Os valores médios obtidos para o alongamento uniforme (AU) encontram-se na Tabela5.1
e os resultados encontrados para tensão limite de escoamento (LE) e tensão de resistência à tração (LRT) são mostrados na Figura5.1.
Tabela 5.1 – Alongamento uniforme. Amostra AU (mm/mm) Como recebido 17.555% 400oC 16.730% 450oC 17.060% 500oC 16.320% 550oC 16.245% 600oC 16.680% 650oC 17.170% 700oC 19.210% 750oC 20.440% 800oC 20.690% 850oC 21.000% 900oC 15.195% 950oC 23.000% 1000oC 24.155%
Nota-se que o efeito esperado do recozimento pleno foi alcançado a partir de 700oC, pois houve redução considerável do valor de LE em relação ao estado como recebido e aumento do valor de AU.
Figura 5.1 – Tensão limite de escoamento e Tensão limite de resistência à tração.
As curvas tensão em função da deformação das amostras recozidas foram comparadas, num mesmo gráfico, com a curva tensão em função da deformação do estado como recebido (Figuras5.2,5.3e5.4). Observou-se que as curvas das amostras recozidas de 400 a 650oC ficaram acima da curva do estado como recebido. Esse comportamento foi obervado em amostras do aço AISI 409 recozidas a 850oC por uma hora e tracionadas até a carga máxima, o qual foi justificado pela redução do tamanho de grão após o recozimento duplo (BATISTA,2015).
A partir de 700oC (Figuras5.5e5.6), as curvas ficaram abaixo da curva no estado como recebido, o que evidencia o início do fenômeno de recristalização.
O perfil obtido da taxa de encruamento, bem como o expoente de encruamento e alonga- mento uniforme experimental constam nas Figuras5.7e5.8, respectivamente.
A taxa de encruamento tende a diminuir com o aumento da temperatura de recozimento a partir de 650oC, exceto em 900oC (Figura 5.7). Em contrapartida, o expoente de en- cruamento e o alongamento uniforme apresentam comportamentos semelhantes (Figura
5.8), pois há aumento em 700oC, redução em 900oC e posterior acréscimo em 950oC. Essa semelhança confirma a relação entre a quantidade de deformação e o expoente de encruamento, segundo o critério de Considère (Seção2.3). Em (SIQUEIRA,2010), chapas do aço AISI 430 deformadas a frio em múltiplos passes até a redução de 80% apresentaram maiores valores de microdureza Vickers com o aumento da quantidade de deformação.
Figura 5.2 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 400oC.
De forma geral, a ductilidade aumentou e os parâmetros de resistência mecânica, LE e LRT, diminuíram com o acréscimo da temperatura de recozimento. Porém, a amostra recozida a 900oC apresentou menor alongamento uniforme (Figura5.6) e decréscimo do
valor do expoente de encruamento (Figura 5.8). Como o comportamento mecânico da amostra recozida a 900oC é diferente do esperado, realizou-se a preparação metalográfica da amostra no estado como recebido (sem ter sido tracionada), das amostras recozidas a 850 e 900oC. Obteve-se a micrografia da amostra do estado como recebido (Figura5.9) para analisar a microestrutura desenvolvida no processo de fabricação e compará-la com as micrografias das amostras recozidas a 850 (Figura5.10) e 900oC (Figura5.11). A partir dessas micrografias, é possível confirmar o fenômeno de recristalização secundária para a amostra recozida a 900oC, pela presença de grãos menores. Além disso, confirma-se que
houve recozimento duplo para as amostras recozidas entre 400 e 650oC, pois a amostra no
estado como recebido encontra-se na condição recozida, já que seus grãos apresentam formato equiaxial e não estão orientados na direção de laminação. Assim, constatou-se que todas as amostras foram recebidas no estado recozido, pois as chapas foram entregues pela empresa nessa condição. A micrografia da amostra recozida a 850oC, assim como a de 900oC, exibe o crescimento de grão esperado após o início da recristalização em 700oC. Em (SIQUEIRA, 2010), houve recristalização secundária para o aço AISI 430 recozido
Figura 5.3 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 500oC.
a 1250oC durante 2 horas com composição química semelhante ao aço utilizado neste
trabalho. Embora a temperatura em que ocorreu esse fenômeno seja diferente, é necessário observar que no trabalho de Siqueira as amostras no estado como recebido foram recozidas e submetidas à analise micrográfica; já neste presente trabalho, as amostras no estado como recebido foram recozidas, tracionadas e depois submetidas à micrografia.
