ОБРАБОТКА МЕТАЛЛОВ Том23 № 4 2021 26 ТЕХНОЛОГИЯ Т а б л и ц а 2 Ta b l e 2 Полученная на выходе микроструктура травленныхобразцов Etched Condition sample microstructure output Глубина от поверхности / Depth from surface Процент черного ( перлит ) / Black Percentage (Pearlite) Процент белого ( феррит ) / White Percentage (Ferrite) 0,5мм 65,73 34,27 1,0мм 44,41 55,59 1,5мм 49,98 50,02 2,0мм 52,02 47,98 2,5мм 67,30 32,70 3,0мм 66,51 33,49 3,5мм 57,57 42,43 в травленном состоянии . Объемный процент перлита и феррита доступен после травления образцов . Результаты иобсуждение Важным показателем обрабатываемости вслу - чае твердого черного металла является твердость . Вслучае серого чугуна микроструктура является более фундаментальным показателем [22]. В1956 годуМуриЛордисследовали влияние микроструктуры на показатель обрабатываемо - сти и разработали уравнение , специально пред - назначенное для серого чугуна [23]: 195, 5 1, 26 11, 7 1, 26 , vp vg g M V V S = - + + гдеVvpиVvg – относятся к объемнымдолям пер - лита и графита в микроструктуре соответствен - но ; Sg – определяется среднимразмером пласти - нок графита в микрометрах . Втабл . 3 показана взаимосвязь между обрабатываемостьюкак вы - ходным параметром и микроструктурными пара - метрами как входными параметрами . На рис . 3 показано изменение обрабатываемости на раз - нойглубине от границыраздела форма – металл . Заключение В текущем исследовании изучается показа - тель обрабатываемости серого чугуна на различ - ной глубине от поверхности . Доступное значе - ние обрабатываемости достигает максимума на глубине , близкой к 3,5 мм . Объемная доля пер - лита , графита исредних пластинок графитарас - сматривается как входная функция для обраба - тываемости . Более высокое значение пластинок графита доминирует над значением показателя обрабатываемости . Список литературы 1. Image based analysis of complex microstructures of engineering materials / T. Wejrzanowski, W. Spychalski, K. Różniatowski, K. Kurzydłowski // International Journal of Applied Mathematics and Computer Science. – 2008. – Vol. 18 (1). – P. 33–39. 2. Samuels L.E. Light microscopy of carbon steels. – Materials Park, Ohio: ASM International, 1999. 3. Electron backscatter diffraction in materials science / A.J. Schwartz, M. Kumar, B.L. Adams, D.P. Field. – 2nd ed. – New York: Springer US Publ., 2009. – 403 p. – ISBN 978-0-387-88135-5. – DOI: 10.1007/978-0-387-88136-2. 4. Krauss G. Steels: processing, structure, and performance. – Materials Park, Ohio: ASM International, 2015. 5. Understanding deep learning techniques for image segmentation / S. Ghosh, N. Das, I. Das, U. Maulik // ACM Computing Surveys (CSUR). – 2019. – Vol. 52 (4). – P. 1–35. 6. Tu Z., Bai X. Auto-context and its application to high-level vision tasks and 3d brain image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2009. – Vol. 32 (10). – P. 1744–1757. 7. Kang B.-H. A review on image and video processing // International Journal of Multimedia and Ubiquitous Engineering. – 2007. – Vol. 2 (2). – P. 49–64.
RkJQdWJsaXNoZXIy MTk0ODM1