуються для навчання та тестування системи штучних нейронечітких перешкод (ANFIS). Після навчання ANFIS домінуючі штами, передбачені нейронною мережею, порівнювали з новим набором експериментальних результатів. Результати показують, що холодна прокатка негативно впливає на формувальність цього типу нержавіючої сталі, але міцність листа значно покращується. Крім того, ANFIS показує задовільні результати порівняно з експериментальними вимірюваннями.
Здатність формувати листовий метал, незважаючи на те, що це предмет наукових статей десятиліттями, залишається цікавою областю досліджень у металургії. Нові технічні інструменти та обчислювальні моделі полегшують пошук потенційних факторів, що впливають на здатність до формування. Найважливіше те, що важливість мікроструктури для обмеження форми була виявлена в останні роки за допомогою методу кінцевих елементів кристалічної пластичності (CPFEM). З іншого боку, доступність скануючої електронної мікроскопії (SEM) і дифракції зворотного розсіювання електронів (EBSD) допомагає дослідникам спостерігати за мікроструктурною активністю кристалічних структур під час деформації. Розуміння впливу різних фаз у металах, розміру та орієнтації зерна, а також мікроскопічних дефектів на рівні зерна має вирішальне значення для прогнозування здатності до формування.
Визначення здатності до формування саме по собі є складним процесом, оскільки було показано, що здатність до формування сильно залежить від шляхів 1, 2, 3. Тому загальноприйняті поняття кінцевої деформації при формуванні є ненадійними за умов непропорційного навантаження. З іншого боку, більшість шляхів навантаження в промислових застосуваннях класифікуються як непропорційні навантаження. У цьому відношенні традиційні напівсферичні та експериментальні методи Марціняка-Кучинського (МК)4,5,6 слід використовувати з обережністю. Останніми роками інша концепція, діаграма межі руйнування (FFLD), привернула увагу багатьох інженерів з формування. У цій концепції модель пошкодження використовується для прогнозування здатності листа формуватися. У зв’язку з цим незалежність шляху спочатку включена в аналіз, і результати добре узгоджуються з немасштабованими експериментальними результатами7,8,9. Формувальність листового металу залежить від кількох параметрів та історії обробки листа, а також від мікроструктури та фази металу10,11,12,13,14,15.
Залежність від розміру є проблемою при розгляді мікроскопічних особливостей металів. Було показано, що в малих просторах деформації залежність вібраційних властивостей і властивостей вигину сильно залежить від масштабу довжини матеріалу16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Вплив розміру зерна на формоздатність давно визнаний у промисловості. Yamaguchi та Mellor [31] досліджували вплив розміру та товщини зерен на властивості розтягування металевих листів за допомогою теоретичного аналізу. Використовуючи модель Marciniac, вони повідомляють, що при двовісному навантаженні на розтяг зменшення співвідношення товщини до розміру зерна призводить до зниження властивостей листа на розтяг. Експериментальні результати Wilson et al. 32 підтвердив, що зменшення товщини до середнього діаметра зерна (t/d) призвело до зменшення двовісної розтяжності металевих листів трьох різних товщин. Вони дійшли висновку, що при значеннях t/d менше 20 на помітну неоднорідність деформації та шийку в основному впливають окремі зерна в товщині листа. Ulvan і Koursaris33 вивчали вплив розміру зерна на загальну оброблюваність аустенітної нержавіючої сталі 304 і 316. Вони повідомляють, що розмір зерна не впливає на формування цих металів, але можна побачити невеликі зміни у властивостях розтягування. Саме збільшення зернистості призводить до зниження міцнісних характеристик цих сталей. Вплив щільності дислокацій на напругу течії металів нікелю показує, що щільність дислокацій визначає напругу течії металу, незалежно від розміру зерна34. Взаємодія зерен і початкова орієнтація також мають великий вплив на еволюцію текстури алюмінію, яку досліджували Беккер і Панчанадісваран за допомогою експериментів і моделювання кристалічної пластичності35. Чисельні результати їх аналізу добре узгоджуються з експериментами, хоча деякі результати моделювання відрізняються від експериментів через обмеження застосованих граничних умов. Вивчаючи структуру кристалічної пластичності та експериментально виявляючи, катані алюмінієві листи демонструють різну формуемість36. Результати показали, що, незважаючи на те, що криві напруга-деформація різних листів були майже однаковими, були значні відмінності в їх здатності формуватись на основі початкових значень. Амелірад і Асемпур використовували експерименти та CPFEM для отримання кривих напруга-деформація для листів з аустенітної нержавіючої сталі37. Їхнє моделювання показало, що збільшення розміру зерна зміщується вгору в FLD, утворюючи граничну криву. Крім того, ті ж автори досліджували вплив орієнтації та морфології зерна на утворення пустот 38 .