5.2
Rede Neural Artificial
As Figuras5.12,5.13e5.14mostram as curvas tensão em função da deformação convencio- nal experimental e simulada pela RNA para o estado como recebido e para as temperaturas de recozimento de 600, 800 e 1000oC, respectivamente. As curvas experimentais e simu-
ladas apresentaram um comportamento análogo para todas as outras temperaturas. É possível ver que a RNA foi capaz de simular o ensaio de tração experimental, gerando curvas sobrepostas usando 15% dos dados da etapa de teste da validação cruzada. Na superfície tridimensional simulada pela RNA (Figura 5.15), cada corte paralelo ao plano do eixo z representa uma curva tensão em função da deformação convencional para uma determinada temperatura de recozimento, conforme o esperado.
Figura 5.4 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 650oC.
Os valores obtidos para o erro quadrático médio para cada temperatura estão mostrados na Tabela5.2. O EQM para cada temperatura foi calculado como uma média dos erros das duas amostras utilizadas. O menor valor de EQM, obtido para a temperatura de recozimento de 700oC, foi de 0.0244 enquanto o maior valor, obtido para a temperatura de 950oC, foi de 6.7311. O EQM total foi de 27.0078 e a média dos valores de EQM foi 1.9341. Considerando que o cálculo de EQM é feito usando de 2000 a 3000 valores para cada uma das amostras, os valores obtidos são baixos.
A Tabela5.3mostra, para cada valor de temperatura, os valores dos expoentes de encrua- mento das amostras simuladas e experimentais e o valor do erro quadrático. É importante salientar que os valores dos expoentes de encruamento experimentais e simulados estão muito próximos e o respectivo erro quadrático é pequeno. De acordo com a Figura 5.16, nota-se que o perfil expoente de encruamento x temperatura de recozimento experimental e simulado apresenta o mesmo comportamento, o que é coerente com os valores de erro encontrados.
A Figura5.17mostra as curvas obtidas pela rede neural para temperaturas de recozimento diferentes das temperaturas do procedimento experimental. Nota-se que a RNA é capaz de simular o ensaio de tração para qualquer temperatura, pois as curvas apresentam o
Figura 5.5 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 700oC.
Tabela 5.2 – Erro quadrático médio (EQM) entre as curvas tensão em função da deformação experimental e simulada para cada valor de temperatura.
EQM Temp (oC) 0.9499 0 3.5051 400 5.6160 450 1.2667 500 0.0596 550 3.1719 600 1.5863 650 0.0244 700 0.1998 750 0.8750 800 0.2854 850 1.4410 900 6.7311 950 1.3658 1000 Total 27.0078 Média 1.9341
Fonte: (PRESOTI et al.,2015).
perfil esperado de uma curva tensão em função da deformação. A curva correspondente ao recozimento de 200oC assemelha-se com a curva da amostra recozida a 400oC (Figura
Figura 5.6 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 900oC.
Figura 5.8 – Expoente de encruamento e alongamento uniforme.
Figura 5.10 – Micrografia com aumento de 400x da amostra recozida a 850oC e tracionada.
Figura 5.11 – Micrografia com aumento de 400x da amostra recozida a 900oC e tracionada.
5.2), porém o valor de deformação máxima da amostra recozida a 200oC é menor que o da amostra recozida a 400oC .
