Anyagtudományi sejtautomaták skálázási stratégiái

Anyagtudományi sejtautomaták skálázási stratégiái PhD értekezés Gyöngyösi Szilvia Tudományos vezető: Dr. Barkóczy Péter Egyetemi docens

Miskolci Egyetem Műszaki Anyagtudományi Kar Fémtani, Képlékenyalakítási és Nanotechnológiai Intézet Kerpely Antal Anyagtudományok és Technológiák Doktori Iskola Vezető: Prof. Dr. Gácsi Zoltán Egyetemi tanár

Hivatalos bírálók: Dr. Geiger János Dr. Búza Gábor

Miskolc 2016 DOI: 10.14750/ME.2016.012

Gyöngyösi Szilvia PhD értekezés

TARTALOMJEGYZÉK 2016.

TARTALOMJEGYZÉK BEVEZETÉS

1

1. RÖVIDTÁVÚ DIFFÚZIÓVAL VÉGBEMENŐ ÁTALAKULÁSOK

4

1.1 Átalakulások, rövidtávú diffúzió 1.2

Újrakristályosodás 1.2.1 Újrakristályosodás folyamat 1.2.2 Újrakristályosodás kinetikája

1.3

Szemcsedurvulás 1.3.1 1.3.2

1.4

Szemcsedurvulás folyamata Szemcsedurvulás kinetikája

Allotróp átalakulás 1.4.1 1.4.2

Allotróp átalakulás folyamata Allotróp átalakulás kinetikája

2. A SEJTAUTOMATA

4 4 7 9 9 10 11 11 13 15

2.1 A sejtautomata története 2.2

4

A sejtautomata meghatározása 2.2.1 A sejtautomata Neumann-féle közelítése 2.2.2 A sejtautomata leírása véges állapotú automatákkal

2.3 A sejtautomaták csoportosításai

15 17 18 22

2.3.1 A sejtautomaták működése 2.3.2 Szabályrendszer 2.3.3 Az univerzum időbeli változása

24 24 26 28

2.4

Egydimenziós sejtautomaták

28

2.5

A sejtautomata alkalmazásai 2.5.1 A sejtautomata anyagtudományi alkalmazásai

30 31

3. RÖVIDTÁVÚ DIFFÚZIÓS FOLYAMATOK SEJTAUTOMATA SZIMULÁCIÓJA

33

3.1

A szemcsedurvulás szimulációja két dimenzióban

33

3.2

Az újrakristályosodás szimulációja két dimenzióban

35

3.3

Az allotróp átalakulás szimulációja két dimenzióban

38

3.4

Rövidtávú diffúziós folyamatok összekapcsolása

44 i

DOI: 10.14750/ME.2016.012



4. LEGKISEBB BONYOLULTSÁGÚ SKÁLÁZHATÓ SEJTAUTOMATA FEJLESZTÉSE 4.1

Szimulációs paraméterek számának csökkentése 4.1.1 Szemcsedurvulás szimulációs eredmények minimálisan alkalmazható paraméterszámmal 4.1.2 Újrakristályosodás szimulációs eredmények minimálisan alkalmazható paraméterszámmal 4.1.3 Allotróp átalakulás szimulációs eredmények minimálisan alkalmazható paraméterszámmal

45 45 47 48 49

4.2 Rövidtávú diffúziós folyamatok sejtautomata szimulációi egy dimenzióban 51 4.2.1 Szemcsedurvulás szimulációja egy dimenzióban 4.2.2 Újrakristályosodás szimulációja egy dimenzióban 4.2.3 Allotróp átalakulás szimulációja egy dimenzióban

53 56 61

4.3 Egy dimenziós sejtautomaták stabilitás vizsgálata

62

5. SZIMULÁCIÓ SKÁLÁZÁSI STRATÉGIÁINAK KIDOLGOZÁSA 66 5.1 Globális szélsőérték kereső eljárások 5.1.1 5.1.2 5.1.3 5.1.4 5.1.5

Nelder-Mead szimplex algoritmus Genetikus algoritmus Monte-Carlo algoritmus Simulated annealing algoritmus Hill climbers algoritmus

67 67 69 70 70 71

5.2 Skálázás szimplex módszer alkalmazásával

72

5.3 Skálázás stratégiájának kidolgozása a folyamatok kinetikai mérési módszereinek alapján

74

6. ÁTALAKULÁSI FOLYAMATOK MÉRÉSI ÉS ILLESZÉSI EREDMÉNYEI 6.1

Újrakristályosodás folyamatának mérési és szimulációjának illesztési eredményei 6.1.1 6.1.2 6.1.3

A réz ötvözőinek hatása az újrakristályosodásra, a mérési eredmények skálázása Kis karbon tartalmú acél újrakristályosodásának vizsgálata, a mérési eredmények skálázása Elektrolit réz újrakristályosodása, a mérési eredmények skálázása

75

75 75 77 78 ii

DOI: 10.14750/ME.2016.012



6.1.4 6.2

Szemcsedurvulás folyamatának mérési és szimulációjának illesztési eredményei 6.2.1 6.2.2

6.3

46 Cr 2 és 32 CrMo 12 ausztenitesedése , a mérési eredmények skálázása Cu24Zn18Ni ötvözet szemcsedurvulásának vizsgálata, a mérési eredmények skálázása

Allotróp átalakulás folyamatának mérési és szimulációjának illesztési eredményei 6.3.1 6.3.2

7

Alumínium ötvözetek újrakristályosodásának vizsgálata, a mérési eredmények skálázása

Urán allotróp átalakulásának vizsgálata, a mérési eredmények skálázása Kis karbon tartalmú acél allotróp átalakulásának vizsgálata, a mérési eredmények skálázása

SZIMULÁCIÓ ALKALMAZÁSA A GYAKORLATI HŐKEZELÉSBEN

79 82 82 84 85

85 87

89

7.1

Alumínium ötvözetek újrakristályosodásának szimulációja

89

7.2

Zárlati áramok okozta hatás vizsgálata sejt-automata modell alkalmazásával Al59 anyagminőségű huzalban

93

Tört keménységű ( ¼ , ½, ¾ kemény) alumínium ötvözet szalagok szilárdsági tulajdonságainak beállítása hőkezeléssel

95

7.3

ÚJ TUDOMÁNYOS EREDMÉNYEK

106

ÖSSZEFOGLALÁS

108

IRODALOMJEGYZÉK

111

KÖSZÖNETNYILVÁNÍTÁS

117

AZ ÉRTEKEZÉS TÉMAKÖRÉBŐL MEGJELENT PUBLIKÁCIÓK

118

iii DOI: 10.14750/ME.2016.012


JELÖLÉSRENDSZER 2016.

JELÖLÉSRENDSZER Jelölés F T t F B B0 R Szemcsedurvulás d d0 A A0 k k0 QG ps Eh,∑

S0 Újrakristályosodás QN QG N N0 G G0 pN pG Est Est,max k q Eh,∑ m Θ Nú Nö Allotróp átalakulás Eh

Megnevezés átalakult hányad hőmérséklet idő átalakult hányad JMAK egyenlet időérzékenységi tényező JMAK egyenlet preexponenciális tényező gázállandó

Mértékegység

átlagos szemcseátmérő kezdeti szemcseátmérő átlagos szemcseméret kiinduló szemcseméret szemcsedurvulás sebesség állandó szemcsedurvulás preexponenciális tényező szemcsedurvulás aktiválási energia szemcsedurvulás valószínűségi változó határenergia anyagtól függő állandó

cs cs

csíraképződés aktiválási energia csíranövekedés aktiválási energia csíraképződés sebessége konstans csíranövekedés sebessége konstans csíraképződés valószínűségi változó csíranövekedés valószínűségi változó tárolt energia anyagtól függő állandó anyagtól függő állandó alakítás mértéke határenergia határ kitevő kristálytani orientáció eltéréséből származtatott szögeltérés a határon újrakristályosodott sejtek száma összes sejt száma

J/mol J/mol

°C automatalépés, s

J/molK

mm2/s mm2/s J/mol

fázishatár energia I DOI: 10.14750/ME.2016.012


JELÖLÉSRENDSZER 2016.

fázishatár energia szomszédok száma azonos fázishoz tartozó szomszédok száma hajtóerő, a két fázis szabadentalpiájának különbsége Szimuláció alkalmazása Pmeg tulajdonság értéke megújulás után, újrakristályosodás előtt Pdef tulajdonság értéke alakított állapotban K hőmérsékletfüggő tag k0 preexponenciális tag Qmeg megújulás aktiválási energiája B hőmérséklet függő együttható n Avrami kitevő b0 preexponenciális tag Qrex újrakristályosodás aktiválási energiája P(t) tulajdonság értéke t időpillanatban Prex tulajdonság értéke teljesen újrakristályosodott állapotban T(t) az anyag hőmérséklete a t időpillanatban T(t=0) az anyag hőmérséklete a hőkezelés kezdetén T0(t) az alapjel a t időpillanatban ∆t a hőmérséklet lépés i általános alappont m az alappontok száma Eh,0 N n ∆G

II DOI: 10.14750/ME.2016.012


BEVEZETÉS 2016.

BEVEZETÉS

Miért is van szükség a sejtautomata szimuláció alkalmazására? Miben különbözik a sejtautomata szimuláció, az általában használatos „konvencionális” szimulációktól? Egy folyamat szimulációja akkor válik szükségessé, ha az adott folyamat a valóságban valamilyen okból nem vizsgálható, nem tudunk kísérleteket végezni az adott jelenségre vonatkozóan, vagy esetleg túl költséges lenne annak vizsgálata. Ez a műszaki gyakorlatban, a technológiai tervezés folyamatában gyakran teljesül. Napjainkban igen elterjedt szimulációs módszer – az anyagtudományban is gyakran alkalmazott mikroszerkezeti modellezés jól bevált eszköze – a sejtautomata. A folyamatok ez a fajta modellezése nem a megszokott konvencionális módszerek körébe tartozik. A szimulációs módszerek többségében, az úgynevezett konvencionális megoldásoknál az adott jelenség megismerésére és annak leírására törekszünk, vizsgáljuk a folyamat törvényszerűségeit. Méréseket végzünk az adott jelenségre vonatkozóan. A kapott információk ismeretében valamilyen matematikai módszerrel leírjuk a vizsgált folyamatot és készítünk egy eljárást az adott jelenség szimulációjára. Ez a modell többnyire a jelenség fizikai összefüggéseit leíró differenciál-egyenletrendszer megoldását jelenti. Az agyagtudományi modellezéstől ugyan távol áll, de hétköznapi értelembe vett modellezést jelent egy festmény, szobor, vagy vasútmodell elkészítése is. Hiszen akár egy festmény megfestéséről, egy szobor megalkotásáról legyen szó a művész arra törekszik, hogy valamilyen módon elkészítse a valóság kicsinyített mását. Ugyanez igaz a mozdonyra. A vasútmodell megépítése során arra törekszünk, hogy mind geometriai (alak), mind funkcionális hasonlóság legyen a valóság és modellünk között. Modellalkotásnál tehát a valóság kicsinyített mását igyekszünk létrehozni. [Seppo2011]

(a)

(b) 1. ábra (a) Eredeti és (b) vasútmodell [Seppo2011]

Amint terepasztalunkon útnak indítjuk mozdonyunkat, a valóságos vonatok működését szimuláljuk, de ide sorolhatnánk a különböző szimulátorokat, vagy akár videójátékokat is. A szimulációval tehát a valóságtól elkülönítve az eredeti folyamattal minél inkább megegyező rendszert igyekszünk leképezni [Barkóczy2012]. A sejtautomata szimuláció megoldásában különbözik az említett konvencionális szimulációkhoz képest. A jelenség megismerését követően elkészítjük az adott folyamat minél

DOI: 10.14750/ME.2016.012

1


BEVEZETÉS 2016.