Окрім морфології та орієнтації зерна в аустенітних нержавіючих сталях також важливий стан двійників та вторинних фаз. Двійникування є основним механізмом зміцнення та збільшення подовження в сталі TWIP 39. Hwang40 повідомив, що формуемість сталей TWIP була поганою, незважаючи на достатню реакцію на розтяг. Проте вплив деформаційного двійникування на формоздатність листів аустенітної сталі вивчено недостатньо. Мішра та ін. 41 вивчав аустенітну нержавіючу сталь, щоб спостерігати двійникування під різними шляхами деформації розтягу. Вони виявили, що близнюки можуть походити від джерел розпаду як відпалених близнюків, так і нового покоління близнюків. Було помічено, що найбільші двійники утворюються при двовісному натягу. Крім того, було зазначено, що перетворення аустеніту в \({\alpha}^{^{\prime}}\)-мартенсит залежить від шляху деформації. Хонг та ін. 42 досліджували вплив двойникування, викликаного деформацією, і мартенситу на водневу крихкість у діапазоні температур під час селективного лазерного плавлення аустенітної сталі 316L. Було помічено, що залежно від температури водень може спричинити руйнування або покращити формувальність сталі 316L. Shen та ін. 43 експериментально виміряли об’єм деформаційного мартенситу при навантаженні на розтяг при різних швидкостях навантаження. Встановлено, що збільшення деформації розтягу призводить до збільшення об’ємної частки мартенситної фракції.
Методи штучного інтелекту використовуються в науці та техніці через їхню універсальність у моделюванні складних проблем, не вдаючись до фізичних і математичних основ проблеми44,45,46,47,48,49,50,51,52 Кількість методів штучного інтелекту зростає . Мораді та ін. 44 використовували методи машинного навчання для оптимізації хімічних умов для отримання дрібніших частинок нанокремнезему. Інші хімічні властивості також впливають на властивості нанорозмірних матеріалів, які досліджувалися в багатьох наукових статтях53. Ce та ін. 45 використовував ANFIS для прогнозування здатності до формування листового металу з вуглецевої сталі в різних умовах прокатки. Завдяки холодній прокатці щільність дислокацій у м'якій сталі значно зросла. Звичайні вуглецеві сталі відрізняються від аустенітних нержавіючих сталей механізмами зміцнення та відновлення. У простій вуглецевій сталі фазові перетворення в мікроструктурі металу не відбуваються. Крім металевої фази, на пластичність, руйнування, оброблюваність і т.д. металів також впливають кілька інших мікроструктурних особливостей, які виникають під час різних видів термічної обробки, холодної обробки та старіння54,55,56,57,58,59 ,60. , 61, 62. Нещодавно Chen et al. 63 досліджував вплив холодної прокатки на формування сталі 304L. Вони враховували феноменологічні спостереження лише в експериментальних тестах, щоб навчити нейронну мережу передбачати формувальність. Фактично, у випадку аустенітної нержавіючої сталі кілька факторів поєднуються, щоб зменшити властивості листа на розтяг. Lu et al.64 використовували ANFIS для спостереження впливу різних параметрів на процес розширення отвору.