Ao analisar os resultados obtidos pelos testes para ajustar a arquitetura e topologia da rede neural artificial implementada (Figura 5.18), nota-se que uma camada oculta com dez neurônios já apresenta um baixo valor de erro quadrático médio (Equação (29)). Além disso, através dos testes observa-se que o EQM não varia de maneira significativa para as duas arquiteturas entre dez e dezoito neurônios (Figura5.19), o que não ocorre entre 4 e 9 neurônios.
Figura 5.12 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 600oC.
Tabela 5.3 – Expoentes de encruamento para as amostras experimentais nexp e para as
amostras simuladas nsim e o erro quadrático (nexp− nsim)2 para cada valor de
temperatura de recozimento. Temp (oC) n
exp nsim (nexp− nsim)2
0 0.2964 0.3004 1.60 × 10−5 400 0.2901 0.2869 1.02 × 10−5 450 0.3073 0.3004 4.76 × 10−5 500 0.3130 0.3119 1.21 × 10−6 550 0.3231 0.3250 3.61 × 10−6 600 0.3229 0.3351 1.49 × 10−4 650 0.3249 0.3375 1.59 × 10−4 700 0.3758 0.3672 7.40 × 10−5 750 0.4034 0.4023 1.21 × 10−6 800 0.4140 0.4112 7.84 × 10−6 850 0.4174 0.4110 4.10 × 10−5 900 0.3889 0.3880 8.10 × 10−7 950 0.4297 0.4398 1.02 × 10−4 1000 0.4323 0.4260 3.97 × 10−5
Figura 5.13 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 800oC.
Figura 5.14 – Curvas tensão em função da deformação experimental e simulada para a temperatura de recozimento de 1000oC.
Figura 5.16 – Perfil expoente de encruamento x temperatura de recozimento experimental e simulado.
(a) Recozimento a 200oC. (b) Recozimento a 675oC.
(c) Recozimento a 725oC. (d) Recozimento a 875oC.
(e) Recozimento a 925oC. (f) Recozimento a 975oC.
Figura 5.18 – Teste via EQM para ajustar a arquitetura e topologia da rede neural.
Capítulo 6
Considerações Finais
Este trabalho apresenta um modelo matemático, baseado em Redes Neurais Artificiais (RNA), capaz de simular ensaios de tração a diferentes temperaturas de recozimento para o aço inoxidável ferrítico AISI 430 estabilizado ao nióbio. Este modelo de simulação não pretende aproximar a curva tensão em função da deformação gerada em cada ensaio, mas aproximar o ensaio de tração dado um valor de temperatura e um valor de deformação. Os resultados mostram que a RNA simula corretamente os ensaios de tração, o que a torna capaz de substituir os ensaios para o aço AISI 430 no estado recebido e recozido. Dessa forma, é possível reduzir o custo e o tempo necessário para a realização do ensaio de tração, uma vez que a RNA o simula com precisão.
Além disso, a RNA implementada é capaz de prever o valor do expoente de encruamento, calculado a partir da Equação de Hollomon, em função da temperatura de recozimento. A rede neural artificial também está apta a simular corretamente o comportamento mecânico do aço AISI 430, inclusive o comportamento anômalo em 900oC, já que as curvas simuladas mostraram os fenômenos de recozimento duplo, de recristalização e de recristalização secundária, conforme os resultados experimentais.
Sugere-se para trabalhos futuros a realização do procedimento experimental para outros aços e a simulação do ensaio de tração com a mesma rede neural implementada para verificar a adequação da rede em função do erro quadrático médio, do erro quadrático do expoente de encruamento e das curvas tensão em função da deformação.
Capítulo 7
Contribuições da dissertação
[1] PRESOTI, M.; NASCIMENTO, D. H. A.; MARTINS, F. V. C.; WANNER, E. F. Simulação de uma máquina de ensaio de tração para o aço AISI 430E através de Redes Neurais Artificiais. XII Simpósio Brasileiro de Automação Inteligente. Natal, Rio Grande do Norte, 2015. [2] PRESOTI, M.; NASCIMENTO, D. H. A.; LOPES, W.; MARTINS, F. V. C.; WANNER, E. F. Perfil da curva de índice de encruamento do aço AISI 430E: simulação via Redes Neurais Artificiais. 12o Congresso Brasileiro de Inteligência Computacional. Curitiba, Paraná,
2015.
