Pronostico dell'acciaio inossidabile 316 basso

Rapporti scientifici volume 13, numero articolo: 6753 (2023) Citare questo articolo

637 accessi

3 Altmetrico

Dettagli sulle metriche

La durata a fatica a basso numero di cicli dell'acciaio inossidabile 316 costituisce una base significativa per la valutazione della sicurezza. Di solito, molti fattori influenzano la vita a fatica a basso numero di cicli dell’acciaio inossidabile e la relazione tra i fattori che influenzano e la vita a fatica è complicata e non lineare. Pertanto, è difficile prevedere la durata a fatica utilizzando la tradizionale formula empirica. Sulla base di ciò, viene proposto un algoritmo di apprendimento automatico. In questo documento, sulla base della grande quantità di dati sperimentali esistenti, vengono utilizzati metodi di apprendimento automatico per prevedere la bassa durata a fatica circonferenziale dell’acciaio inossidabile 316. I risultati mostrano che la precisione di previsione dei modelli nu-SVR ed ELM è elevata e può soddisfare le esigenze ingegneristiche.

L'acciaio inossidabile 316 è un tipo ampiamente utilizzato di acciaio inossidabile al cromo-nichel. È comunemente utilizzato nella lavorazione degli alimenti, nelle apparecchiature mediche, nell'industria nucleare, nella produzione chimica e in altri campi con requisiti severi e rigorosi grazie alle sue buone prestazioni alla fatica alle alte temperature, tenacità e resistenza alla corrosione. Date le condizioni di lavoro sempre più complesse dell'acciaio inossidabile 316, la sua sicurezza è una priorità assoluta da considerare nelle applicazioni ingegneristiche e la resistenza alla fatica è una base importante per le valutazioni della sicurezza1,2. È importante studiare la previsione della vita a fatica a basso numero di cicli. Il modello più spesso utilizzato per la previsione della vita a fatica a basso numero di cicli dell'acciaio inossidabile 316 è il tradizionale metodo di previsione della formula empirica. I modelli principali sono la teoria del danno cumulativo3, lo stress-deformazione locale4, il metodo energetico5 e il metodo dell’intensità del campo6. Nella previsione tradizionale della durata a fatica, la relazione tra durata a fatica e fattori che influenzano viene determinata sulla base di un gran numero di esperimenti e la durata a fatica viene prevista applicando un gran numero di formule empiriche. Il tradizionale modello di previsione della durata a fatica con formula empirica presenta gravi limitazioni, come la varietà di formule empiriche, bassa precisione di previsione, costi sperimentali elevati e ripetuti e tempi di previsione lunghi; lo sviluppo del machine learning ha fornito nuovi spunti per risolvere questi problemi7,8,9,10,11,12,13,14,15,16.

L'apprendimento automatico (ML) è un campo multidisciplinare che incorpora teorie provenienti da una varietà di discipline, tra cui teoria della probabilità, statistica, teoria dell'approssimazione, analisi convessa, complessità algoritmica, ecc.17. In termini semplici, l’apprendimento automatico è un modo di apprendere attraverso la simulazione computerizzata dell’apprendimento umano, in cui l’apprendimento automatico addestra continuamente modelli a partire dai dati, migliorando così la loro generalizzazione18. Grazie alle potenti capacità dell'apprendimento automatico come l'elaborazione e l'analisi dei dati, il metodo è stato ampiamente utilizzato nei campi del data mining, del riconoscimento vocale automatico, della visione artificiale e del rilevamento e diagnosi dei guasti. Attualmente ha anche alcune applicazioni nella previsione della vita19,20,21,22. Tuttavia, ci sono pochi studi sulla previsione della vita a fatica a basso numero di cicli dell’acciaio inossidabile 316 utilizzando un modello di apprendimento automatico.

In questo documento, la durata a fatica a basso numero di cicli dell'acciaio inossidabile 316 è prevista dall'apprendimento automatico. In primo luogo, sulla base dei dati raccolti in letteratura, vengono riepilogati gli effetti di fattori quali il fattore di intensità dello stress, l’ampiezza della deformazione e lo stress residuo sulla vita a fatica a basso numero di cicli dell’acciaio inossidabile 316. In secondo luogo, sono state effettuate un'analisi di sensibilità e una pre-elaborazione dei dati raccolti per garantire un modello di previsione con meno errori. Infine, sono stati stabiliti modelli di apprendimento automatico come la rete neurale BP, la rete neurale BP ottimizzata con algoritmo genetico, la macchina per l’apprendimento dei limiti e la macchina vettoriale di supporto per prevedere la durata a fatica a basso numero di cicli dell’acciaio inossidabile austenitico 316.

Le Figure 123,24,25,26,27,28 mostrano l'influenza del fattore di intensità dello stress sul tasso di crescita della fessura a diverse temperature e rapporti di stress. Come si può vedere dalla figura, non importa se il rapporto di stress è 0,1, 0,3 o 0,5, il tasso di crescita della cricca aumenta con un aumento del fattore di intensità dello stress alla stessa temperatura, ma il tasso di aumento varia con la temperatura.