valósághűbb sejtautomata szimulációját. Az algoritmus felépítésekor szabályokat fogalmazunk meg az automata működését illetőleg. Méréseket végzünk az adott jelenségre vonatkozóan, és méréseket végzünk a sejtautomata által számított eredményeken. A két mérés összevetéséből láthatjuk, hogy az automata valóban úgy működik-e, mint a valóságos jelenség. Ezzel pedig elvégeztük a sejtautomata illesztését, skálázását. A modell azonban nem tükrözheti a valós folyamatot teljes egészében, annak minden apró részletével együtt, mert akkor vagy a számítási időigényünk nőne akkorára, ami kezelhetetlen, vagy egy megoldhatatlan feladattal találnánk szemben magunkat. Számunkra, a feladat célját tekintve lényeges elemeket emeljük ki. A modell egy matematikai absztrakció. Dolgozatomban bemutatom a sejtautomata anyagtudományi alkalmazhatóságát. Rövidtávú diffúziós folyamatok (újrakristályosodás, szemcsedurvulás, allotróp átalakulás) hatékony, jól működő szimulációja készíthető el sejtautomata módszer alkalmazásával. Ahhoz, hogy ezek az automaták a gyakorlatban is felhasználhatók legyenek, szükséges a rövidtávú diffúziós folyamatok sejtautomata szimulációinak skálázása. Célom, megtalálni azt a megfelelő eljárást - optimalizációs módszert - amellyel az automaták skálázása a leghatékonyabban elvégezhető. Ehhez a lehető legtöbb mérési eredmény szükséges. Doktori képzésem során összegyűjtöttem, és az egyes rövidtávú diffúziós folyamatok szerint csoportosítottam a mérési eredményeket. Újrakristályosodási folyamat esetén különböző anyagminőségű rézötvözet (Cu6Sn2Al, Cu6Sn, Cu12Ni24Zn, Cu18Ni24Zn, Cu30Zn és Cu40Zn), DC05 anyagminőségű acél izoterm hőkezeléséből kapott méréseit, illetve OFHC réz DSC mérési eredményeit összesítettem. Szemcsedurvulásra vonatkozóan 46Cr2 és 32CrMo12 anyagminőségek asztenitesedési diagramjait [Atlas zur Warmebehandlung der stahle] és Cu24Zn18Ni szemcsedurvító hőkezelésének eredményeit veszem alapul a skálázásnál. Allotróp átalakulási folyamat skálázásának bemutatásához urán DSC mérési eredményeit és ST24 alacsony karbontartalmú acél dilatométeres mérési eredményeit gyűjtöttem össze. Az automata felhasználhatóságának sokszínűségét bemutatva látható, hogy milyen esetekben célszerű két dimenzióban, esetlegesen térben, illetve egy dimenzióban alkalmazni az automatát. Látható, hogy két dimenzióban egy számunkra részletes képet kapunk a folyamat végbemenetelére vonatkozóan, a vizuális elemeket is figyelembe véve. Mindhárom folyamat két dimenzióban működő szimulációja követi a fizikai törvényszerűségeket, a számított eredményeken elvégezhető az Kolmogorov-Johnson-Mehl-Avrami analízis és a számolt adatokon túlmenően látványos szerkezeti képet kaphatunk a kialakult mikroszerkezetről is. Az automata technológiai folyamatokban való alkalmazhatóságában, azonban elsődleges szempont a szimuláció gyors működése. Amennyiben a kapott eredményeket, valós mérési eredményekre át akarjuk számolni, akkor nem elegendő, hogy elvégezzük azok skálázását, hanem cél az is, hogy ezt a lehető legkisebb számítási idő alatt tegyük. Ennek megvalósításához tovább folytatva a kutatást a lehető legegyszerűbb automata elkészítésének megvalósítására törekedtem. A korábban alkalmazott kétdimenziós automaták mellett disszertációmban bemutatom, hogy az egydimenziós sztochasztikus sejtautomata is valósághűen követi az egyes folyamatokat. Látható, hogy az egydimenziós automata is alkalmas a folyamatok szimulálására és az automata skálázása is hatékonyabban elvégezhető. Bár a vizuális „élmény” elmarad, ami a kialakult szemcseszerkezetet illeti, de bemutatom,

DOI: 10.14750/ME.2016.012

2


BEVEZETÉS 2016.

hogy mindemellett ugyanannyi információt kapunk, mint az automata két dimenzióban működő társai esetén. A kapott eredményeken szintén elvégezhető a Kolmogorov-JohnsonMehl-Avrami analízis, így az automaták követik a feltételezett kinetikát, továbbá megfelelő sztereológiai összefüggéseket alkalmazva (vonalelemzés), egy dimenzióban is kaphatunk információt a szemcseméret változásáról, illetve eloszlásáról. Egy dimenzióban működő automaták esetében egy állapotváltozás jelentősebb változást eredményez, mint nagyobb dimenzióban működő automaták esetében azt tapasztalnánk. Ezért végeztem egy stabilitás vizsgálatot az automata hibájának felderítésére, hiszen meg kell határozni azt a paraméter együttes tartományt, amelynél az automatát biztonsággal működtethetjük, a lehető legkisebb hibával. Skálázás során a szimulációs eredmények időbeliségét és térbeliségét határozom meg konkrét mérési eredményekkel történő összevetés alapján. A mérések halmazát megvizsgálva arra a megállapításra jutottam, hogy hatékonyság szempontjából az egyes mérési módszereket különböző skálázási stratégiával lehet illeszteni. Ebben az esetben az a lényeges szempont, amit észre kell venni az illesztés során, hogy míg az újrakristályosodás és allotróp átalakulás során (csíraképződéses-növekedéses folyamatok) az időbeli és térbeli skálázást egymástól függetlenül tudjuk kezelni, addig szemcsedurvulás esetén ez nem lehetséges, hiszen a kinetikai elemzés a szemcseméret időben változásával jellemezhető. A szimuláció a gyakorlati alkalmazásban is megállja a helyét, mely kijelentésem helytállóságát különböző példákon keresztül bizonyítom.

DOI: 10.14750/ME.2016.012

3


1. RÖVIDTÁVÚ DIFFÚZIÓVAL VÉBEMENŐ ÁTALAKULÁSOK

2016.

1.

RÖVIDTÁVÚ DIFFÚZIÓVAL VÉGBEMENŐ ÁTALAKULÁSOK

1.1

Átalakulások, rövidtávú diffúzió

Az atomok szilárd anyagokban történő elmozdulása során beszélünk diffúzióról. Amennyiben ez az elmozdulás a rácsparaméternél kisebb távolságot jelent a folyamatot a rövidtávú diffúziós folyamatok csoportjába soroljuk, ellenkező esetben hosszútávú diffúziónak nevezzük. A jelenség folyamán az atomok két kristályrácsot elválasztó határfelületen lépnek át, ami lehet szemcse- vagy fázishatár. Ennek magyarázata, hogy az egyik rács határán lévő atomok energiája megnő. Ekkor a határ elmozdul a magasabb energiájú atomokat tartalmazó rács irányába. A rendszer mindig az alacsonyabb energiaszint elérésére törekszik. Ezt úgy érheti el, hogy az atomok a magasabb energiájú rácsból átugranak az alacsonyabb energiájú rácsba. Ez az ugrás maximum néhány atomnyi távolságot jelent. Rövidtávú diffúzióval végbemenő fázisátalakulások csoportjába tartozik az újrakristályosodás, a szemcsedurvulás és az allotróp átalakulás. Az említett átalakulások mindegyike nagy gyakorlati jelentőséggel bír. 1.2

Újrakristályosodás

1.2.1 Újrakristályosodás folyamata Az újrakristályosodás csíraképződéssel és csíranövekedéssel végbemenő rövidtávú diffúzióval végbemenő, termikusan aktivált folyamat. A hideg képlékenyalakítás következtében a rácsban rácshibák, többnyire diszlokációk keletkeznek, melynek következtében a diszlokáció sűrűség megnő. A diszlokációk hatásövezetében az atomok nem egyensúlyi helyzetben vannak, hanem nagyobb energiával rendelkeznek. Ez a többletenergia az atomok távolságának függvénye, amit a diszlokációk hatásövezete meghatároz. Nagyobb alakítás hatására, az alakítás után a diszlokációk száma nagyobb, így az alakítás hatására létrejövő többletenergia is. Ezt a többletenergiát tárolt energiának nevezzük (Est). A jelenség folyamán a hidegen alakított fémben kellően nagy hőmérsékletre való hevítéskor a deformált kristályok anyagából új, az alakítás következményeitől mentes kristályok képződnek. A keletkező új csírák növekedésnek indulnak mindaddig, míg a növekedésükkel a fémet teljes egészében az új szemcsék töltik ki. Az alakítás következtében deformált és feszültségekkel terhelt kristályokból, új csírák keletkezésével és azok növekedésével, feszültségektől mentes kristályok jönnek létre. A diszlokációk eltűnnek a rácsból és megszűnésükkel a tárolt energia felszabadul. Az újrakristályosodás folyamata látható az 1-1. ábrán. 2014 anyagminőségű alumínium újrakristályosodásának menetét mutatja be az ábrasorozat. Az alumínium lemezeket 90%-os alakítási mértékkel hengerelték, majd hőkezelték. Az újrakristályosított próbadarabokat csiszolást követően StruersLectro-Pol 5 típusú elektro-polírozó1 berendezésen

Elektrolitos maratás: Al, Pb vagy saválló acél katód alkalmazása, 20-45 V egyenáramú körben, maratási idő: 13 perc. 1

DOI: 10.14750/ME.2016.012

4



2016.

és Barker marószer2 alkalmazásával állítottam elő. Az eltérő kristálytani orientációjú szemcsék más-más színben jelennek meg a szemcseszerkezeten. A képeket polarizált fényben Zeiss AxioVert 40-es optikai fénymikroszkópra szerelt Zeiss ICc kamerával készítettem. Az (1-1.a) ábrán az alakított szerkezet látható. A nagymértékű alakításnak köszönhetően a szemcsék egészen elnyújtottak, méghozzá olyan mértékben, hogy a szemcsék egyes területei a látótéren kívül esnek. Hőkezelés hatására a deformált szemcsék határain megjelennek a csírák (1-1.b). A hőmérséklet növekedésével megindul a csíranövekedés (1-1.c,d). Az újrakristályosodási folyamat befejeztével a szerkezetet teljes egészében az újrakristályosodott szemcsék (1-1.e) töltik ki. Az újrakristályosodási folyamatot jellemzően a szemcsedurvulás követi (1-1.f). 500μm

500μm

(a)

500μm

500μm

(b)

500μm

(c)

500μm

(d) (e) (f) 1-1. ábra. (a) alakított szemcseszerkezet, (b) csíraképződés a szemcsehatárokon, (c) csíranövekedés és (d) az újrakristályosodott szövet szemcsedurvulása. Nagyítás: 100x.

Az újrakristályosodási folyamat a gyakorlatban a következőképpen írható le. Ha a fémet, ötvözetet képlékenyen alakítjuk az alakváltozás során a fém több tulajdonsága (fizikai, mechanikai) megváltozik. A tulajdonságváltozás mértékét az alakítás mértéke jelentősen befolyásolja. Az alakítás hatására a fémek szakítószilárdsága, keménysége nagymértékben megnő, míg alakváltozó képessége, nyúlása, villamos vezetőképessége kis mértékben lecsökken (1-2. ábra). Az alakváltozást „elszenvedett” szemcsék a bennük lévő diszlokációkkal együtt elmozdulnak. A diszlokációk további mozgása csak a feszültség további növekedésével lehetséges. A folyamat közben még több diszlokáció keletkezik, így a rendszer még inkább többlet energiához jut. A feszültséggel terhelt alakított fémben a megnövekedett számú diszlokációk egymás mozgását is akadályozzák, melynek következtében a fém ellenáll a további alakításnak. Képlékeny hidegalakítással nagyobb alakváltozást csak nagyobb feszültséggel érhetünk el. Ezt nevezzük a hidegen alakított fém, vagy ötvözet alakítási keményedésének [Tisza2006, Barkóczy2012]. 2

Barker marószer összetétele: 5 g fluorbórsav, 200ml víz

DOI: 10.14750/ME.2016.012

5



2016.

Az alakítási keményedés a hidegen alakított fém mechanikai tulajdonságainak változásával jellemezhető [Tisza2006]. Az alakítási keményedés hatása, hogy a folyáshatár, szakítószilárdág és keménység megnő, míg a fajlagos nyúlás, illetve kontrakció lecsökken (12. ábra). A hidegen alakított darab mechanikai tulajdonságai jelentős változáson mennek keresztül és az alakított szerkezet energiaszintjének megnövekedett állapota még mindig fennáll. Az energia csökkenése - az eredeti állapotba történő visszaállása - az atomok diffúziós mozgásával érhető el. Szobahőmérsékleten az aktiválási energia többnyire nem elegendő a folyamat megindulásához, szükséges egy bizonyos hőmérséklet elérése, hogy elérjük az alakítás előtti állapotot.