Як коротко обговорювалося в огляді вище, вплив мікроструктури на діаграму обмеження форми приділяв мало уваги в літературі. З іншого боку, необхідно враховувати багато мікроструктурних особливостей. Тому практично неможливо включити всі мікроструктурні фактори в аналітичні методи. У цьому сенсі використання штучного інтелекту може бути корисним. У зв’язку з цим у цьому дослідженні досліджується вплив одного з аспектів мікроструктурних факторів, а саме присутності мартенситу, спричиненого напругою, на формування листів з нержавіючої сталі. Це дослідження відрізняється від інших досліджень штучного інтелекту щодо здатності формуватись тим, що увага зосереджена на мікроструктурних особливостях, а не лише на експериментальних кривих FLD. Ми прагнули оцінити формувальність сталі 316 з різним вмістом мартенситу за допомогою експериментальних методів і методів штучного інтелекту. На першому етапі сталь 316 з початковою товщиною 2 мм була відпалена та холоднокатана до різної товщини. Потім за допомогою металографічного контролю виміряли відносну площу мартенситу. Спроможність формоутворення катаних листів визначали за допомогою тесту на розрив напівсфери для отримання діаграми обмеження деформації (FLD). Отримані від нього дані пізніше були використані для навчання та тестування системи штучних нейро-нечітких перешкод (ANFIS). Після навчання ANFIS прогнози нейронної мережі порівнюються з новим набором експериментальних результатів.
Металевий лист з аустенітної нержавіючої сталі 316, використаний у цьому дослідженні, має хімічний склад, як показано в таблиці 1, і початкову товщину 1,5 мм. Відпал при 1050°C протягом 1 години з подальшим гартуванням у воді для зняття залишкових напруг у листі та отримання однорідної мікроструктури.
Мікроструктуру аустенітних сталей можна виявити за допомогою кількох травників. Одним із найкращих травників є 60% азотна кислота в дистильованій воді, травлення при 1 В постійного струму протягом 120 с38. Однак цей травник показує лише межі зерен і не може визначити подвійні межі зерен, як показано на рис. 1а. Іншим травником є ацетат гліцерину, у якому можна добре візуалізувати подвійні межі, але ні межі зерен, як показано на рис. 1b. Крім того, після трансформації метастабільної аустенітної фази в \({\alpha }^{^{\prime}}\)-мартенситну фазу можна виявити за допомогою травника ацетату гліцерину, який представляє інтерес для поточного дослідження.
Мікроструктура металевої пластини 316 після відпалу, показана різними травителями, (а) 200x, 60% \({\mathrm{HNO}}_{3}\) у дистильованій воді при 1,5 В протягом 120 с, і (b) 200x , гліцерилацетат.
Відпалені листи розрізали на листи шириною 11 см і довжиною 1 м для прокатки. Цех холодного прокату має два симетричних валка діаметром 140 мм. Процес холодної прокатки викликає перетворення аустеніту в мартенсит деформації в нержавіючій сталі 316. Шукаємо співвідношення фази мартенситу до фази аустеніту після холодної прокатки різної товщини. На рис. 2 наведено зразок мікроструктури листового металу. На рис. 2а показано металографічне зображення зразка прокату, якщо дивитися з напрямку, перпендикулярного до листа. На рис. 2b за допомогою програмного забезпечення ImageJ65, мартенситна частина виділена чорним кольором. Використовуючи інструменти цього програмного забезпечення з відкритим кодом, можна виміряти площу фракції мартенситу. Таблиця 2 показує детальні фракції мартенситної та аустенітної фаз після прокатки до різного зменшення товщини.
Мікроструктура листа 316 L після прокатки до зменшення товщини на 50%, перпендикулярно до площини листа, збільшене в 200 разів, ацетат гліцерину.
Значення, наведені в таблиці 2, були отримані шляхом усереднення виміряних фракцій мартенситу за трьома фотографіями, зробленими в різних місцях на одному металографічному зразку. Крім того, на рис. 3 показані квадратичні підгонки, щоб краще зрозуміти вплив холодної прокатки на мартенсит. Можна побачити, що існує майже лінійна кореляція між часткою мартенситу та зменшенням товщини в стані холодного прокату. Однак квадратична залежність може краще представити цю залежність.
Зміна частки мартенситу як функція зменшення товщини під час холодної прокатки спочатку відпаленого листа сталі 316.
Межу формування оцінювали відповідно до звичайної процедури з використанням тестів на розрив півсфери37,38,45,66. Загалом лазерним різанням було виготовлено шість зразків із розмірами, показаними на рис. 4а, як набір експериментальних зразків. Для кожного стану мартенситної фракції було підготовлено та випробувано три набори дослідних зразків. На рис. 4б показані вирізані, поліровані та марковані зразки.
