This study investigates the application of regression neural networks, particularly the fitrnet model, in predicting the hardness of steels. The experiments involve extensive tuning of hyperparameters using Bayesian optimization and employ 5-fold and 10-fold cross-validation schemes. The trained models are rigorously evaluated, and their performances are compared using various metrics, such as mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R²). The results provide valuable insights into the models’ effectiveness and their ability to generalize to unseen data. In particular, Model 4208 (8-85-141-1) emerges as the top performer with an impressive RMSE of 1.0790 and an R² of 0.9900. The model, which was trained with different datasets for nearly 40 steel grades, enables the prediction of hardenability curves, but is limited to the range of the training dataset. The research paper contains an illustrative example that demonstrates the practical application of the developed model in determining the hardenability band for a specific steel grade and shows the effectiveness of the model in predicting and optimizing heat treatment results.

This study investigates the application of regression neural networks, in particular the fitrnet model, in predicting the hardness of steels. The experiments involve extensive tuning of hyperparameters using Bayesian optimization and employ 5-fold and 10-fold cross-validation schemes. The trained models are rigorously evaluated, and their performances are compared using various metrics such as mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2). The results provide valuable insights into the effectiveness of the models and their ability to generalize to unseen data. In particular, Model 4208 (8-85-141-1) emerges as the top performer with an impressive RMSE of 1.0790 and an R² of 0.9900. The research paper contains an illustrative example that demonstrates the practical application of the developed model in determining the hardenability band for a specific steel grade and shows the effectiveness of the model in predicting and optimizing heat treatment results.

PDF | O objetivo desta revisão é focar os aspectos do superplasticidade que são relevantes para a compreensão das correlações microestrutura e propriedade e micro mecanismos relacionados a parâmetros utilizados como potencial indicador de um comportamento superplástico Uma vez que os principais mecanismos microestruturais e de condições de deformação que controlam conformação superplástica, entre as diferentes condições de ensaio, estão relacionado com os ensaios de tração / fluência e análise micro estrutural. Os parâmetros que são pré-requisitos para os materiais a exibir superplasticidade revistos são: deformação, coeficiente de sensibilidade da taxa de deformação (m), temperatura (T) e características micro estruturais relacionadas com grão (tamanho, forma, estabilidade), a natureza do grão seguido pelos mecânicos e características microestruturas com vários aspectos do comportamento tensão deformação sob condições como a natureza de taxa de curvas tensão-deformação, efeito da taxa de deformação e ductilidade sensibilidade sobre os parâmetros da relação constitutiva e finamente considerando os mecanismos de deformação superplástica. Atualmente, o campo de superplasticidade se expandiu muito incluindo metais ligados mecanicamente, super ligas, cerâmicas, intermetalicos, compósitos de matriz metálica e de matriz cerâmica. Todos têm algum parâmetro material específico relacionado aos mecanismos micro estrutural utilizado como potencial indicador de superplasticidade. A principal razão para a revisão do comportamento superplástico e evolução micro estrutural durante a deformação é a necessidade de conhecer este processo e seus mecanismos microestruturais, cujos parâmetros de controle estão relacionados aos tipos de ensaios realizados e análise microestrutural dos resultados.