(a) (b) 1-2. ábra. (a) Alakítási keményedés következményei. Hidegen alakított színréz szilárdsági és alakváltozási jellemzőinek megváltozása. [Tisza2006], (b)

A gyakorlatban, ha kellően magas hőmérsékletre hevítjük a fémet vagy ötvözetet, majd a kemencetérből kivéve megmérjük annak mechanikai tulajdonságait azt tapasztaljuk, hogy a rendszer igyekszik a legkisebb energiájú, egyensúlyi állapotot elérni, az alakítás előtti állapotot visszaállítani. Az alakított állapothoz képest a vizsgált darab szakítószilárdsága, keménysége lecsökken, nyúlása és kontrakciója (alakváltozó képessége) megnő. A leírt hőkezelési folyamatot nevezzük lágyító hőkezelésnek, vagy acélok esetén újrakristályosító izzításnak. Az újrakristályosodás során kialakuló szemcseméret jelentősen befolyásolja az anyag mechanikai tulajdonságait, ami technológiai szempontból nagyon fontos információ. Az, hogy milyen mikroszerkezetet kapunk az alakítást követő hőkezeléssel nagymértékben függ az alakítás mértékétől. Nagy alakítás esetén több diszlokáció keletkezik, nagyobb lesz a rendszer tárolt energiája és így a csíraképző helyek száma. Több újrakristályosodási csíra esetén finomabb szemcseszerkezetet, így kedvezőbb mechanikai tulajdonságot (szakítószilárdság, szívósság) érhetünk el. Egy bizonyos értéknél kisebb alakítás esetén nem indul meg az újrakristályosodási folyamat. Ez igaz a hőmérséklet hatására is. Ha nem közlünk elegendő hőt, az atomok nem képesek helyet változtatni a rácsban, így szintén nem indul meg a folyamat. [Tisza2006, Verő1996, Cotterill1982, Verhoeven1975]. Az újrakristályosodási folyamat befejeztével, ha a darabot, még hosszabb ideig, vagy magasabb hőmérsékleten hőkezeljük azt tapasztaljuk, hogy a szemcsék mérete tovább nő. Egyes szemcsék magukba

DOI: 10.14750/ME.2016.012

6



2016.

olvaszthatják szomszédjaikat, melynek következtében megindul a szemcsedurvulási folyamat (1.3 Fejezet). Nagyobb szemcseméret rosszabb mechanikai tulajdonságot kisebb szilárdsági és szívóssági értéket jelent. Az újrakristályosodás után kialakult szemnagyság D = 2.42*(G/N)1/4 összefüggéssel határozható meg, ahol N – a csíraképződés sebessége, mely tényező függ a csíraképző helyek számától (a csíraképző helyek száma növekszik, a diszlokáció sűrűség növekedésével), G – csíranövekedés sebessége, mely tényező diffúzió sebesség függő (a diffúzió sebessége nő a hőmérséklet növekedésével). Képlékeny alakítás során a fémek kristályainak csúszósíkjai igyekeznek a terhelő erő irányába fordulni, melynek következtében az addig izotrópnak tekinthető fémben a kristályok akár határozott kristálytani rendezettségben állnak. Ezen meghatározott irányokban, illetve az ahhoz közel álló irányokban nagyszámú csúszósík van. Ezt a fajta kristálytani rendezettséget alakítási textúrának nevezzük (1-3. ábra). Az alakított fém ezáltal anizotróppá válik, a mechanikai tulajdonságok pedig irányfüggővé [Tisza2006].

1-3. ábra. Alakítási textúra kialakulása a képlékeny alakváltozás során Tisza2006].

Az újrakristályosodás során kialakuló új kristálycsírák, az alakított állapotú kristályokból jönnek létre, az új kristályok helyzete és irányítottsága függ attól a kristálytani rendezettségtől amiből létrejött. A csírák növekedése elsősorban a hőmérséklettől és a hőkezelés idejétől függ, de a mozgó szemcsehatáron értelmezhető orientáció-eltérés is befolyással bír a kialakuló textúrára. Amennyiben a sokkristályos anyagban a kristályok orientációja teljesen véletlenszerű, úgy a szóban forgó anyag izotróp. Ha a térben fellelhetők olyan kitüntetett irány, vagy irányok amelyben a kristályok jellemzően állnak, úgy az anyag anizotróp. Textúrának nevezzük a kristályok orientációjának a véletlenszerűtől való eltérését. A textúrásság ismerete lényeges szempont, hiszen a kristályok mechanikai, villamos, mágneses stb. tulajdonságai az egyes kristálytani irányokban eltérőek [Bárczy1981]. Az újrakristályosodási textúra lehet az alakítási textúrával megegyező, illetve eltérő az újrakristályosító hőkezelés hatásától függően. 1.2.2 Újrakristályosodás kinetikája A mérési eredmények bemutatásánál látható (5. Fejezet), hogy a lágyító hőkezelés során bekövetkező tulajdonságváltozások az újrakristályosodott hányad változásával vannak szoros összefüggésben. Az újrakristályosodás kinetikája az újrakristályosodott hányad változásával írható le. Az átalakult hányad időbeli változását mutatja az 1-4.ábra (a). Az

DOI: 10.14750/ME.2016.012

7



2016.

újrakristályosodott térfogathányad idő és hőmérséklet függését az Kolgomorov-JohnsonMehl-Avrami (a továbbiakban JMAK) egyenlet írja le (1.1) [Verő1996, Medina2001].  Q   F  1  exp   B0 exp  R  t n   RT   

(1.1)

A folyamat kinetikai vizsgálata elvégezhető az JMAK analízissel. Ha az egyenletet kétszer logaritmizáljuk (1.2), akkor a mért összetartozó átalakult hányad és idő értékeknek egy egyenesre kell esniük (1-4.ábra (b)). Az egyenes meredeksége az Avrami kitevő, ami a csíraképződés és csíranövekedés folyamatának jellegére utal. A növekedés a tér három független irányában azonos sebességgel történhet, ezért az Avrami kitevő értéke maximum 4 lehet, ha a csíraképződés folyamatos.

  1    Q  ln  ln     ln  B0 exp      n ln t   RT    1 F  

(1.2)

(a) (b) 1-4. ábra.(a) átalakult hányad változása az időben jelölve a hőmérséklet és az alakítás mértékének hatását az újrakristályosodásra, (b) Avrami analízis

Az újrakristályosodást csíraképződési és a csíranövekedési folyamatok együttese alkotja. A folyamatok sebességét döntően a hőmérséklet és az alakítottság mértéke befolyásolja. E két tényező határozza meg a folyamat hajtóerejét. Az alakításból eredő energianövekedés annál nagyobb minél nagyobb az alakítás mértéke. Ekkor növekszik az alakított és alakítatlan állapot közötti energiakülönbség, ami a folyamat hajtóereje. Ez a többletenergia, a tárolt energia az alakított állapot fennmaradásáig az anyagban marad. A tárolt energia az újrakristályosodási folyamat hajtóereje. A hőmérséklet is jelentős befolyással bír a folyamatok sebességére. Minél nagyobb a hőmérséklet annál nagyobb az atomok energiája (amely a Maxwell Boltzman eloszlással jellemezhető), annál nagyobb valószínűséggel változtatnak helyet a rácsban. Mivel a folyamatot az atomok elmozdulása, azaz a diffúzió irányítja (az atomok határon történő átlépésével), a hőmérséklet emelkedésével ezt a folyamatot gyorsítjuk.

DOI: 10.14750/ME.2016.012

8



2016.

A csíraképződés és a csíranövekedés termikusan aktivált folyamatok, sebességük - egy aktiválási energia (ahhoz, hogy az atomok képesek legyenek elmozdulni egymáshoz képest, úgy energiát kell közölnünk, ez az energia érték az aktiválási energia) értéken keresztül - függ a hőmérséklettől, a következő egyenletek (1.3,1.4) szerint:  Q  N  N 0 exp   N   RT   Q  G  G0 exp   G   RT 

1.3

(1.3) (1.4)

Szemcsedurvulás

1.3.1 Szemcsedurvulás folyamata Jellemzően újrakristályosodás után, illetve acélok ausztenitesedését követően következhet be szemcsedurvulási folyamat. A szemcsedurvulás rövidtávú diffúzió által vezetett termikusan aktivált folyamat. Az újrakristályosodást követően, az átlagos szemcseméretet a szemcsedurvulási folyamat növeli, ezzel is hozzájárulva az újrakristályosodott szerkezet kialakulásához. 500μm

500μm

500μm

(a) (b) (c) 1-5. ábra. Szemcsedurvulás folyamata (CuZn30). T = 900 °C (a) t = 1 h, (b) t = 16 h és (c) t = 24 h. (Nagyítás: 100x, Marószer: Kálium-DiKromát3)

Az átlagos szemcseméret növekedése azzal magyarázható, hogy adott térfogatrésznek annál nagyobb az energiája, minél több szemcsehatárt foglal magába. A rendszer mindig a kisebb energia állapot elérésére törekszik, amihez a szemcseméret növekedése hozzájárul. A szemcsedurvulás folyamatát szemlélteti az 1-5. ábra. CuZn30 ötvözet hőkezelését végeztem el 900 °C – on különböző hőkezelési időintervallumokat kiválasztva, azért, hogy szemléltessem az idő múlásával hogyan nő a szemcse mérete. A hőkezelt darabokat a kívánt mikroszerkezeti felvétel előállításához előkészítettem (csiszolás, polírozás, maratás: Kálium-DiKromát3 marószer alkalmazásával). A képeket Zeiss AxioVert 40-es optikai fénymikroszkópra szerelt Zeiss ICc kamerával készítettem. 3

Kálium-DiKromát marószer összetétele: 1g kálium

dikromát, 4 ml kénsav, 50 ml víz

DOI: 10.14750/ME.2016.012

9



2016.

1-6. ábra. Szemcsenövekedés mechanizmus a határ elmozdulásával. [Tisza2006]

A szemcsedurvulás folyamatát illusztrálja a 1-6. ábra. A szemcsehatárok egyfajta átmeneti zónaként vannak jelen az eltérő orientációjú szemcsék között. Mivel szorosan egyik szemcse rácsához sem tartoznak, így energiájuk is nagyobb. Ennek következménye, hogy mozgékonyságuk is megnövekszik, így ezen határon elhelyezkedő atomok könnyebben képesek helyet változtatni a rácsban. A szerkezetben a határok nem sík felületek. A konkáv határon elhelyezkedő atomok helyzete stabilabb (1-6. ábra.) energiájuk kisebb, ellenben a konvex szemcsehatáron lévő atomokéval. A rendszer kisebb energiaszint elérésére törekszik, amelyet úgy ér el, hogy a magasabb energiájú atomok átlépve a szemcsehatárt csökken az energiájuk. A szemcsehatár vándorlása az atomok mozgásával ellentétes irányba történik. A leírt mechanizmus során egyes szemcsék egészen nagyra nőnek, egyes szemcsék mérete csökken, mindaddig míg bele nem olvadnak növekvő szomszédos nagy szemcsékbe. A leírt folyamat a szemcse durvulása, melynek hajtóereje a szemcsehatár oldalain elhelyezkedő atomok energiájának különbsége. [Chan2002, Tikare1998] 1.3.2 Szemcsedurvulás kinetikája A folyamat jellemzője, hogy átlagos szemcseméret (A) változása az idő függvényében lineáris a különböző izotermákon (1-7. ábra (a)).

At   A0  kt

(1.5)

Az átlagos szemcseterületet ábrázolva az idő függvényében látható, hogy azok egy egyenesre esnek. A különböző hőmérsékletű hőkezelések eredményei közötti különbség a kapott egyenesek meredeksége (k). [Saito1998].  Q  k  k 0 exp     RT 

(1.6)

DOI: 10.14750/ME.2016.012

10



2016.

(a) (b) 1-7. ábra. (a) átlagos szemcseméret változása az idő függvényében különböző hőmérsékleten, (b) kinetikai analízis

1.4 Allotróp átalakulás 1.4.1. Allotróp átalakulás folyamata Egyes fémek jellemző tulajdonsága, hogy szilárd állapotban a hőmérséklet (esetleg a nyomás) függvényében más-más kristályszerkezettel rendelkeznek. Ezt a tulajdonságot kristályos anyagok esetén polimorfizmusnak nevezzük. Fémek esetén allotrópiának. Allotróp átalakulás az a jelenség, amikor egyik kristályrendszerből egy másik kristályrendszerbe megtörténik a fázisátalakulás. A fémek tulajdonságait befolyásolja az, hogy milyen kristályszerkezetük van, ezért gyakorlati szempontból igen nagy jelentősége van az allotróp átalakulás ismeretének. Fémes elemek közül a vasnak, a titánnak, a kobaltnak, az uránnak és az ónnak ismertek különböző allotróp módosulatai. Gyakorlati szempontból a vas allotróp átalakulásának van nagyobb jelentősége. Irodalmi és saját mérési eredményeim kis karbontartalmú acélra, uránra és titán ötvözetre vannak, ezért ezen fémek allotróp módosulatainak jellemzőit ismertetem.

‹ 911 °C

‹ 1392 °C

(a) (b) (c) 1-8. ábra. (a) térben középpontos kockarácsú α-vas,(b) felületen középpontos kockarácsú γ-vas és (c) térben középpontos kockarácsú α-vas

A vas két stabil módosulata ismert légköri nyomáson, egy térben középpontos és egy felületen középpontos kockarácsú (1-8. ábra). 911 °C –ig térben középpontos kockarácsú, 911°C és 1392 °C között felületen középpontos kockarácsú, 1392 °C hőmérséklet felett szintén térben középpontos kockarácsú módosulata stabil, ami a Heyn-Charpy-féle ikerdiagram C = 0% -nál látható (1-10.ábra).

DOI: 10.14750/ME.2016.012

11



2016.

(a) (b) 1-9. ábra. (a) Színvas allotróp átalakulása és módosulatai, (b) Színvas fajhője [Tisza2006]

Az egyes allotróp módosulatokat a növekvő hőmérséklet függvényében rendre a görög abc betűivel jelöljük. A térben középpontos kockarácsú módosulatát α-vasnak (1-8. ábra (a) és (c)), a felületen középpontos kockarácsú módosulatát pedig γ-vasnak nevezzük (1-8. ábra (b)).

1-10. ábra. A vas allotróp átalakulásai és a vas-karbon ötvözetrendszer egyensúlyi fázisdiagramja.