Формування Nakazima обмежує розмір зразка та обробну дошку. (a) Розміри, (b) Вирізані та помічені зразки.
Випробування на напівсферичне штампування проводили за допомогою гідравлічного преса зі швидкістю руху 2 мм/с. Контактні поверхні пуансона та листа добре змащені, щоб мінімізувати вплив тертя на межі формування. Продовжуйте тестування, доки в зразку не буде спостерігатися значне звуження або розрив. На рис. 5 показаний зруйнований зразок у пристрої та зразок після випробувань.
Межа формування була визначена за допомогою випробування на напівсферичний розрив, (a) випробувальний стенд, (b) зразкова пластина при розриві випробувального стенду, (c) той самий зразок після випробування.
Нейро-нечітка система, розроблена Jang67, є придатним інструментом для прогнозування кривої обмеження формування листків. Цей тип штучної нейронної мережі включає вплив параметрів з нечітким описом. Це означає, що вони можуть отримати будь-яку реальну вартість у своїх сферах. Цінності цього типу додатково класифікуються відповідно до їх вартості. Кожна категорія має свої правила. Наприклад, значенням температури може бути будь-яке дійсне число, і залежно від його значення температури можна класифікувати як холодні, середні, теплі та гарячі. У цьому відношенні, наприклад, для низьких температур правилом є правило «носити куртку», а для теплих температур — «досить футболки». У самій нечіткій логіці вихідні дані оцінюються на предмет точності та надійності. Поєднання систем нейронних мереж із нечіткою логікою гарантує, що ANFIS забезпечить надійні результати.
Рисунок 6, наданий Jang67, показує просту нейронну нечітку мережу. Як показано, мережа приймає два входи, у нашому дослідженні входом є частка мартенситу в мікроструктурі та значення незначної деформації. На першому рівні аналізу вхідні значення фазифікуються за допомогою нечітких правил і функцій належності (FC):
Для \(i=1, 2\), оскільки вхідні дані мають дві категорії опису. МП може набувати будь-яку трикутну, трапецієподібну, гауссову або будь-яку іншу форму.
На основі категорій \({A}_{i}\) і \({B}_{i}\) і їх значень MF на рівні 2 прийнято деякі правила, як показано на малюнку 7. У цьому шару ефекти різних вхідних даних якимось чином поєднуються. Тут використовуються наступні правила, щоб поєднати вплив частки мартенситу та незначних значень деформації:
Вихід \({w}_{i}\) цього шару називається інтенсивністю запалювання. Ці інтенсивності займання нормалізуються в шарі 3 відповідно до наступного співвідношення:
У шарі 4 правила Такагі та Сугено67,68 включені в розрахунок, щоб врахувати вплив початкових значень вхідних параметрів. Цей шар має такі зв’язки:
На отриманий \({f}_{i}\) впливають нормалізовані значення в шарах, що дає кінцевий результат, основні значення викривлення:
де \(NR\) представляє кількість правил. Роль нейронної мережі тут полягає у використанні свого внутрішнього алгоритму оптимізації для виправлення невідомих параметрів мережі. Невідомими параметрами є результуючі параметри \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), а також параметри, пов'язані з MF вважаються узагальненою функцією форми вітряних курантів:
Діаграми обмеження форми залежать від багатьох параметрів, від хімічного складу до історії деформації листового металу. Деякі параметри легко оцінити, включаючи параметри випробування на розтяг, тоді як інші вимагають більш складних процедур, таких як металографія або визначення залишкової напруги. У більшості випадків доцільно проводити випробування на межі деформації для кожної партії листа. Однак іноді інші результати випробувань можна використовувати для приблизного визначення межі формування. Наприклад, у кількох дослідженнях використовувалися результати випробувань на розтяг для визначення здатності до формування листа69,70,71,72. Інші дослідження включали більше параметрів у свій аналіз, таких як товщина та розмір зерна31,73,74,75,76,77. Однак включати всі дозволені параметри не вигідно з точки зору обчислень. Таким чином, використання моделей ANFIS може бути розумним підходом для вирішення цих проблем45,63.