[3] PRESOTI, M.; MARTINS, F. V. C.; WANNER, E. F.; LOPES, W. Simulation via Artificial Neural Networks and Mechanic Behavior Analysis of Steel AISI 430. (submetido)
Referências
APERAM.Aços inoxidáveis: aplicações e especificações. [S.l.], 2013. Citado na página
27.
BATISTA, T. M. S. Trabalho de Conclusão de Curso,Estudo do comportamento mecânico do aço AISI 409 após uma operação de estampagem profunda. Belo Horizonte: [s.n.], 2015. Citado na página38.
BRAGA, A. de P.; CARVALHO, A. P. de Leon F. de; LUDERMIR, T. B. Redes Neurais Artificiais: teoria e aplicações. 2. ed. Rio de Janeiro: LTC, 2007. Citado na página16. CASTRO, G. M.; ROSSI, E. H.; CASTRO, L. F. A. de; SANTOS, D. B. Caracterização da carepa em aço inoxidavél ferritico abnt 430.Tecnologia em Metalurgia e Materiais, v. 3, p. 40–44, 2006. Citado na página27.
CHIAVERINI, V. Tecnologia Mecânica: processos de fabricação e tratamento. 2. ed. São Paulo: McGraw-Hill Ltda., 1986. Citado na página 14.
CYBENKO, G. Approximation by superpositions of a sigmoidal function.Mathematics of Control, Signals, and Systems, v. 2, p. 303–314, 1989. Citado na página23.
DIETER, G. E.Metalurgia Mecânica. 2. ed. [S.l.]: Guanabara Koogan S.A., 1981. Citado 8 vezes nas páginas6,7,8,9,10,11,12e13.
DISCORDÂNCIA de aresta. 2008. Disponível em: <https://www.youtube.com/watch?v= txRWX5wZ4Ic>. Citado na página11.
FAUSETT, L. V. Fundamentals of Neural Networks – Architectures, Algorithms and Aplications. [S.l.]: Prentice-Hall International Editions, 1994. Citado 3 vezes nas páginas
17,20e21.
GAVIN, H. P. The levenberg-marquardt method for nonlinear least squares curve-fitting problems. Departamento de Engenharia Civil e Ambiental. 2013. Citado 3 vezes nas páginas23,24e25.
GONÇALVES, C. M. Cinética da recristalização e evolução da textura em aço inoxi- dável ferrítico AISI 430 estabilizado com Nióbio, laminado a frio e submetido a re- cozimentos isotérmicos. Dissertação (Mestrado) — Programa de Pós-Graduação em Engenharia Metalúrgica, Materiais e de Minas da Universidade Federal de Minas Gerais, 2015. Citado na página14.
GRILO, T. J. Estudo de modelos constitutivos anisotrópicos para chapas metálicas. Dissertação (Mestrado) — Departamento de Engenharia Mecânica da Universidade de Aveiro, 2011. Citado na página13.
HAYKIN, S.Neural Networks: A Comprehensive Foundation. 2. ed. [S.l.]: Pearson Edu- cation Pte. Ltda., 1999. Citado 6 vezes nas páginas17,18,20,21,22e 23.
HAYKIN, S. Redes Neurais: Princípios e Práticas. 2. ed. [S.l.]: Bookman, 2000. Citado 4 vezes nas páginas18,19,21e22.
INTERPOLAÇÃO Spline. 2015. Disponível em:<http://www2.ic.uff.br/~aconci/splineatual. html>. Citado na página35.
LAMBIASE, F.; ILIO, A. D.; PAOLETTI, A. Prediction of laser hardening by means of neural network. Procedia CIRP, Elsevier, v. 12, p. 181–186, 2013. Citado na página2.