A vas legfontosabb ötvözőeleme a karbon. A karbon ötvözésével nagyobb hőmérsékletközben lesz stabil a γ fázis a vas és karbon szilárd oldata, az ausztenit. Ennek az allotróp átalakulásnak a következménye az ausztenit eutektoidos átalakulása is. Ezeket a szövetelemeket és egyensúlyi illetve nem-egyensúlyi átalakulásaikat használjuk ki az acélok hőkezelési technológiáiban. A nukleáris technikában, a gyakorlatban is találkozunk az uránnal. Az uránnak a hőmérséklet függvényében három allotróp módosulata létezik. A hőmérséklet növekedésével ezek a következők: α-ortorombos rács, β-tetragonális rács és γ –térben középpontos kockarács. Az

DOI: 10.14750/ME.2016.012

12



2016.

urán allotróp átalakulási hőmérséklete 941 K és 1049 K. 941 K alatt ortorombos rácsszerkezetben, 941K és 1049 K között tetragonális rácsszerkezetben, valamint 1049 K felett térben középpontos kockarácsban helyezkednek el az atomok. A titánt széleskörű alkalmazási területei miatt - turbóreaktorok, versenyautók, fegyverzetek, sportszerek, óragyártás, optikai eszközök – a legfontosabb színesfémek csoportjába sorolhatjuk, így az allotróp átalakulása is jelentős gyakorlati szerephez jut. Szilárd fázisban az ötvözetlen titánnak két allotróp módosulata ismert.

(a)

(b)

1-11. ábra.(a) hexagonális rácsszerkezet, (b) térben középpontos kockarács

882°C-ig α-titán sűrű kitöltésű hexagonális rácsszerkezetű (1-11. ábra.(a)), 882°C-tól 1668°C-ig a térben középpontos kockarácsú β-titán stabil (1-11. ábra.(b)), amelynek fajtérfogata nagyobb, mint az α –titáné. Nagy nyomáson további allotróp módosulatok is létrejöhetnek. Ötvözés hatására szobahőmérsékleten megjelenhet stabilan az α és β fázis egymás mellett, ami az orvosi implantátumok kedvelt anyaga. Az egymás mellett lévő két stabil módosulat miatt hőkezeléssel kedvezően módosíthatók az ötvözetek tulajdonságai. 1.4.2 Allotróp átalakulás kinetikája Az allotróp átalakulás az előzőekhez hasonlóan csíraképződéses, csíranövekedéses folyamat. Az allotróp átalakulás hajtóereje a különböző allotróp módosulatok, azaz a folyamatban szerepet játszó stabil és instabil fázis szabadentalpiájának különbsége.

(a)

(b)

1-12. ábra. (a) A különböző kristályszerkezetek szabadentalpiája a hőmérséklet függvényében, ami az allotróp átalakulás hajtóereje (b) a vas allotróp átalakulásának hajtóereje.

DOI: 10.14750/ME.2016.012

13



2016.

Az 1-12. ábra (a) acél allotróp átalakulásának hajtóerejét, az  és  fázis szabadentalpia görbéjének különbségét mutatja a hőmérséklet függvényében. Az allotróp átalakulás hőmérsékletén a két fázis szabadentalpiája megegyezik, a folyamatnak ezen a hőmérsékleten nincs hajtóereje. ∆T1 hőmérsékletkülönbség a ∆G1 szabadentalpia változást, ∆T2 hőmérsékletkülönbség pedig a ∆G2 szabadentalpia változást jelenti az  és  fázisok között. Az atomi diffúzió ez esetben is megindul a stabil fázist jelentő rács irányába. Ha nő a sebesség, akkor nő a diffúzió sebessége is. Az egyensúlyi hőmérséklet fölött a hajtóerő is és a diffúzió sebessége is nő a hőmérséklet növekedésével. Az egyensúlyi hőmérséklet alatt a folyamat hajtóereje nő, de a diffúzió sebessége csökken a hőmérséklet csökkenésével. Ennek megfelelően a hőmérséklet csökkenésével először gyorsul az átalakulás, majd tovább hűtve a rendszert a folyamat egyre lassabban megy végbe. Az belátható, hogy minél nagyobb a két fázis szabadentalpiájának különbsége, azaz minél nagyobb a hőmérséklet különbsége annál nagyobb a folyamat hajtóereje.

DOI: 10.14750/ME.2016.012

14


2. A SEJTAUTOMATA 2016.

2.

A SEJTAUTOMATA

2.1 A sejtautomata története A sejtautomata módszer elvi alapjainak kidolgozása kapcsán két nagy nevet említhetünk meg. Stanislaw Marcin Ulam, lengyel származású matematikust és igen ismert magyar tudósunkat, Neumann Jánost. Az 1940-es években, a II. világháború idején a Los Alamos-i National Laboratory-nál több neves tudós munkálkodott a hidrogénbomba előállításán. Ulam és más ismert tudósok mellett, Neumann János is részt vett a plutónium bomba megépítésével kapcsolatos programban [Eckhardt1987]. Ezekben az években Ulam kristályok növekedésével, illetve azok modellezésével foglalkozott. Modellalkotása kapcsán alkalmazta először a sejtautomata módszert. A „sejtautomata” elnevezést Neumann János használta először. Modellje létrehozásához – Neumann János javaslata alapján - rácshálót, vagy más néven grid-et alkalmazott. Ez a rácshálózat elemi sejtek halmazából épült fel, ahol minden sejt „kötelezően” rendelkezett valamilyen állapottal. A sejtek előre definiált szabályok alapján változtatták meg állapotukat. Eredményül különböző geometriai minták jöttek létre. Az adott szabálynak megfelelően már-már szinte „élő” alakzatként jelentek meg. Ezek az alakzatok egymást megsemmisítve küzdöttek az életben maradásért. A sejtautomata további szabálya, a sejtek közötti kapcsolat. Egy – egy sejt „élete” a szomszédos sejtektől függött. Az alábbi elgondolást követve belátható, hogy a legegyszerűbb szabály három sejtre vonatkozik és a három sejt nyolcféle élő (23 = 8) konfigurációban fordulhat. Ezen szabályok egyszerűsége ellenére, igen bonyolult alakzatok is létrejöhetnek, ezek az önhasonló mintázatok, vagyis fraktálok. A Los Alamosi években Neumann János egy önreprodukáló robot megalkotását tervezte. Ehhez Ulam javaslatára egy matematikai eljárást dolgozott ki. Barátja elméleti munkáját felhasználva egy olyan automatát hozott létre, amely univerzális, másoló és építő. A rácshálót alkotó sejtek szomszédjait figyelembe véve működése közben 29 állapotot különböztetett meg. Modellje Univerzális Konstruktorként ismert (tessellation modell). Tulajdonképpen az önreprodukáló gép megalkotása kapcsán, született meg a sejtautomata elnevezés, Neumann János által. Neumann azt is bebizonyította, hogy megfelelő átmeneti függvényekkel terveinek megfelelően a sejtautomata univerzális és önreprodukáló. Később E.F. Codd fejlesztette tovább az automata alkalmazását. Codd Neumann munkáját annyiban egyszerűsítette le, hogy bebizonyította csupán nyolc állapot is elegendő egy reprodukáló gép elkészítéséhez. Neumann munkájának nyomán Arthur Burks, illetve később John Holland (a „genetikus algoritmusok atyja”) foglalkozott, illetve fejlesztett ki sejtautomata elven működő szimulációs programot. A sejtautomata népszerűsége 30 évvel később sem csökkent, mi sem bizonyítja ezt jobban, mint az hogy a 70-es években a The Game of life automata indult térhódító útjára. Itt persze érdemes megemlíteni azt is, hogy a játék népszerűsége, olyannyira a magaslatokba tört, hogy a TIME becslése szerint annyi gépidőt vesztettek a játékkal, mellyel már több millió dolláros anyagi károkat okoztak számítógépeket üzemeltető bankoknál és biztosítótársaságoknál. Az említett automata kifejlesztése John Horton Conway nevéhez fűződik, aki a módszert a minimumig igyekezett leegyszerűsíteni. Az életjáték program sejtjei négyzethálózatot építenek fel, kétállapotúak, és tulajdonképpen kétdimenzióban működő determinisztikus sejtautomaták, ahol az idő diszkrét időegységekben mérhető. Az életjátékról Martin Gardner a

DOI: 10.14750/ME.2016.012

15



Scientific American című folyóiratban a következőz írta: „A játék ugyan azonnal híressé tette Conwayt, de feltárta a matematikai kutatás egy egészen új területét, a sejtautomaták területét… Az élet analógiáján alapulva, az élő szervezetek egy társadalmának a felemelkedésével, hanyatlásával és változtatásaival ez az automata egy olyan növekvő osztályához tartozik, amit szimulánsjátékoknak neveznek. Vagyis olyan játékok, amik igazi életfolyamatokra hasonlítanak.” Conway determinisztikus, kétállapotú automatájában a két állapot a sejt élő (fekete), vagy halott (fehér) voltát jelentette. Egy sejt nyolc szomszédjára (Moore-féle reláció) négy szabály fogalmazott meg:    

ha egy élő sejtnek kettőnél kevesebb szomszédja van, akkor meghal; ha egy élő sejtnek háromnál több szomszédja van, akkor meghal; ha egy halott sejtnek pontosan három szomszédja van, akkor életre kel; egyébként, az összes többi sejt eredeti állapotában marad.

(a)

(b)

(c) (d) 2-1. ábra. (a) Csendélet: csíkos, (b) Oszcillátor: queen bee turn, (c) Űrhajó: c4-orthogonal és (d) Ágyú: 2c5 spaceship gun p416 [Golly sejautomata szimulátor]

2-1. ábrán láthatók példák a The game of life működésére. Különböző minták jöhetnek létre a kiinduló állapottól, illetve a megfogalmazott szabályoktól függően. A kialakuló mintázatok közül is a legnépszerűbbek a „csendélet”, az „oszcillátor” (pislogó), az ” űrhajó”, illetve az „ágyú”. Conway elmélete szerint a minták növekedése, azaz az élő sejtek száma véges. Bill Gospel és csapata ezt a feltételezést megcáfolta, amikor bebizonyította, hogy létezik, létrehozható olyan „élő” alakzat, amely ismétlődően kibocsát magából egy mozgó mintát (Gospelgun). Ezekkel az egyszerű automatákkal különböző matematikai vizsgálatokat

DOI: 10.14750/ME.2016.012

16



végeztek el megalkotóik. 1969-ben Konrad Zuse Calculating Space című könyvében leírta, hogy a világegyetem determinisztikus eredménye leírható sejtautomatával. Több a természetben megtalálható legegyszerűbb élőlények is emlékeztetnek a sejtautomatára. A Conus Glorimaris kagyló héján például a 30-as szabály jelenik meg a mintázatban (2.2 ábra).

2-2. ábra. (a) Wolfram automata 30-as szabály, (b) a Conus Glorimaris kagyló héján megjelenő 30-as szabály mintázata

Az 1980-as években Stephen Wolfram kategorizálta és rendszerbe szervezte az egy dimenziós determinisztikus sejtautomatákat, amelyek ma mint Wolfram szabályok ismertek. Wolfram munkája során vizsgálta azokat az egyszerű automatákat, amelyek komplex viselkedést mutatva alkalmasak a természetben végbemenő folyamatok vizsgálatára. 2005-ben Rudy Rucker matematikus és író komoly kutatásai mellett rendkívül nagy hangsúlyt fektetett a sejtautomata módszer népszerűsítésére. Munkáiban Wolfram elméleteinek kiterjesztését végzi az univerzális automata irányában.

