Machine Learning Complex Interactions Among Recovery, Precipitation, and Recrystallization for Nb Micro-Alloyed Steels

Xin Li; Qiming Jiang; Xiaoguang Zhou; Guangming Cao; Guodong Wang; Zhenyu Liu

doi:10.1007/s12540-023-01493-9

추천

검색

자료유형: 학술저널

저자정보: Xin Li (Northeastern University) Qiming Jiang (Northeastern University) Xiaoguang Zhou (Northeastern University) Guangming Cao (Northeastern University) Guodong Wang (Northeastern University) Zhenyu Liu (Northeastern University)

저널정보: 대한금속·재료학회 Metals and Materials International Metals and Materials International Vol.30 No.1

발행연도: 2024.1

수록면: 167 - 181 (15page)

DOI: 10.1007/s12540-023-01493-9

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Static softening behaviors that mainly includes recovery and recrystallization play the important role in controlling themicrostructure and mechanical properties of micro-alloyed steels during hot rolling, which is the essence for optimizing thecontrolled rolling processes. Chemical compositions and deformation conditions are the key factors to the static softeningbehaviors, but their quantitative influences are not clear due to the complex interactions among softening, precipitation, andhot deformation. In the present work, an integrated machine learning (ML) system for the static softening behaviors underdifferent chemical compositions and deformation conditions is established, based on ML modeling of strain-induced precipitationand the data collected from the published literatures. The particle swarm optimization (PSO) algorithm was usedto determine the recovery and recrystallization model parameters for different niobium (Nb) micro-alloyed steels. Supportvector machine (SVM) was used to establish the relationships between these parameters and compositions and processingparameters. By using the integrated ML system, the effects of compositions and deformation conditions on the static softeningcritical temperature (SSCT), static softening behavior were predicted. The predictions were compared with the measuredvalues, indicating that the ML system can accurately predict static softening behaviors for different steel grades under differentprocessing conditions, which lays a foundation for the accurate design of controlled rolling processes.

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)