Predikce referenční teploty z parametrů tahových zkoušek

0096410 - ÚFM 2008 RIV CZ cze K - Konferenční příspěvek (tuzemská konf.)
Šmida, T. - Babjak, J. - Dlouhý, Ivo
Predikce referenční teploty z parametrů tahových zkoušek.
[Reference temperature prediction from tensile test parameters.]
Porušování a design materiálu. Sborník semináře Křehký lom 2007. Brno: Ústav fyziky materiálů AV ČR, 2007 - (Dlouhý, I.), s. 33-46. ISBN 978-80-254-0725-7.
[Porušování a design materiálu. Brno (CZ), 31.10.2007-01.11.2007]
Grant CEP: GA ČR(CZ) GA106/06/0646; GA AV ČR 1QS200410502
Výzkumný záměr: CEZ:AV0Z20410507
Klíčová slova: fracture toughness * reference temperature * neural analysis
Kód oboru RIV: JL - Únava materiálu a lomová mechanika

Příspěvek je orientován na analýzu možností predikce referenční teploty lokalizující křivku lomové houževnatosti na teplotní ose na základě dat z tahové zkoušky. Pro analýzu byla použita neuronová analýza. Lomová houževnatost byla určována na základě standardních zkoušek tříbodovým ohybem, referenční teplota byla určována víceteplotní metodou. V analýze byla použita data inženýrského a fyzikálního charakteru se zaměřením na parametry popisující lokalizovanou deformaci. Trénovací soubor obsahoval data pro 29 nízkolegovaných ocelí. Byla zjištěna dobrá korelace mezi predikovanou a experimentálně zjištěnou referenční teplotou. Je nicméně nutný vyšší počet datových souborů v trénovací množině, aby bylo dosaženo odpovídající přesnosti.

Reference temperature of fracture toughness temperature diagram has been predicted based on tensile test data. Neuron analysis was applied to solve these properties correlation. For fracture toughness determination three-point bend specimens have been applied, the reference temperature being calculated applying multi-temperature method. Different strength and deformation properties have been evaluated from standard tensile specimens focusing on data from localised deformation during specimen necking. Totally 29 data sets from low alloy steels have been generated for the analysis. Good correlation of predicted and experimentally determined values has been found. Further analysis with higher number of data sets is needed to increase the accuracy of predicted values and decrease the number of input data.
Trvalý link: http://hdl.handle.net/11104/0155782