2.2 A sejtautomata meghatározása A sejtautomata egy térben és időben diszkrét modell, dinamikus rendszer. Alkalmazása az élet számos területén népszerűvé vált. Használata teret hódított többek között a matematikában, számításelméletben, fizikában, a biológiában, kémiában és az anyagtudományban is, ahol mikroszerkezetek modellezése kiválóan megoldható a módszer alkalmazásával. Így fémekben végbemenő átalakulási folyamatok - bizonyítottan rövidtávú diffúziós folyamatok - során kialakuló mikroszerkezetek modellezése is hatékonyan megvalósítható a sejtautomatával. Ha röviden definiálni akarjuk a sejtautomata fogalmát, akkor az a következőképpen írható le: a sejtek szabályos rácshálózatot építenek fel, ahol minden sejt egyforma. Az automata működése során mindegyik sejt az előre definiált véges állapotok halmazából minden időlépésben (automatalépésben) felvesz egy állapotot. Minden sejtre ugyanazon állapotok érvényesek. Az első amivel meg kell barátkoznunk az automata alkalmazásánál, azok a diszkrét mennyiségek, az automata diszkrét volta. A klasszikus matematikában hozzászoktunk a folytonos változások kezeléséhez, itt azonban nem a megszokott folytonos mennyiségekkel dolgozunk. Az egyik ilyen mennyiség, amit a definícióban is megadtam az az állapot, amit az automata létrehozása előtt definiálnunk kell. A másik a szabályrendszer, amit szintén a feladattól függően előre meg kell határoznunk és amely szabályokkal módosíthatjuk a sejtek

DOI: 10.14750/ME.2016.012

17



állapotát. Ugyanez igaz a szomszédsági relációra is, ugyanis a sejtek új állapota a saját és a szomszéd sejtek állapotának függvénye. Az idő szintén diszkrét egységekben mérhető. A rács működhet egy-, két-, illetve három dimenzióban. A későbbiekben látható lesz, hogy a modellezett folyamatok mindegyike jól működhet a felsorolt dimenziók valamelyikében, az alkalmazás az amely megszabja, hogy melyik megoldás lesz a legmegfelelőbb számunkra. Ez csak egy nagyon rövid megfogalmazása a sejtautomatának, a következőekben részletesen ismertetem azokat a fogalmakat, amelyek együtteséből egy sejtautomata szimuláció felépül. 2.2.1 Sejtautomata Neumann-féle közelítése: A sejttér: A sejttér egy rács, ahol a sejtteret alkotó minden egyes sejt egy-egy rácselemnek felel meg. Két dimenzióban háromszög, négyszög és hatszög rács, míg három dimenzióban az egyszerűbb kezelhetőség miatt a kockarács alkalmazása vált egyeduralkodóvá. Az előre definiált véges számú állapotok közül a sejteknek minden egyes lépésben rendelkeznie kell az előre meghatározott állapotok valamelyikével. A sejtautomata egymást követő lépések folyamata, működése során az automata minden időlépésben megvizsgálja minden egyes sejtnek az állapotát. A sejtek állapotát egy szabályrendszer határozza meg. A vizsgálat során az állapotváltási szabályokat is figyelembe véve dönti el az automata, hogy mi lesz az adott sejt új állapota. Az új állapotból az előzőekben leírt módon határozza meg a következő új állapotot, és így lépésről lépésre változnak a sejtek állapotai, és halad előre az automata. A szomszédságok: Az automata működése során a sejtek kölcsönhatásban vannak. Az új állapot nemcsak a sejt saját, hanem a szomszédjai állapotának is függvénye, ezért definiálni kell az úgynevezett szomszédságokat, amelyek megadják, hogy melyik sejtek lépnek kölcsönhatásba egymással. Feladattól, illetve attól függően, hogy milyen sejtgeometriát választottunk sokféle szomszédság alkalmazása terjedt el.

2-3. ábra. A vizsgált sejt szomszédjai egy dimenzióban négyszög sejtgeometria esetén [Fadaei2009]

0 (a) (b) (c) (d) 2-4. ábra. Szomszédsági relációk négyszög sejtgeometria esetén két dimenzióban (a) Moore-féle, (b) Neumann-féle és (c,d) alternáló 7-es szomszédság.

Egy dimenzióban értelemszerűen nem igazán beszélhetünk geometriáról, szemléltetésképpen a négyszög geometriát alkalmazva mutatom be az egy dimenzióban működő automata jellemzőit, így a szomszédságot, amely ebben az esetben a legegyszerűbb, hiszen a vizsgált

DOI: 10.14750/ME.2016.012

18



sejtet, illetve annak jobb és bal oldalán elhelyezkedő sejteket vesszük figyelembe az állapotváltozási szabályok alkalmazásakor. Két dimenzióban is főként a négyzetrács geometriát alkalmazzák. Négyzetrácsban használható szomszédsági relációkra mutat példát a 2-4. ábra. A Moore-féle szomszédság (vagy más néven nyolc szomszédság) szerint (2-4. ábra.(a). ábra) a sejt nyolc szomszéddal rendelkezik annak oldalélei mentén, illetve sarokpontjaiban. A Neumann-féle, vagy más néven négy szomszédság elve (2-4. ábra.(b). ábra) alapján az adott sejtnek négy szomszédot definiálunk az oldalélei mentén. Használatos még az úgynevezett alternáló 7-es szomszédság. Ebben az esetben az i. automata lépésben a (2-4. ábra.(c). ábra) elrendezés szerint, az i+1. lépésben(2-4. ábra.(d). ábra) geometriai minta alapján nézi a vizsgált sejt szomszédjait.

(a) (b) 2-5. ábra. Szomszédsági relációk háromszög sejtgeometria esetén két dimenzióban.

(a) (b) 2-6. ábra. Szomszédsági relációk hatszög sejtgeometria esetén két dimenzióban. [Fadaei2009]

A négyzetes sejtgeometria mellett síkban használatosak még a háromszög (2-5. ábra) és hatszög (2-6. ábra) sejtgeometriák és ezen geometriáknak megfelelően a szomszédságok. Mind a két említett rácsnál jelentős probléma, hogy az elterjedt eszközökkel nehezen megjeleníthetők. Ennek köszönhető, hogy a négyzetrács sokkal elterjedtebb. A továbbiakban a négyzetrács geometriát tárgyalom. Három dimenzióban is ugyanezen elvek szerint határozhatók meg a szomszédságok (2-7. ábra). Térben is több térkitöltő rács létezik, ellenben a kezelésük és a megjelenítésük ugyancsak jelentős probléma, így az anyagtudományi alkalmazásokban kizárólag kockaráccsal találkozunk. Az eddig bemutatott szomszédságok a közvetlen szomszédságok. A szomszédságok megadásában csak a fantázia szab határt.

DOI: 10.14750/ME.2016.012

19



(a) (b) 2-7. ábra. Szomszédsági relációk kockarács esetén három dimenzióban (a) Neumann-féle és (b) Moore-féle elrendezés szerint.

Megadható ennél kevesebb és ennél jóval több sejt, mint szomszédság, erre semmiféle megkötés nem létezik. Mindig a feladat szabja meg a szomszédság lokális alakját és méretét. Még csak arra sincs kikötés, hogy ennek a vizsgált tér minden pontjában ugyanolyannak kell lennie. Vizsgálataimban a közvetlen szomszédságokat alkalmaztam. Határfeltételek: Az új állapot meghatározása azoknál a sejteknél okoz problémát, amelyek a rácsszerkezet szélein helyezkednek el. Ezen sejteknek egyik oldalukról, illetve a sejttér sarokpontjaiban elhelyezkedő sejteknek két oldaláról is hiányoznak a szomszédjaik (2-9. ábra ábra). A probléma kiküszöbölésére alkalmazzák a határfeltételeket, mely szerint virtuális sejtekkel helyettesítik a hiányzó szomszédokat. Határfeltételek is nagyszámban találhatók a szakirodalomban. Ebben az esetben szintén a feladat fogja meghatározni az alkalmazott határfeltételt. Az anyagtudományi alkalmazásokban azonban előkerül az anyag megmaradásának korlátja. Az az alapelv, hogy a sejtek mindenben teljesen egyformák, az univerzum szélén lévő sejteknél megsérül, mert az univerzumon túl nincsenek sejtek, a szomszédságuk nem teljes. Ennek a problémának megoldására születtek a határfeltételek.

(a)

(b)

(c) (d) 2-8. ábra. Határfeltételek egy dimenziós sejtautomatatában. (a) periódikus, (b) fix, (c) adiabatikus és (d) reflektív

Az egy-dimenziós automatákban működő határfeltételek láthatók a 2-8. ábrán. Periodikus határfeltétel (2-8. ábra (a)) esetén a sejtlánc egyik végén lévő sejt szomszédjának állapota a sejtlánc másik végén lévő sejt állapotával fog megegyezni. Ez gyakorlatilag úgy képzelhető el mintha a sejtláncot összezártuk volna. Matematikailag az automata végtelenbe történő kiterjesztését végeztük el. A fix állapotú határfeltétel esetén minden határon lévő sejt virtuális szomszédja ugyanolyan állapottal rendelkezik (2-8. ábra (b)). Az adiabatikus vagy más néven semleges határfeltétel alkalmazásakor a sejtlánc végén lévő sejtek hiányzó szomszédjainak

DOI: 10.14750/ME.2016.012

20



állapota a vizsgált sejt állapotával egyeznek meg (2-8. ábra (c)). A reflektív határfeltételnél a sejtlánc végén lévő sejtek hiányzó szomszédjainak állapota a sejt másik szomszédjának az állapotával egyezik meg (2-8. ábra (d)). Két dimenzióban a periodikus (2-9. ábra) és semleges határfeltétel alkalmazása terjedt el. A periodikus határfeltétel értelmében az automata egy tórusz felületén működik. Ha vesszük a sejtteret – azaz a rácsszerkezetet – és először az egyik oldalait hajtjuk össze akkor egy csövet kapunk. Ha ennek a csőnek a két végét összehajtjuk eljutunk az említett tórusz felülethez. Ennek értelmében a rácsszerkezet szélein lévő sejteknek a szomszédjai az átellenes oldalon lévő sejtek lesznek. A semleges határfeltétel értelmében a vizsgált térrész határán lévő sejtek hiányzó szomszédjaik a vizsgált sejtek állapotával egyeznek meg.

2-9. ábra. Periodikus határfeltétel két dimenzióban

Állapotváltozási szabályok: Az állapotváltási szabályok leírhatók egy függvénnyel, melynek független változói a vizsgált cellának és szomszédjainak az állapotai, míg függő változója a sejt új állapota lesz. A függvény értelmezési tartománya és értékkészlete előre meghatározott állapotok. Ha az állapotokat S jelöli, akkor a függvényünk a szerint Neumann szomszédságot (2-4. ábra (b)) figyelembe véve, a következőképpen írható:

S ' f S , S N , SW , S S , S E 

(2.1)

Az f függvény lehet valóban függvénykapcsolat, de lehet logikai függvény is és lehet valószínűségi folyamat is.

DOI: 10.14750/ME.2016.012

21



Sejtautomata működése: A definiált fogalmak együttese teszi lehetővé az automata működését. Létrehozva egy szabályos négyzetes rácsszerkezetet, definiálva az egymással kapcsolatban lévő sejteket a határfeltételek megfogalmazásával a rácsszerkezet határain elhelyezkedő elemekre az állapothatározók és az állapotváltozási szabályokkal együttesen egy olyan automata hozható létre, amely működése során mindig a sejtek közvetlen környezetét veszi csak figyelembe. Az automata adott stratégia szerint sorra megvizsgálja a sejteket, és meghatározza a sejtek új állapotát. Majd az így keletkezett új térrész vizsgálatát újrakezdi, és ismételgeti, amíg az automatát meg nem állítjuk. Láthatjuk, hogy az automata működése során a sejttér az időben fejlődik. A definícióban megadtuk, hogy az idő diszkrét. A fenti leírásból látható, hogy az automata működésében egy meghatározó pillanat, amikor előáll az új sejttér, azaz a sejtek vizsgálatát megadott stratégia szerint befejezte. Két sejttér közötti időtartamot nevezzük egy automata lépésnek. Ez a számítási eljárás során a számításra fordított időtartammal kifejezhető, de ez nem a vizsgált térrészünkben valójában eltelt idő. A vizsgált folyamathoz az egy lépés rendelhető, mint az idő alapegysége (2-10. ábra).

(a)

(b) 2-10. ábra. Sejtautomata lépés (a) egy dimenzióban és (b) két dimenzióban [Fadaei2009]

2.2.2 A sejtautomata leírása véges állapotú automatákkal A véges állapotú automaták (FSA) absztrakt gépek. A sejtek az állapotukat egy előre definiált véges számú állapothalmazból vehetik fel. A Mealy automaták állapota csak az előző

DOI: 10.14750/ME.2016.012

22



állapotuktól függ. A Moore automata állapota az automata előző állapotának és külső hatásoknak a függvénye. Két inputtal rendelkező bináris Moore automata látható az (2-11. ábra (a)). Ahogy azt az ábra is mutatja két állapota van: fekete és fehér (2-11. ábra (b)). A bemenetek binárisak, azaz a bemenő érték: 0 és 1. A véges állapotú automaták működése leírható az állapotváltási táblázattal (2-11. ábra (c)), amelyben rögzítve van az új állapot is (aktuális állapot és a bemenetek függvényében). Új állapotait működése során az automata az állapotváltási táblázatnak megfelelően a bemenő értékek és a saját állapotának függvényében kapja. Az idő automata lépéseket jelent.

