Qualification of the instrumented indentation technique for the parameter identification of welded advanced high strength steels

Autor: Javaheri, Ehsan
Přispěvatelé: Rethmeier, Michael, Technische Universität Berlin, Müller, Wolfgang H., Rawassizadeh, Reza, Barsoum, Zuheir
Jazyk: angličtina
Rok vydání: 2022
Předmět:
DOI: 10.14279/depositonce-15317
Popis: An essential step in the manufacturing or development of a product, or in inspecting the durability of an existing structure or machinery, is to have information about the strength of its consisting materials. Such an information, which can be summarized in the form of a stress-strain diagram, can be obtained by performing a conventional tensile test on the specimens made of the target material. However, when the fabrication of a product requires different manufacturing processes such as welding, the final structure is made of different materials that each has its own unique behavior, e.g., the unique stress-strain curve. In many cases, it is not possible to prepare a homogeneous tensile specimen from such a product, e.g. a welded joint contains three different zones such as base metal, weld seam and heat affected zone. Therefore, it is proposed to reproduce the microstructure of the interest zone in a large area by using a thermomechanical simulator to finally provide a standard tensile specimen or prepare the micro tensile specimens from the target area that require significant effort or the infrastructures which are not available in many small companies or research institutes. Consequently, an alternative approach is needed to determine the mechanical properties of a structure locally with straightforward implementation for the end user. The current research work aims to further develop the instrumented indentation technique (test) to establish a correlation between the indentation test information and the material parameters of an investigated sample. In the first step, the force-indentation depth curves obtained as the output of the instrumented indentation machine are connected with the mechanical properties of the indented samples using a trained artificial neural network. Subsequently, the methodology has been developed by training the artificial neural network based on the data from the surface of an indented sample, which is summarized in the form of the indented surface profile. The latter approach is not only more precise than the first one, it is additionally independent of the instrumented indentation machine which makes it applicable in many small companies. Moreover, there is a strong agreement between the output of the two trained artificial neural networks and the experimental results, indicating the robustness of the employed methodology. Additionally, at the end of the current report and in further work, the introduced methodology was advanced and a concept was presented to perform material characterization with artificial neural networks which are trained with the images taken from the indented surface of a specimen using a high-resolution 3D measurement system and a light microscope. Although, these trained artificial neural networks show acceptable performance and further ease material characterization for the end user, the accuracy of the predicted material parameters can be increased enormously by enlargement of the training datasets.
Ein entscheidender Schritt bei der Herstellung oder Entwicklung eines Produkts oder bei der Inspektion der Haltbarkeit einer bestehenden Struktur oder Maschine ist es, detaillierte Kenntnisse über die Festigkeit der verwendeten Materialien zu haben. Eine solche Information, die in Form eines Spannungs-Dehnungs-Diagramms zusammengefasst werden kann, kann durch eine klassische Zugprüfung an den Proben aus dem Zielmaterial bestimmt werden. Erfordert die Herstellung eines Produkts jedoch verschiedene Fertigungsprozesse wie z. B. Schweißen, besteht die fertige Struktur aus verschiedenen Materialien, die jeweils ein einzigartiges Verhalten aufweisen, z. B. die einzigartige Spannungs-Dehnungskurve. In vielen Fällen ist es nicht möglich, eine homogene Zugprobe aus einem solchen Produkt herzustellen, z.B. enthält eine Schweißverbindung drei verschiedene Zonen wie Grundwerkstoff, Schweißnaht und Wärmeeinflusszone. Eine Möglichkeit besteht darin, die zu untersuchende Zone in einem großen Bereich mit Hilfe eines thermomechanischen Simulators zu reproduzieren, um somit eine normierte Zugprobe aus dem Zielbereich zu fertigen. Diese Methode bedeutet einen erheblichen Aufwand und erfordert Infrastrukturen, die in vielen kleinen Unternehmen oder Forschungsinstituten nicht verfügbar sind. Folglich wird ein alternativer Ansatz mit einfacher Implementierung für den Endanwender benötigt, um die mechanischen Eigenschaften einer Struktur lokal zu bestimmen. Die aktuelle Forschungsarbeit zielt darauf ab, die instrumentierte Eindringprüfung weiterzuentwickeln, um eine Korrelation zwischen den Informationen der Eindringprüfung und den Materialparametern einer untersuchten Probe herzustellen. Im ersten Schritt werden die als Output der instrumentierten Eindringmaschine erhaltenen Kraft-Eindringtiefen-Kurven mit Hilfe eines trainierten künstlichen neuronalen Netzes mit den mechanischen Eigenschaften der eingedrückten Proben verbunden. Anschließend wurde eine Methodik entwickelt, mit der das künstliche neuronale Netz auf Basis der Daten der Oberfläche einer eingedrückten Probe, die in Form des eingedrückten Oberflächenprofils zusammengefasst werden, trainiert werden kann. Der letztere Ansatz ist nicht nur präziser als der Erste, er ist zusätzlich unabhängig von der instrumentierten Eindringmaschine, was ihn in vielen kleinen Unternehmen anwendbar macht. Außerdem gibt es eine starke Übereinstimmung zwischen der Ausgabe der beiden trainierten künstlichen neuronalen Netze und den experimentellen Ergebnissen, was auf die Stabilität der verwendeten Methodik hinweist. Zusätzlich wurde am Ende des aktuellen Berichts und in „Further Work“ die vorgestellte Methodik weiterentwickelt und ein Konzept vorgestellt, bei dem die Materialcharakterisierung mit künstlichen neuronalen Netzen durchgeführt wird, welche mit den Bildern, aufgenommen mit einem hochauflösenden 3D-Messsystem und einem Lichtmikroskop, der eingedrückten Oberfläche einer Probe trainiert werden. Obwohl diese trainierten künstlichen neuronalen Netze eine akzeptable Performance zeigen und die Materialcharakterisierung für den Endanwender weiter erleichtern, kann die Genauigkeit der vorhergesagten Materialparameter durch Vergrößerung der Trainingsdatensätze enorm gesteigert werden.
Databáze: OpenAIRE
Externí odkaz: