Título

MODELING OF TEMPERING CURVES OF ALLOY STEELS BY MEANS OF NEURAL NETWORKS

MODELAGEM DAS CURVAS DE REVENIMENTO DE AÇOS LIGA POR MEIO DE REDES NEURAIS

Autoria

Penha, Renata Neves; Canale, Lauralice Franceschini; Canale, Antonio Carlos

Penha, Renata Neves

Eu sou esse autor

Canale, Lauralice Franceschini

Eu sou esse autor

Canale, Antonio Carlos

Eu sou esse autor

DOI

10.5151/2594-5327-16619

Downloads

Resumo

The tempering process aims to get the microstructures that lead to service mechanical properties and to promote the relaxation of the residual stresses generated during quenching. The goal of this work is to predict the effect of tempering time and tempering temperature on hardness by means of neural networks (NN). Five types of steels, SAE 4140, SAE 4340, SAE 5160, SAE 6150 and SAE 52100, were tempered in different conditions. The inputs of the NN were the chemical composition, the tempering time and tempering temperature, while hardness was the output. The selected temperatures were 100, 150, 200, 250, 300, 400, 500, 600 and 700oC. The time on each temperature was 10s, 90s, 900s, 3600s, 9000s and 86400s. It was tested many architectures, until find the best one that fitted the data. To evaluate this NN there were calculated the correlation coefficient (R value) and the performance function value. The NN selected was that one with lower performance function and the value of R nearest to 1.

O processo de revenimento visa alcançar microestruturas que resultem em propriedades mecânicas utilizáveis e promover o alívio das tensões residuais originadas durante a têmpera. O objetivo deste trabalho é predizer o efeito do tempo e da temperatura de revenimento na dureza por redes neurais (RN). Cinco tipos de aço, SAE 4140, SAE 4340, SAE 5160, SAE 6150 e SAE 52100, foram revenidos em diferentes condições. As entradas da rede foram a composição química, o tempo e a temperatura de revenimento, enquanto a saída foi a dureza. As temperaturas selecionadas foram 100, 150, 200, 250, 300, 400, 500, 600 e 700oC. O tempo em cada temperatura foi de 10s, 90s, 900s, 3600s, 9000s e 86400s. Foram testadas diversas arquiteturas até encontrar a que melhor ajustava os dados. Para avaliar a rede foram calculados o coeficiente de correlação (valor R) e o valor para a função de desempenho. A RN escolhida foi aquela com menor valor para função de desempenho e valor de R próximo a 1.

Palavras-chave

Tempering; Modeling; Hardness; Neural networks.

Revenimento; Modelagem; Dureza; Redes neurais.