2-11. ábra. (a) Moore-automata, (b) állapotai: fekete – fehér és (c) állapotátmenet táblázata

Sejtautomata leírása FSA közelítéssel: Ha véges állapotú automatákat úgy összekötünk, hogy inputjaikon látható legyen egy másik FSA állapota, akkor az új állapot már nem csak a saját, hanem – az így összekötött – vizsgált sejt szomszédságában lévő sejtek állapotainak is függvénye. Kellő sokaságú két-bemenetű FSA-ák alkotják az egydimenziós sejt automatát. Egy sejt automata lépés, az összes új állapot meghatározását jelenti. Ha az állapotok megváltoznak, új lépés kezdődik. Ha a láncon szisztematikusan haladunk akkor szinkron sejt automatáról beszélünk. Ha N számú FSA-t tartalmazó láncban N számú FSA-t választunk ki véletlenszerűen és így határozzuk meg az új állapotokat, akkor aszinkron sejt automatáról beszélünk. A sejt automatát egy állapotváltozási táblázat írja le, ami azonos az FSA-k állapotváltozási szabályával. Ha a táblázatban foglalt állapotváltozások mindenképpen bekövetkeznek, akkor determinisztikus sejt automatáról, ha adott valószínűséggel következnek be, akkor sztochasztikus sejt automatáról beszélünk. Az FSA-k teljesen azonosak. Egy vizsgált FSA-val kapcsolatban, összeköttetésben lévő FSA-t, az említett aktuális, vizsgált FSA szomszédjának tekintjük. Ha adott FSA-k kettőnél több inputtal rendelkeznek és ezeket az automatákat összekötjük, akkor összekapcsolva síkon, illetve térben elhelyezkedő alakzatokat alkotnak. Ha a sík, illetve a tér hézagmentesen kitölthető, akkor ezzel a tér is modellezhetővé válik. Ezzel a lépéssel azonban korlátoztuk a használható bemenetek számát szabályos sík illetve térkitöltő alakzatokra. A három bemenetű FSA-k síkot töltenek ki, alakjuk szabályos háromszög. A négy bemenetű FSA-k a síkot és a teret is kitöltik. Síkban négyzetgeometriájú sejtekről beszélhetünk, térben pedig tetraéderekről. Hat bemenetű automaták esetén hatszög geometriájú sejtek töltik ki a síkokat. Ennél nagyobb számú bemenettel rendelkező FSA-kal a sík nem tölthető ki hézagmentesen. Bizonyos sejtgeometriák esetén a szomszédság nem egyértelmű. Ilyen a négyzetgeometria is. Sok lehetséges szomszédság létezik, ezeket mutattam be a 2-4. ábrán. A sejtekkel leírt térrész az univerzum. A határokon elhelyezkedő FSA-k egyes bemenetei nincsenek FSA-khoz kötve. Ez

DOI: 10.14750/ME.2016.012

23



a probléma a határfeltételek alkalmazásával megoldható. Az anyagtudományi alkalmazásokban két határfeltétel terjedt el. A semleges határfeltétel (2-12.ábra (b)) szerint a hiányzó bemenetein az automata saját állapotát látja. Az univerzum végtelen kiterjesztésének tekinthető az úgynevezett periodikus határfeltétel (2-12.ábra (a)). Az univerzum határán lévő FSA-k az univerzum túloldalán lévő FSA-k állapotát látják, szomszédjai állapotai ezen túloldalt elhelyezkedő sejtek állapotai lesznek. Anyagi rendszerekben ezzel az anyag belseje modellezhető. Az univerzum határán lévő FSA-k az univerzum túloldalán lévő FSA-k állapotát látják, szomszédjai állapotai ezen túloldalt elhelyezkedő sejtek állapotai lesznek. Anyagi rendszerekben ezzel az anyag belseje modellezhető.

(a) (b) 2-12. ábra. Neumann szomszédság (a) periodikus és (b) semleges határfeltétel esetén.

2.3

A sejtautomaták csoportosításai

A sejtautomaták csoportosíthatók működésük alapján, szabályrendszerük szerint, és az univerzum időbeli változása alapján. Minden csoport más-más lehetőséget biztosít az automaták felhasználására. 2.3.1 A sejtautomaták működése A sejtautomaták működésük során az egyes sejtekre alkalmazzák az állapotváltozási szabályokat, és így határozzák meg a sejtek új állapotát. Ennek stratégiája az egyes automatákban eltérő. Ettől a stratégiától jelentősen függ a sejttér fejlődése. Szinkron automata: Egy automatalépésben minden egyes sejtre szisztematikusan (2-13.ábra (a)) alkalmazza az állapotváltozási szabályokat. A vizsgálatot a sejttér bal-felső sarkában lévő sejttel kezdi és sorfolytonosan halad a többi sejt vizsgálatával amíg el nem ér a sejttér jobb-alsó sarkában lévő sejthez. Amint ezt a sejtet is megvizsgálta, egy automata lépés véget ér, és újrakezdi a vizsgálatot. Aszinkron automata: Működése során a sejttérből – nxm méretű sejttérből – választ ki teljesen véletlenszerűen nxm számú sejtet az automata (2-13.ábra (b)), és ezen sejtekre

DOI: 10.14750/ME.2016.012

24



alkalmazza az állapotváltási szabályokat. Ebben a stratégiában előfordulhat, hogy ugyanazt a sejtet többször is kiválasztja egy időlépésben. Mikor mind az nxm mennyiségű sejtet megvizsgálta az automata, egy lépés véget ér. A következő lépésben újra kiválasztunk nxm sejtet, függetlenül attól, hogy az előző lépésben melyik sejteket választottuk.

(a) (b) 2-13. ábra. Sejtautomata működése (a) szinkron és (b) aszinkron elv szerint

A 2-14. ábra egy példán keresztül mutatja be a két működési elv szerinti különbséget. Csíranövekedés folyamatát illusztrálja a képsorozat. Aszinkron (2-14. ábra (a)) és szinkron (2-14. ábra (b)) elven működő megoldásokon látható, hogy jelentős eltérés a növekvő sejtek alakjában figyelhető meg. Aszinkron automatát alkalmazva a növekvő csírák szögletesek, míg szinkron esetben a kapott szerkezet inkább hasonlít a gyakorlatban látható szemcseszerkezethez.

(a)

(b) 2-14. ábra. Csíranövekedés folyamata (a) aszinkron és (b) szinkron automatával.

A véletlenszerű válogatásnak köszönhetően, főleg a határfelületeken lezajló folyamatok vizsgálatára az aszinkron automata nem hatékony. Jóval nagyobb számítási időt igényel, mint

DOI: 10.14750/ME.2016.012

25



a szinkron automata. Az egyes automaták szabályrendszere eltér az alkalmazott matematikai elvek tekintetében. 2.3.2 Szabályrendszer A szabályrendszer épülhet aritmetikai, Boole vagy valószínűségelméleti elvekre. Minden esetben teljesen máshogy viselkedő automatát kapunk, ami ugyancsak jelentősen befolyásolja a sejttér fejlődését. Totális automata: A sejtautomaták egy speciális osztálya a totális automaták. Totális sejtautomatáknál a sejtek állapotát egész számok (általában egész érték amit véges halmazból vesz fel) reprezentálják (2-15. ábra). Az új állapotot jelentő új számot a sejt állapotát reprezentáló régi számból és a sejt szomszédjait reprezentáló számokból aritmetikai műveletek útján képzik.

2-15. ábra. Totális automata működési elve.

A számítógépi képelemzésben alkalmazott konvolúciós műveletek totális sejtautomaták. Az úgynevezett szürke képek 256 árnyalatát különböztetik meg a szürke színnek. A 0 érték a fekete, a 255 érték a fehér színt jelöli. A képeket képpontokra, kicsiny négyzetekre bontjuk, és a képalkotás során minden képponthoz rendelünk egy árnyalatot. Azaz 256 különböző állapotból és négyzetes sejtgeometriával felépítettük az automatát.

2-16. ábra. Konvolúció: átlagolás.

Ha semleges határfeltételt és Moore szomszédságot alkalmazunk, akkor a konvolúciós képátalakító műveletek úgy működnek, hogy elhelyezzük egy 3x3 méretű kernel (konvolúciós mátrix) középső elemét az input-kép mindegyik pontjára és megszorozzuk a kép minden, a mátrixszal lefedett pontját a mátrix megfelelő elemével. Az eredményt normáljuk, végül

DOI: 10.14750/ME.2016.012

26



helyettesítjük ezzel az értékkel a 3x3 szomszédság középső elemét. Ez lesz az eredmény szürkeségi szint a középső képpontnak megfelelő helyen. A konvolúciós műveletek szigorúan szinkron elvű sejtautomaták. Ilyen konvolúciós műveletek az átlagolás, lágyítás, élkiemelés és élesítés. A 2-16. ábra az átlagolás műveletére mutat példát, ahol a konvolúciós mátrix minden eleme 1, azaz – ahogy a neve is mutatja – a Moore szomszédságban lévő képpontok szürkeségi értékeinek számtani átlaga lesz az eredmény. Determinisztikus automata: A vizsgált sejtből és a környezetéből egyértelműen származik a következő állapot. Általában Boole műveletek alapján határozzuk meg az állapotokból a sejt új állapotát. A totális automata tárgyalásánál leírt szürkekép automata esetén, ha a képpontok szürkeárnyalat értékét helyettesítjük a Moore szomszédságban lévő legnagyobb szürkeségi értékkel, akkor a 2-17. ábrán látható képet kapjuk. A képelemzésben ezeket a műveleteket az eltérő textúrájú képelemek azonosítására és a nem periódikusan jelentkező zaj szűrésére alkalmazzuk.

2-17. ábra. Szürkekép eróziós művelete.

Sztochasztikus automata: Ebben az esetben az állapotváltozás nem csak a sejt és annak szomszédjai állapotától függ, hanem mindezek mellett egy véletlen valószínűségi folyamathoz kötött.

2-18. ábra. Sztochasztikus elven működő automata p = 0.5 valószínűségi változó mellett

Ha egy sejt állapota 0 és bármelyik szomszédja 1, akkor csak abban az esetben következik be az állapotváltozás, ha generálunk egy véletlen számot a 0 és 1 intervallumban és ez kisebb, mint az állapotváltozáshoz rendelt p valószínűségi változó értéke. A 2-18. ábra sztochasztikus elven működő automata futtatási eredményét mutatja p = 0.5 valószínűségi változó mellett. Látható, hogy ebben az esetben és az aszinkron automatánál (2-14. ábra (a))

DOI: 10.14750/ME.2016.012

27



nagyon hasonló szerkezetet kaptunk. Mind a két esetben ’’megjelenik’’ a véletlen a sejtautomata működésében. Hogy melyik megoldás célravezető azt a vizsgált jelenség határozza meg. 2.3.3 Az univerzum időbeli változása Az univerzum időbeli változásának vizsgálatakor a legfontosabb kérdés, hogy az univerzum sejtjeinek konfigurációjából meg tudjuk-e mondani, hogy mi volt az előző konfiguráció, vagy sem. Reverzibilis automata: Adott sejttérből egyértelműen lehet következtetni a kiindulási állapotra. Egy automata kizárólag csak abban az esetben lehet reverzibilis, ha az állapotváltozási táblázatában minden bementi konfigurációhoz más, és csak egy kimenet tartozik. Az összes többi eset bizonyíthatóan nem reverzibilis automatát jelent. Nem reverzibilis automata: Nem lehet pontosan megmondani, hogy milyen volt a sejttér az előző lépésben. Ha az automata állapotváltozási táblázatának két eltérő bemeneti konfigurációja ugyanarra az új állapotra vezet, akkor biztos, hogy az automata nem reverzibilis. Könnyen belátható, hogy jóval nagyobb számban fordulnak elő a nem reverzibilis automaták.

2.4

Egydimenziós sejtautomaták

Egydimenziós sejtautomaták tulajdonságaival, jellegzetességeinek tanulmányozásával Stephen Wolfram foglalkozott elsőként. Wolfram az egydimenziós kétállapotú determinisztikus automaták rendszerezésével, kidolgozott egy nevezék rendszert, mellyel letette a Wolfram szabályok alapköveit. Négy szabály-osztály létezését alapította meg. Elgondolása szerint az összes egydimenziós automata a következő négy osztály valamelyikébe sorolható [Zsoldos2011,Wolfram2002] (2-19.ábra).

(a) (b) (c) (d) 2-19.ábra. Példa a Wolfram-féle osztályok mintáira. (a) első osztály: homogén ismétlődő minták, (b) második osztály: periódikus stabil struktúrák., (c) harmadik osztály: véletlenszerű, rendezetlen alakzatok, és (d) negyedik osztály: komplex időtálló szerkezetek

Az első osztályba a homogén ismétlődő mintákat generáló automatákat sorolta. Ez a “legnépesebb” osztály. Érdektelen, ismétlődő mintákat hoznak létre (pl. egyszínű sejteket). Majdnem minden kezdeti minta gyorsan egy fix homogén állapotba jut. Bármilyen véletlenszerűsége a kezdeti mintának eltűnik. A második osztály a periodikus stabil struktúrákat foglalja magába. Tetszőlegesen elosztott, stabil sávokat generálnak. Majdnem minden kezdeti minta gyorsan egy fix vagy periodikus

DOI: 10.14750/ME.2016.012

28



struktúrába jut. Némi véletlenszerűség előfordulhat a mintába, de a lokális változtatások lokálisak maradnak. A harmadik osztály a véletlenszerű, rendezetlen alakzatok halmaza (például a televíziós fehér zaj). Az automaták véletlenszerűen elrendezett, felismerhető alakzatokat eredményeznek (például háromszögeket). A kezdeti minta majdnem mindegyike egy pszeudo-véletlen, vagy kaotikus állapotba jut. Bármilyen fix struktúrát megbont a környező zaj és a lokális változtatások meghatározhatatlanul szétterjednek. Negyedik osztály a komplex időtálló szerkezetek csoportja. Komplex, nem ismétlődő minták keletkeznek (például háromszöghalmok és egyéb bonyolult geometriai alakzatok). A kezdeti minta majdnem mindegyike egy komplex és érdekes módon reagáló rendszerré fejlődik. A második osztály stabil vagy periodikus struktúrái is kifejlődhetnek, de lehet, hogy csak nagyon sok idő után. Wolfram azt sejtette, hogy sok sejtautomata, ha nem mind negyedik osztálybeliek, képesek univerzális számításra, vagy Turing-teljesek4. Az egydimenziós automata, a legegyszerűbb automata. Az elemi sejtautomaták sejtjei két lehetséges állapotot vehetnek fel (0 vagy 1, fekete vagy fehér, élő vagy halott…). A sejt következő állapota a szomszédjai állapotának, azaz a jobb és bal oldalán elhelyezkedő sejtek állapotának a függvénye. A kezdeti konfiguráció gyorsan változik. Egy sejtsor (a 2-20. ábrán látható felső sor az 1. generáció) véletlenszerűen kerül adott állapotba. Az alatta lévő sor, a 2. generáció összes állapotát szabálysor határozza meg, amely az 1. generáció függvénye. A legegyszerűbb szabály három sejtre vonatkozik. Ezen megfontolás alapján a vizsgált sejtnek és annak szomszédjainak nyolc-féle (23) állapota lehetséges. Mivel a következő állapotot is meg kell mondani, így egy sejtautomatának 28-on szabálya lehet. Wolfram javasolt egy rendezési mintát, melynek segítségével ezt a 256 különböző szabályt a sorszámuk alapján egyértelműen és könnyedén lehet azonosítani a megfelelő átmenetfüggvényekkel [Kovács,Zsoldos2011,Wolfram2002]. → aktuális minta → következő állapot 2-20.ábra. 1D-s automata működése.

