Vorhersage der mechanischen Eigenschaften durch künstliche neuronale Netzwerke zur Charakterisierung des plastischen Verhaltens von Aluminiumlegierungen

In der Metallbearbeitung steht das plastische Verhalten von Metalllegierungen in direktem Zusammenhang mit ihrer Formbarkeit und wurde traditionell durch vereinfachte Modelle der Fließkurven charakterisiert, insbesondere in der Analyse durch Finite-Elemente-Simulationen und analytische Methoden. Werkzeuge, die auf künstlichen neuronalen Netzwerken basieren, haben ein hohes Potenzial gezeigt, um das Verhalten und die Eigenschaften industrieller Komponenten vorherzusagen. Aluminiumlegierungen gehören zu den am weitesten verbreiteten Materialien in herausfordernden Industrien wie der Luft- und Raumfahrt, der Automobilindustrie oder der Lebensmittelverpackung. In dieser Studie wird ein computergestütztes Werkzeug entwickelt, um zwei der nützlichsten mechanischen Eigenschaften metallischer Materialien zur Charakterisierung des plastischen Verhaltens vorherzusagen: Fließgrenze und Zugfestigkeit. Diese Prognosen basieren auf der chemischen Zusammensetzung der Legierung, den Tempers und der Brinell-Härte. In dieser Studie wird eine Materialdatenbank verwendet, um ein künstliches neuronales Netzwerk zu trainieren, das in der Lage ist, Vorhersagen mit einer Genauigkeit von über 95 % zu treffen. Es wird auch gezeigt, dass diese Methode eine Leistung erzielt, die der von empirischen Gleichungen ähnelt, die ausdrücklich für ein bestimmtes Material entwickelt wurden, aber eine größere Allgemeingültigkeit bietet, da sie die Eigenschaften jeder Aluminiumlegierung annähern kann. Die Methodik basiert auf der Verwendung von künstlichen neuronalen Netzwerken, die durch eine große Datenmenge über die Eigenschaften tausender kommerzieller Materialien unterstützt werden. Somit übersteigt die Eingabedatenanzahl 2000 Einträge. Wenn die relevanten Informationen gesammelt und organisiert sind, wird ein künstliches neuronales Netzwerk definiert, und nach dem Training ist die künstliche Intelligenz in der Lage, Vorhersagen über die Materialeigenschaften mit einer durchschnittlichen Genauigkeit von über 95 % zu treffen.