У цій статті було досліджено вплив вмісту мартенситу на діаграму межі формування листа аустенітної сталі 316. У зв'язку з цим було підготовлено набір даних за допомогою експериментальних тестів. Розроблена система має дві вхідні змінні: частку мартенситу, виміряну в металографічних випробуваннях, і діапазон малих технічних деформацій. Результатом є значна технічна деформація граничної кривої формування. Розрізняють три типи мартенситної фракції: дрібну, середню та високу фракції. Низький означає, що частка мартенситу менше 10%. За помірних умов частка мартенситу коливається від 10% до 20%. Високими значеннями мартенситу вважаються частки більше 20%. Крім того, вторинна деформація має три різні категорії між -5% і 5% поблизу вертикальної осі, які використовуються для визначення FLD0. Позитивний і негативний діапазони є двома іншими категоріями.
Результати напівсферичного випробування показані на фіг. На малюнку зображено 6 діаграм формування меж, 5 з яких являють собою ФЛД окремих листів прокату. Дано точку безпеки та її верхню граничну криву, яка утворює граничну криву (FLC). Останній малюнок порівнює всі FLC. Як видно з останнього малюнка, збільшення частки мартенситу в аустенітній сталі 316 знижує формувальність листового металу. З іншого боку, збільшення частки мартенситу поступово перетворює FLC у симетричну криву відносно вертикальної осі. На останніх двох графіках права сторона кривої трохи вище лівої, що означає, що формоздатність при двовісному розтягуванні вища, ніж при одновісному розтягуванні. Крім того, як незначні, так і великі технічні деформації перед шийкою зменшуються зі збільшенням частки мартенситу.
316 формування граничної кривої. Вплив частки мартенситу на формоздатність листів аустенітної сталі. (точка безпеки SF, крива межі утворення FLC, мартенсит M).
Нейронна мережа була навчена на 60 наборах експериментальних результатів з фракціями мартенситу 7,8, 18,3 і 28,7%. Набір даних 15,4% мартенситу було зарезервовано для процесу перевірки та 25,6% для процесу випробування. Похибка після 150 епох становить близько 1,5%. На рис. 9 показує співвідношення між фактичним результатом (\({\epsilon }_{1}\), базове інженерне навантаження), наданим для навчання та тестування. Як бачите, навчена NFS задовільно прогнозує \({\epsilon} _{1}\) для деталей з листового металу.
(a) Кореляція між прогнозованими та фактичними значеннями після процесу навчання, (b) Помилка між прогнозованими та фактичними значеннями для основних інженерних навантажень на FLC під час навчання та перевірки.
У якийсь момент під час навчання мережа ANFIS неминуче переробляється. Щоб визначити це, виконується паралельна перевірка, яка називається «перевіркою». Якщо значення помилки перевірки відхиляється від значення навчання, мережа починає перенавчатися. Як показано на малюнку 9b, до епохи 150 різниця між кривими навчання та перевірки невелика, і вони слідують приблизно одній кривій. У цей момент помилка процесу перевірки починає відхилятися від кривої навчання, що є ознакою переобладнання ANFIS. Таким чином, мережа ANFIS для раунду 150 зберігається з похибкою 1,5%. Потім вводиться прогноз FLC для ANFIS. На рис. 10 показує прогнозовану та фактичну криві для вибраних зразків, використаних у процесі навчання та перевірки. Оскільки дані з цих кривих використовувалися для навчання мережі, не дивно спостерігати дуже близькі прогнози.
Фактичні експериментальні прогностичні криві FLC та ANFIS за різних умов вмісту мартенситу. Ці криві використовуються в процесі навчання.
Модель ANFIS не знає, що сталося з останнім зразком. Тому ми протестували наш навчений ANFIS на FLC, надавши зразки з мартенситною фракцією 25,6%. На рис. 11 показує прогноз FLC ANFIS, а також експериментальний FLC. Максимальна похибка між прогнозованим значенням і експериментальним значенням становить 6,2%, що вище, ніж прогнозоване значення під час навчання та перевірки. Однак ця помилка є допустимою помилкою порівняно з іншими дослідженнями, які теоретично прогнозують FLC37.
