توسعه فولاد پرلیتی با خواص مکانیکی و تریبولوژی چشمگیر از طریق یادگیری ماشینی برای کاربرد در ریل راه آهن های سنگین
Machine Learning-Guided Design of Pearlitic Steel with Promising Mechanical and Tribological Properties
فولادهای پرلیتی کاربردهای مهمی در صنایع دارند و به دلیل دارا بودن عملکرد چشمگیر در خواص ضدسایشی و استحکام بالا، در سال های اخیر، توجه بیشتری به آن ها شده است. همچنین، فولادهای یوتکتوییدی یا هایپریوکتوییدی که دارای میکروساختار تقریبا کاملا پرلیتی هستند، به عنوان گزینه ای برای ساخت ریل های راه آهن در نظر گرفته می شوند. با این وجود، شرایط حمل و نقل بسیار سنگین موجب شده است که ریسک آسیب و تخریب فولادهای ریل، افزایش یابد. با توجه به شرایط پیچیده، این باورکلی وجود دارد که طول عمر ریل رابطه مستقیمی با رفتار سایش آن ها دارد، که شامل مکانیزم های خراشان (abrasive)، چسبان (adhesive) و سایش می شود. زمانی که فولاد در معرض سایش خراشان قرار می گیرد، خواص مکانیکی آن تضعیف می شود و منجر به کاهش وزن و تغییر ظاهری آن می شود. در نتیجه، رفتار این فولادها در حضور بارهای سنگین بایستی بررسی شود و با توجه به افزایش ترافیک عبوری از ریل های راه آهن، بایستی خواص مکانیکی و تریبولوژی فولادهای راه آهن افزایش یابد.
همانطور که اشاره شد، شرایط دشوار حاکم بر ریل های راه آهن به توسعه فولادهایی با استحکام بالاتر همراه با مقاومت عالی در برابر سایش نیاز دارد که به چالشی در امنیت سرویس در شبکه های راه آهن تبدیل شده است. به طور کلی، خواص سایشی مواد مورد استفاده در راه آهن تحت تاثیر عواملی مانند بارگذاری، انطباق سختی، سختی سطح، و غیره قرار دارد. تا کنون، تلاش های صورت گرفته است تا سختی و مقاومت به سایش فولادهای پرلیتی موجود، از طریق اصلاح ترکیب، افزایش یابد. در زمینه کاربردهای تریبولوژی، محققین گزارش کرده اند که مقاومت سایشی و اصطکاکی ریل های راه آهن را می توان از طریق اصلاح فاصله گذاری پرلیت و افزایش سختی، بهبود داد. بنابرین، فناوری ای که می تواند سختی مواد را افزایش دهد، در زمینه های مختلفی به کار رفته است تا عملکرد تریبولوژی را افزایش دهد. در دهه های گذشته، توجه فراوانی به اصلاح ترکیب مواد برای بهبود خواص سختی و تریبولوژی شده مواد ریل شده است. رابطه بین تغییرات سختی با توجه به عناصر آلیاژی، بایستی آشکار شود تا به درک جامعی دست یافت.
بررسی تمام عوامل موثر در خواص، به زمان و منابع بسیار زیادی نیاز دارد که همراه با سعی و خطا در آزمایش ها خواهد شد تا به یک راه حل جامع برسد. اما، یادگیری ماشینی که در داده های مواد به کار می رود، به یک راه موثر برای دستیابی به خواص مطلوب در زمینه طراحی و توسعه مواد تبدیل شد است. برای نمونه، با استفاده از روش یادگیری DCSA توسعه یافته است که توصیف گرهای چندگانۀ مواد را برای پیش بینی سریع و منطقی طول عمر پارگی خزشی، در نظر می گیرد که اهمیت بسیار بالایی در رسم نقشه ای از رابطه دقیق بین خواص-ساختار در تعیین طول عمر پارگی خزشی، دارد. علاوه بر آن، اخیراً اصلاح ترکیب مواد از طریق یادگیری ماشینی به عنوان روشی برای بهبود خواص مکانیکی و تریبولوژی مواد پیشنهاد شده است. انتخاب الگوریتم نقش مهمی در توسعه مدل مناسب با عملکرد پیش بینی عالی، بازی می کند. از نظر روابط پیچیده، ورش GRNN که مخفف generalize regression neural network است، که عموما در نمونه های کوجک به کار می رود، راه حل بهتری برای مسائل یادگیری غیرخطی و با ابعاد بالا، است. با در نظر گرفتن دشواری جمع آوری دیتا از مقالات گزارش شده، روش GRNN به عنوان ابزاری موثر برای حل مشکل دیتای محدود در ایجاد مدل رابطه ای بین خواص-ترکیب، در نظر گرفته می شود. در نتیجه، ترکیب بهینه آلیاژی را می تواند برای رسیدن به خواص مکانیکی و سختی مطلوب در نظر گرفت، که به صورت همزمان خواص سایشی در شبکه های راه آهن را افزایش می دهند.
در این مقاله که در مجله Advanced Engineering Materials منتشر شده است، با استفاده از روش یادگیری ماشینی برای درک اثرات عناصر آلیاژی بر روی سختی، شروع می شود. با در نظر داشتین آنالیز یادگیری ماشینی، فولادهایی با ترکیب بهینه برای بررسی دقیق تر انتخاب شدند. برای شناسایی کارآمدی مدل های توسعه یافته، مشخصه یابی و ارزیابی دقیقی بر روی سختی و میکروساختار نمونه های بهینه، انجام شده است که به خواص مکانیکی و مقاومت سایشی ارتباط دارد. سپس، خواص سایشی و اصطکاکی فولاد ساخته شده تحت شرایط سایش خشک و بارگذاری پیوسته بررسی شده است و با سایر فولادهای گزارش شده در مقالات، مقایسه شده است. همچنین، بررسی های دقیقی بر روی مکانیزم های سایشی انجام شده است. نتایج این پژوهش و یادگیری ماشینی نشان داد که فولاد طراحی شده دارای خواص مکانیکی و سختی فوق العاده ای است و از میکروساختار پرلیت ریز لایه ای (لاملار) تشکیل شده است. این فولاد پرلیتی مکانیزم سایش تلیقی را نشان داد که شامل سایش خراشان، چسبان، پوسته پوسته شدن، و تغییر شکل پلاستیکی می شود. در نتیجه، فولادهای طراحی شده سختی بسیار بالایی دارند و خواص مکانیکی و تریبولوژی خوبی نیز دارند که بسیار بهتر از مقالاتی هستند که تاکنون گزارش شده اند. این کار می تواند به توسعه یک ترکیب مناسب برای ایجاد خواص مکانیکی، تریبولوژی و سختی مطلوب و عالی، کمک کند که کاربرد مستقیم در صنایع فولادی و راه آهن های سنگین، دارند.