A 256 szabály között is vannak kiemelkedő, nevezetes mintázatok. A 28-as szabály mintázata (2-21. ábra (a)) a Jacobsthal számokat5, míg a 220-as szabály (2-21. ábra (b)) a Mersenne számokat6 adja bináris számábrázolásban.

4

Turing teljes: Egy számítógép Turing teljes, ha képes az univerzális Turing-gépet szimulálni.

5

Jacobsthal számok: 0,1,1,3,5,11,21,43,85,171, 341, 683,…

A Mersenne-számok (1, 3, 7, 15, 31, 63, 127, 255, ... stb.) olyan természetes számok, amelyek eggyel kisebbek kettő-hatványnál. 6

DOI: 10.14750/ME.2016.012

29



(a) (b) 2-21.ábra (a) 28-as szabály, (b) 220-as szabály

A 60-as sorszámmal jelölt automata az úgynevezett Sierpinski szőnyeg mintázatát képzi (222. ábra (a)). [Wolfram2002]. A Sierpinski szőnyeg Waclaw Sierpinski lengyel matematikus nevéhez köthető. A Sierspinski szőnyegnek nevezett minta a következő lépésekkel képezhető: egy négyzetet oldalai harmadolásával kilenc kisebb négyzetre bontunk. Az így kapott kilenc kis négyzet közül a középsőt elhagyjuk, és a maradék nyolcon elvégezzük, megismételjük a leírt eljárást. Az eredményül kapott alakzat területe nulla, kerülete végtelen nagy. Végtelenszer megismételve a műveletet Sierpinski-szőnyeg mintáját kapjuk (2-22. ábra (b)) [Zsoldos2011].

(a) (b) 2-22.ábra (a) 60-as szabály, (b) Sierpinski-szőnyeg: 0.iteráció, 1.iteráció, 2.iteráció, 3.iteráció, 4.iteráció, 5.iteráció

2.5

A sejtautomata alkalmazásai

Az élet számos területén alkalmazzák a sejtautomata modellt különböző folyamatok vizsgálatára. Nehéz lenne sorra venni minden egyes alkalmazási területet annak részleteivel egyetemben, de hogy ténylegesen lássuk az automata sokoldalú felhasználhatóságát, a következőekben ismertetek néhány népszerű alkalmazási területet. A sejtautomatával nagyon hatékonyan lehet szimulálni a biológiában vírusok, baktériumok terjedését, de ezen túlmenően a fertőzések emberről emberre történő továbbfertőzésének menete is nyomon követhető,

DOI: 10.14750/ME.2016.012

30



modellezhető. Tumorsejtek in vitro szelekciós kísérleteinek vizsgálatára [Kiss2015] is használják a módszert. Nagyon jól alkalmazható a modell biológiai jelenségek gépi úton történő modellezésére. Alkalmazza a modellt a botanika is, növények lélegzésének szimulációjára, a populációk szaporodására is, tápanyag mintázatok modellezésére. Szakirodalmak [Vicari2007] szólnak például vulkánok láva folyamának útvonal meghatározásáról (2.23 ábra).

2-23. ábra. A lávafolyam útvonala 2001. július 18 – augusztus 9. között [Vicari2007]. Az ábrán különböző színekkel jelölik a megfigyelt lávafolyás és a szimulált eredmények közötti különbséget. Piros- az alábecsült, sárga – a lefedett és kék a túlbecsült területeket jelöli.

Mindezek mellett a levegő szennyezettségét, a szennyeződés továbbterjedése is nyomon követhető egy sejtautomata szimulátor alkalmazásával, de a forgalom – közlekedésirányításban, illetve képek titkosításánál is jelentős szerephez juthat az automata alkalmazása. Számtalan példát lehetne még felsorolni, ami bemutatja, hogy az automata egyszerű voltát, de mindemellett egy igen komplex viselkedést mutató tulajdonságát az élet számos területén hatékonyan ki lehet használni. A továbbiakban a dolgozatom szempontjából lényeges területét emelném ki. 2.5.1 A sejtautomata anyagtudományi alkalmazásai A következő fejezetekben részletesen bemutatom és kifejtem, hogy rövidtávú diffúziós folyamatok modellezésére is kiválóan alkalmazható a módszer. Ezen folyamatok mellett az anyagtudományban számos esetben, akár probléma során felmerülő folyamatok modellezésére is, például korrózió, kopás vizsgálata, rendeződés, spinodális bomlás stb. A rövidtávú atom mozgásoktól eltérően, a hosszútávú atomi mozgásokat egy kicsit másképpen

DOI: 10.14750/ME.2016.012

31



kell kezelni a hosszútávú atomi elmozdulásokhoz képest. Ha belegondolunk, itt az univerzumunk, az univerzumot felépítő sejtek, fixen az előre definiált helyen, állapotban stb. vannak, azok mozgása nem lehetséges, de a sejtek állapotváltozásával szimulálhatjuk a mozgást. Az objektumok mozgásának leírására többféle modell is elterjedt, ezen modelleket dolgozatomban szintén nem ismertetném részletesen. Anyagtudományban a Diffusion Limited Aggregation (DLA) determinisztikus automata az amivel például - erős megkötéssel ugyan – kristályosodás szimulálható. Szilárd fázisban végbemenő diffúzió leírására kiválóan alkalmas a Random Walk dinamika. Ezen az elven felépített automatákkal kiválóan szimulálható homogén és heterogén csíraképződés, öntött ötvözetek kristályosodásának menete, dentrites növekedés. Szemléletesen megjeleníthetők az olvadékban történő csíraképződés, az embriók kialakulása. Az acélok magas hőmérsékleten történő hőkezelése során, gyakran találkozunk a dekarbonizáció jelenségével. Ez esetben a hőmérséklet már olyan magas, hogy ausztenites állapotban történik meg a karbon kiégése, aminek az ezt követő lassú hűtés során kialakuló szövetszerkezetre (ferrit-perlit) van jelentős hatása, hiszen a távozó karbon miatt kisebb lesz a perlit mennyisége. Mivel ez esetben a folyamat a felületen keresztül megy végbe, a végeredmény nagy mértékben befolyásolja az anyag felületének szilárdsági tulajdonságait, ugyanis a dekarbonizáció miatt csökken a felület keménysége. Az acélok nagy gyakorlati jelentőséggel bírnak, így itt több olyan folyamat is végbemehet, aminek ismerete, vizsgálata szükségessé teheti a sejtautomata modell alkalmazását. Jó példa erre szferoidizálás, amely során szintén az acél tulajdonságainak javítását, kedvezőbbé tételét érhetjük el. A szferoidizálás során, ha az acélt eutektoidos átalakulás hőmérsékletén hosszabb ideig hőn tartjuk, akkor a perlit lemezes szerkezete elkezd szemcséssé alakulni. A sejtautomatával a szferoidizálás folyamata is modellezhető. Hasonlóan szemcsés szerkezet hozható létre acélok megeresztése során. [Barkóczy2012].

2-24. ábra. DLA modell

Az anyagtudományban nagyon fontos szerepe van a különböző termokémiai folyamatoknak (cementálás, nitridálás). Ez esetben az anyagot körülvevő közegből lépnek atomok az anyag felületébe, ahol utána diffúzióval áramlanak az anyag belsejébe, a korábban bemutatott modellek alkalmazásával, ez esetben megfelelően megválasztott határfeltétel alkalmazásával, hogy az atomok ki és belépését az anyag felületén biztosítani tudjuk, ezen eljárások szimulációja is elkészíthető. Kétalkotós ötvözetekben az olvadék és szilárd fázisból kialakuló vegyületfázis is hasonlóképpen modellezhető. Látható tehát, hogy a sejtautomata definíciójában megadott fogalmak, helyes megválasztásával állapotok, állapotváltozási szabályok megfelelő megválasztásával az élet nagyon sok területén jelenlévő folyamatok sejtautomata szimulációja alkalmazható.

DOI: 10.14750/ME.2016.012

32


3. RÖV. DIFF. FOLY. SEJTAUTOMATA SZIMULÁCIÓJA 2016.

3. RÖVIDTÁVÚ

DIFFÚZIÓS

FOLYAMATOK

SEJTAUTOMATA

SZIMULÁCIÓJA Statikus és dinamikus újrakristályosodás [Barkóczy2000, Barkóczy2003, Barkóczy2004, Barkóczy2005, Roósz2001] és szemcsedurvulás [Geiger1997, Geiger1998, Geiger2001, Roósz2001] sejtautomata szimulációi már korábban elkészültek. Az allotróp átalakulás [Barkóczy2012, Gyöngyösi2010, Gyöngyösi2013] két dimenzióban működő sejtautomata szimulációját 2008-ban készítettem el. A kapott eredmények jól prezentálják, hogy az automaták megfelelnek a valós folyamatoknak. Alkalmazásával egy az Avrami modellnél hatékonyabb megoldással modellezhetünk rövidtávú diffúzióval végbemenő folyamatokat. Phd tevékenységem során foglalkoztam ezen automaták képességeivel, az egyes paramétereknek a folyamatokra gyakorolt hatásaival. A következő fejezetekben ezeket az automatákat mutatom be.

3.1

A szemcsedurvulás szimulációja két dimenzióban

A folyamat szimulációk közül elsőként a szemcsedurvulás automata készült el Dr. Geiger János munkájának köszönhetően [Geiger2001]. A szimulációban a sejtek vizsgálata a korábban bemutatott szinkron elv alapján működik. Az univerzumot 200x200 sejt építi fel, ahol a sejtek mindegyike négyszög geometriájú és a sejtteret hézagmentesen töltik ki. Sztochasztikus állapotváltási szabálynak megfelelően működik az automata, azaz egy valószínűségi változó értékén keresztül tudunk hatással lenni a folyamatra, illetve itt tudjuk megadni a szemcsehatár energia értékét. Neumann-féle szomszédság szerinti relációban vannak a sejtek egymással. Periodikus határfeltétel gondoskodik az univerzum szélein lévő sejtek hiányzó szomszédjainak „helyettesítéséről”. A sejtek állapota a báziskoordináta rendszer bázis síkjaitól mért orientáció eltérés dőlt és csavar komponense. A szimuláció által számolt szerkezetet mutatja a 3-1.ábra.

3-1.ábra Szemcsedurvulás folyamata. Paraméter beállítások: Qs = 60000, Eh0,d = Eh0,cs = 10000, T = 1000 °C [Geiger2001]

A szemcsedurvulás során az átlagos méretű szemcsék növekedésnek indulnak. A szemcsedurvulási folyamat leírásánál (1.3 fejezet) láthattuk, hogy adott térfogatrésznek kisebb az energiája, ha kevesebb szemcsehatárt foglal magába. A szemcsehatár vándorlásával, azaz a szemcsék növekedésével a rendszer egy kisebb energia állapot elérésére törekszik. A szimulációban két eltérő orientációjú sejt között van a szemcsehatár. A két szomszédos sejt esetén a határenergiák azonosak. Annak a sejtnek nagyobb az energiája, amelyik több eltérő

DOI: 10.14750/ME.2016.012

33



orientációjú szomszéddal rendelkezik. A határmozgás valószínűsége a következő egyenlet alapján határozható meg:

 QS  E h ,    p S  S 0 exp   RT  

(3.1)

Minél nagyobb a sejt energiája, az állapotváltozás annál könnyebben megy végbe. A sejt ekkor felveszi a legkisebb határenergiával rendelkező szomszédos sejt állapotát. Ha több ilyen sejt van, a választás véletlenszerűen történik. A vizsgált sejt akkor kap új állapotot, ha a szemcsehatáron

helyezkedik

el,

és

a

legnagyobb

határenergiával

rendelkezik

a

szomszédságban lévő sejtekhez képest. Ekkor hőmérséklettől függő ps valószínűséggel megváltoztatja az állapotát. Ezzel a feltétellel az is elkerülhető, hogy egy lépésben két sejt akarjon állapotot váltani.