У промисловості параметри, що впливають на формування, описуються у формі язика. Наприклад, «грубе зерно знижує здатність до формування» або «підвищена холодна обробка зменшує FLC». Вхідні дані в мережу ANFIS на першому етапі класифікуються за такими мовними категоріями, як низький, середній і високий. У мережі існують різні правила для різних категорій. Тому в промисловості цей тип мережі може бути дуже корисним з точки зору включення кількох факторів у їх лінгвістичний опис та аналіз. У даній роботі ми спробували врахувати одну з основних особливостей мікроструктури аустенітних нержавіючих сталей з метою використання можливостей ANFIS. Кількість спричиненого напругою мартенситу 316 є прямим наслідком холодної обробки цих вставок. За допомогою експериментів та аналізу ANFIS було встановлено, що збільшення частки мартенситу в цьому типі аустенітної нержавіючої сталі призводить до значного зниження FLC пластини 316, таким чином збільшення частки мартенситу з 7,8% до 28,7% зменшує FLD0 від 0,35. до 0,1 відповідно. З іншого боку, навчена та перевірена мережа ANFIS може передбачити FLC, використовуючи 80% доступних експериментальних даних з максимальною похибкою 6,5%, що є прийнятною похибкою порівняно з іншими теоретичними процедурами та феноменологічними залежностями.
Набори даних, використані та/або проаналізовані в поточному дослідженні, доступні у відповідних авторів за розумним запитом.
Iftikhar, CMA та ін. Еволюція наступних шляхів текучості екструдованого магнієвого сплаву AZ31 «як є» за пропорційних і непропорційних шляхів навантаження: експерименти та моделювання CPFEM. внутрішній Я. Праст. 151, 103216 (2022).
Іфтіхар, ЦМА та ін. Еволюція наступної поверхні текучості після пластичної деформації вздовж траєкторій пропорційного та непропорційного навантаження відпаленого сплаву AA6061: експерименти та кінцево-елементне моделювання пластичності кристала. внутрішній Я. Пласт 143, 102956 (2021).
Манік, Т., Холмедал, Б. і Хопперстад, О. С. Перехідні процеси напруги, робоче зміцнення та значення r алюмінію через зміни шляху деформації. внутрішній Я. Праст. 69, 1–20 (2015).
Mamushi, H. та ін. Новий експериментальний метод визначення граничної діаграми формування з урахуванням впливу нормального тиску. внутрішній Ж. Alma mater. форму. 15(1), 1 (2022).
Yang Z. та ін. Експериментальне калібрування параметрів пластичного руйнування та меж деформації листового металу AA7075-T6. Ж. Alma mater. процес. технології. 291, 117044 (2021).
Петриц А. та ін. Пристрої для збору прихованої енергії та біомедичні датчики на основі надгнучких сегнетоелектричних перетворювачів і органічних діодів. Національна комуна. 12(1), 2399 (2021).
Basak, S. and Panda, SK. Аналіз меж шийок і руйнування різних попередньо деформованих пластин у траєкторіях полярної ефективної пластичної деформації з використанням моделі текучості Yld 2000–2d. Ж. Alma mater. процес. технології. 267, 289–307 (2019).
Basak, S. and Panda, SK Деформації руйнування в анізотропних листових металах: експериментальна оцінка та теоретичні прогнози. внутрішній Я. Меха. наука. 151, 356–374 (2019).
Jalefar, F., Hashemi, R. & Hosseinipur, SJ Експериментальне та теоретичне дослідження впливу зміни траєкторії деформації на діаграму межі формування AA5083. внутрішній J. Adv. виробник. технології. 76(5–8), 1343–1352 (2015).
Habibi, M. та ін. Експериментальне дослідження механічних властивостей, формоздатності та граничної діаграми формування заготовок, зварених тертям з перемішуванням. Дж. Мейкер. процес. 31, 310–323 (2018).
Хабібі, М. та ін. Враховуючи вплив вигину, гранична діаграма формується шляхом включення моделі MC у кінцево-елементне моделювання. процес. Інститут хутра. демонструвати. L 232(8), 625–636 (2018).
Час публікації: 08 червня 2023 р