LOPES, W.Efeito da pré-deformação e direção de solicitação no comportamento me- cânico do aço AISI 430E com uso do ensaio de cisalhamento para alterar a trajetória de deformação. Dissertação (Mestrado) — Programa de Pós-Graduação em Engenharia Mecânica da Universidade Federal de Minas Gerais, 2006. Citado na página13.
LOPES, W.Estudo do encruamento dos aços AISI 304 e AISI 409 com uso da técnica de cisalhamento planar simples. Tese (Doutorado) — Programa de Pós-Graduação em Engenharia Metalúrgica e de Minas da Universidade Federal de Minas Gerais, 2009. Citado 5 vezes nas páginas6,11,13,14e30.
LOURAKIS, M. I. A. A brief description of the levenberg-marquardt algorithm implemened by levmar. 2004. Citado na página26.
MARQUARDT, D. W. An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial & Applied Mathematics, SIAM, v. 11, n. 2, p. 431– 441, 1963. Citado 2 vezes nas páginas23e24.
MONAJATI, H.; ASEFI, D.; PARSAPOUR, A.; ABBASI, S. Analysis of the effects of processing parameters on mechanical properties and formability of cold rolled low carbon steel sheets using neural networks.Computational Materials Science, Elsevier, v. 49, n. 4, p. 876–881, 2010. Citado na página2.
OLIVEIRA, A. S. C. M. Notas de aula da disciplina tecnologia dos materiais. Departamento de Engenharia Mecânica da Universidade Federal do Paraná. 2012. Citado na página12. OZERDEM, M. S.; KOLUKISA, S. Artificial neural network approach to predict the mechanical properties of cu–sn–pb–zn–ni cast alloys.Materials & Design, Elsevier, v. 30, n. 3, p. 764– 769, 2009. Citado na página3.
PADILHA, A. F.; JR., F. S.Encruamento, recristalização, crescimento de grão e textura. 3. ed. São Paulo: Associação Brasileira de Metalurgia e Materiais, 2005. Citado 2 vezes nas páginas14e15.
PRESOTI, M.; NASCIMENTO, D. H. A.; LOPES, W.; MARTINS, F. V. C.; WANNER, E. F. Perfil da curva de índice de encruamento do aço aisi 430 e: simulação via redes neurais artificiais. In:12o Congresso Brasileiro de Inteligência Computacional. [S.l.: s.n.], 2015.
Citado 2 vezes nas páginas34e 42.
RAUCHS, G.; BARDON, J. Identification of elasto-viscoplastic material parameters by indentation testing and combined finite element modelling and numerical optimization.Finite Elements in Analysis and Design, Elsevier, v. 47, n. 7, p. 653–667, 2011. Citado na página2.
REDE Cristalina de Materiais Metálicos. 2015. Disponível em: <http://docplayer.com.br/ docs-images/17/80338/images/6-0.png>. Citado na página11.
REED-HILL, R. E.Princípios de Metalurgia Física. 2. ed. Rio de Janeiro: Guanabara Dois S.A., 1982. Citado 2 vezes nas páginas10e11.
SCHAEFFER, L. Conformação Mecânica. 2. ed. Porto Alegre: Imprensa Livre, 2009. Citado na página6.
SILVA, J. M. M. da. Notas de aula da disciplina introdução às redes neurais artificiais. Departamento de Engenharia de Telecomunicações da Universidade Federal Fluminense. 2014. Citado na página17.
SIQUEIRA, R. P. de.Efeitos de orientação na recristalização do aço inoxidável ferrítico AISI 430 com grãos grosseiros e estabilizado ao nióbio. Tese (Doutorado) — Programa de Pós-Graduação em Engenharia de Materiais da Escola de Engenharia de Lorena da Universidade de São Paulo, 2010. Citado 2 vezes nas páginas38e39.
ZANDRAHIMI, M.; PLATIAS, S.; PRICE, D.; BARRETT, D.; BATE, P. S.; ROBERTS, W. T.; WILSON, D. V. Effects of changes in strain path on work hardening in cubic metals.Metal- lurgical Transactions A, v. 20A, p. 2471–2482, 1989. Citado na página 13.