Modelización de los procesos de conformado en caliente de los aceros microaleados de medio carbono mediante la aplicación de redes neuronales artificiales

In this thesis a study was performed to obtain a model of artificial neural network that is able to predict the flow behavior of steel under hot deformation conditions. The hot compression tests are performed on two types of steels: medium carbon micro alloyed steels, with different conditions austenitizing and molded duplex steel. or the neural network model the Multilayer Perceptron (MLP) with backpropagation learning algorithm was used. The inputs to the network are temperature, strain and strain rate. The output is te yield stress. We used four statistical methods to generalize the results. Once the neural network is trained obtain stress-strain curves. Then we determine processing maps using criteria based on the dynamic model of materials (DMM) and the phenomenological approach. The stress train curves and processing maps obtained by the neural network are very similar to the experimental. For dynamic stability criteria areas of maps of the neural network correspon to areas of experimental stability. Phenom enological criteria gives us little information on the stability of the shaped areas for steels studied. In conclusion we can consider that the proposed neural network model can be used as an alternative method in hot forming of different steels. En esta tesis se realiza un estudio para obtener un modelo de red neuronal artificial que sea capaz de predecir el comportamiento de fluencia de los aceros bajo condiciones de deformación en caliente. Los ensayos de compresión en caliente se llevan a cabo sobre dos tipos de aceros: aceros microaleados de medio carbono, con diferentes condiciones de austenización, y el acero dúplex moldeado. Para el modelo de red neuronal utilizamos el perceptrón multicapa (MLP) con el backpropagation como algoritmo de aprendizaje. Las entradas a la red son la temperatura, deformación y la velocidad de deformación. La salida es la tensión de fluencia. Utilizamos cuatro métodos estadísticos estándar para generalizar los resultados. Una vez entrenada la red obtenemos las curvas tensión-deformación. A continuación determinamos los mapas de procesado aplicando los criterios basados en el modelo dinámico de materiales (DMM) y el criterio fenomenológico. Las curvas tensión- deformación y los mapas de procesado obtenidos por la red neuronal son m uy similares a los experimentales. Para los criterios dinámicos las zonas de estabilidad de los mapas de la red neuronal corresponden a las zonas de estabilidad experimentales. Los crite