(a) (b) 3-2.ábra. Szemcsedurvulás szimulációjának eredményei: (a) Átlagos szemcseméret az idő függvényében, (b) kinetikai görbe az 1/T függvényében [Geiger2001]

A szemcsedurvulás sejtautomata szimulációs eredményeit mutatja a 3-2. ábra. A kapott eredményekből a kialakuló szemcseszerkezetek átlagos szemcseterületét megmérve, az átlagos szemcseterület ábrázolható az idő függvényében (3-2. ábra(a)). A kapott görbék közelítőleg egyenesek. Az egyenesek meredeksége növekszik a hőmérséklettel. A számítást különböző hőmérsékleteken elvégezve, látható, hogy nagyobb hőmérséklet esetén kapunk durvább szerkezetet. Az apróbb eltérések az automata sztochasztikus voltával magyarázható. A diagramon megfigyelhető, hogy kisebb beállított hőmérséklet mellett apróbb, míg nagyobb hőmérséklet esetén nagyobb szemcsék keletkeznek, és ezzel az egyenesek is nagyobb meredeksége figyelhető meg. Az egyenesek meredeksége és a hőmérséklet között az 1.6 egyenlet szerint kapcsolat van. A meredekség logaritmusát ábrázolva a hőmérséklet reciprokának függvényében szintén egy egyenest kapunk (3-2.ábra(b)).

DOI: 10.14750/ME.2016.012

34



3.2

Újrakristályosodás szimulációja két-dimenzióban

A sejtautomata működésénél láthattuk, hogy előre meg kell adnunk az állapotokat, szabályokat, szomszédsági relációkat, amikor az adott folyamatot modellező automatát felépítjük. Az újrakristályosodási folyamat ismeretében, ebben az esetben két állapotot különböztetünk meg a kiinduló, alakított állapotot és az újrakristályosodott állapotot és ezek az állapotok lesznek azok is amelyek meghatározzák a folyamat hajtóerejét. A folyamat csíraképződéses, csíranövekedésessel végbemenő átalakulás, ezek ismeretében pedig a szabályrendszer is megfogalmazhatók a csíraképződés és a csíranövekedésre, a jelenség kinetikájának ismeretében. A szimuláció szinkron sztochasztikus automataként működik. A sztochasztikus szabályrendszernek megfelelően az új állapot létrejötte egy valószínűségi változó függvénye is. Ezen valószínűségi értékén keresztül van lehetőség a hőmérséklet és az alakítás mértékének hatását vizsgálni a szimuláció működésére, hiszen mindkét paraméter az újrakristályosodás sebességét erősen befolyásolja. A valószínűségi változó meghatározásának módja csíraképződés (3.2) esetén és csíranövekedés esetén (3.3):  QN  E st  E h, p N  N 0 exp   RT 

   

(3.2)

 QG  E st  E h, pG  G0 exp   RT 

  

(3.3)

A tárolt energia az alakítás mértékének függvénye, így annak a folyamatra gyakorolt hatását ezen értéken keresztül vizsgálhatjuk, számítása a következő képlet szerint történik: Est  Est,max 1  exp  kq

(3.4)

A szemcséket határ választja el egymástól és mivel ezek is többletenergiát hordoznak magukban, hiszen úgy tekinthetünk rájuk, mint hibára a rácsban ezért ezen energiákkal is számolnunk kell, a meghatározása a következő:

E h,

  4n 1 E h,n  4  4 

   

m

(3.5)

Mivel ez az összefüggés túlbecsüli a határ mennyiségét ezért egy határ kitevő figyelembe vételével korrigáljuk azt és az n-dik szomszéd alapján meghatározható az energia értéke. A szemcsék határain a kristályok egymáshoz képest lehetnek dőlve, illetve csavarodva, ezek általános esetben keverve jelentkeznek, az energia meghatározásánál a dőlt, illetve csavart komponenseket is figyelembe vehetjük. Geometriai megfontolásokból adódóan a dőlt komponens 0..90, míg a csavart komponens 0..180 tartományból kikerülő egész számokat jelent a szimuláció működésében. A szög értéke pedig tulajdonképpen azt jelöli, hogy a bázis koordinátarendszerhez képest a szemcsék kristályrácsa milyen mértékben vannak elfordulva

DOI: 10.14750/ME.2016.012

35



egymástól. A kis- és nagyszögű szemcsehatárokat is pontosan az említett határenergia különbözteti meg egymástól [Barkóczy2012]. Eh  Eh,d  Eh,cs

(3.6)

Eh ,d  Eh0,d sin  d 1  ln sin  d 

(3.7)

Eh ,cs  Eh0,cs sin  cs 1  ln sin  cs 

(3.8)

Az energia feltételek meghatározása után lássuk az automata működését. A csíra megjelenési helye véletlenszerű. Egy sejtből abban az esetben lesz csíra, ha a vizsgált sejt és annak minden szomszédja alakított állapotban van és energiája nagyobb, mint a csíraképződés aktiválási energiája. Környezetként a Neumann-féle szomszédságot definiáltuk. A csíranövekedési folyamat akkor indul meg, ha az adott sejtnek van legalább egy olyan szomszédja, amely újrakristályosodott állapotban van. Ebben az esetben a vizsgált sejt felveszi ezt az állapotot, amellyel a kisebb energia állapot biztosítva van számára. Az automata sztochasztikus jellegből adódóan természetesen a növekedés az előbb felsorolt feltételek mellett egy valószínűségi változóhoz is kötött [0…1] intervallumból, és az előzőekben leírt feltételek teljesülése – vagy nem teljesülése mellett, dönti el, hogy megtörténik-e az állapotváltás. A valószínűségi változó értéke a növekedés sebességére, továbbá a növekvő csíra alakjára van befolyással. Szimulációs kísérletek igazolják, hogy kisebb valószínűségi értékkel kapunk mikroszkópi felvéltelekhez hasonló szemcseszerkezetet [Barkóczy2012, Schönfish1995].

(a) (b) (c) (d) 3-3.ábra. Újrakristályosodás folyamata [Barkóczy2000, Barkóczy2003, Caneda2008, Cotterill 1982, Roósz2001]

A 3-3. ábra mutatja be az újrakristályosodási folyamat fejlődését az univerzumban. Az ábrán látható, hogy az automata jellegében mutatja az újrakristályosodás folyamatát (1-1. ábra). A kezdetben alakított, elnyújtott (3-3.ábra(a)) szemcsehatárokon megjelennek a csírák (33.ábra(b)), majd azok növekedésnek indulnak (3-3.ábra(c)), mindaddig, míg a szerkezetet már teljesen az új szemcsék töltik ki (3-3.ábra(d)). A síkcsiszolaton mért átlagos területarány a teljes minta térfogatarányával egyenlő. Ez az összefüggés alkalmazható a szimuláció által számított eredményeken. Ha megmérjük az újrakristályosodott szemcsék által elfoglalt területet az univerzum területéhez képest, akkor az újrakristályosodott térfogathányadot kapjuk. Ha különböző hőmérsékleteken teszteljük az automatát és közben mérjük, az átalakult hányad időbeli változását a 3-4. (a) ábrán látható görbéket kapjuk. A kísérletet T = 600°C, 700°C, 800°C, 900°C és 1000 °C mellett végezték. Az ábrán látható, hogy nagyobb hőmérséklet esetén a görbék a rövidebb idők felé tolódnak, ami megfelel a valóságnak. Az átalakult hányad alapján, elvégezhető az Avrami analízis. A 3-4. (b) ábrán látható, hogy a kapott pontok egy egyenesre esnek és az egyenesek meredeksége számottevően nem tér el

DOI: 10.14750/ME.2016.012

36



egymástól. A meredekségek átlaga: 2.72, ami az Avrami kitevő értéke. Az Avrami kitevő értéke két-dimenziós csíraképződést és növekedést feltételezve elméletileg 3. Az, hogy ennél kisebb értéket kaptunk azzal magyarázható, hogy univerzum véges, a csíranövekedési folyamat gyorsan megy végbe, így hamar elfogynak a csíraképző helyek. Ez a helytelítettség jelensége.

3-4.ábra Statikus újrakristályosodás szimulációja. (a) Újrakristályosodott hányad az idő függvényében különböző izotermákon, (b) számított Avrami görbék [Gyöngyösi2010]

A kapott számítási eredményekből elvégezhető a kinetikai analízis (3-5. ábra). Az Avrami görbék tengelymetszeteiből kiszámítható a folyamat látszólagos aktiválási energiája. Az egyes hőmérsékleten kapott eredményeket, ha ábrázoljuk azok egy egyenesre esnek.

3-5.ábra Kinetikai analízis [Gyöngyösi2010]

Amennyiben nem csak a hőmérséklet változtatását akarjuk figyelemmel kísérni, hanem az alakítás mértékének, pontosabban annak változásának hatását, akkor erre is lehetőség van a tárolt energia értékén keresztül. Ha folytatólagos meleghengerlés közben végbemenő újrakristályosodást akarunk szimulálni, akkor az említett paramétereken keresztül ezt is megtehetjük. Adott esetben, a gyakorlatban a hengerállványok közötti szakaszban megy végbe az újrakristályosodás, ami metadinamikus újrakristályosodásként ismert. A 3-6. ábrán metadinamikus újrakristályosodás folyamata látható. Az (a) ábrasorozaton a szimuláció által számított szemcseszerkezet, a (b) ábrákon irodalmi forrásból származó szövetszerkezet látható. A szimulációt azonos hőmérsékleten, az alakítás és az újrakristályosodás lépéseit váltogatva vizsgálható a kialakult mikroszerkezet. Az ábrákon jól látható, hogy mind a szövetszerkezeti, mind az automata által számított szerkezeten, hasonló módon és mértékben ment végbe az újrakristályosodás.

DOI: 10.14750/ME.2016.012

37



(a)

(b) 3-6.ábra. (a) Metadinamikus újrakristályosodás szimulációja. [Barkóczy2004, Barkóczy2005], (b) Ninomic 80aTM mikroszerkezete [Barkóczy2004, Barkóczy2005, Gyöngyösi2010]

3.3

Allotróp átalakulás szimulációja két dimenzióban

Allotróp átalakulás sejtautomata szimulációjában a sejtteret 400x400 négyzetes geometriájú sejt építi fel. Allotróp átalakulási folyamat esetén a fázis szerepe a meghatározó. Ha a vas példáját tekintjük a vas-karbon diagram C=0% koncentrációnál hevítés során 911 °C-on az allotróp átalakulási folyamatnak köszönhetően egy fázisátalakulási folyamat megy végbe. A térben középpontos kockarácsú α – fázis felületen középpontos kockarácsú γ- fázissá alakul át. Allotróp átalakulás szimulációjánál ezen két állapot között kell különbséget tenni. Az α – fázist 0-val, a γ- fázist 1-essel jelöltem. A folyamat lezajlása során a fázishatárok mozgása játszik döntő szerepet. A határ energiáját, az egymástól eltérő rácsszerkezetek adják, melyet a fázishatár választ el egymástól. A kristálytani orientáció ez esetben elhanyagolható, mert a határenergiához képest elhanyagolható az a hatás, hogy a két kristály milyen módon, mértékben vannak elfordulva, elcsavarodva és elmozdulva egymástól. A fázishatár energiája állandónak tekinthető, értéke csak az eltérő fázisú szomszédok számától függ. Eh = ( N - n)*Eh,0

(3.9)

A sejtek Neumann szomszédság szerinti relációban vannak egymással. Az automata szinkron elven, sztochasztikus állapotváltási szabályokat alkalmazva működik. Periodikus határfeltétel alkalmazásával gondoskodtam a rácsszerkezet szélein elhelyezkedő sejtek hiányzó szomszédjainak a megoldásáról. A szimuláció paraméterei: a fázishatár energia, határkitevő, a hőmérséklet, a csíraképződés aktiválási energia és a csíranövekedés aktiválási energia. Az állapotváltási szabályok meghatározásához ismernünk kell a hajtóerőt. Ez irodalmi forrásból a vas esetében a következőek szerint számítható: ∆GFe = -1151.053 + 5.607 (T - 825) – 2.55 *10-3 (T-825)2 + 9.579*10-6 (T - 825)3 – 1.87*108 (T - 825)4[J/mol] (3.10)

DOI: 10.14750/ME.2016.012

38



Allotróp átalakulás az újrakristályosodáshoz hasonlóan csíraképződéses és csíranövekedéses folyamat, így a szabályrendszert a részfolyamatokra hasonlóan meg lehet fogalmazni, csak a fázisjelzőket kell figyelembe venni. Az automata sztochasztikus jellegéből adódóan a folyamat ez esetben is egy valószínűségi változó értékétől függ. Csíraképződés és csíranövekedés esetén a valószínűségi változó meghatározása a következő:  QN  G  E h   p N  exp    RT  

(3.11)

 QG  G  E h pG  exp   RT 

(3.12)

   

Egy sejtből abban az esetben lesz csíra, ha a vizsgált sejt és annak minden szomszédja instabil fázis. A csíranövekedés folyamata akkor indul meg, ha a vizsgált sejt az instabil fázishoz tartozik és van legalább egy olyan szomszédja amely stabil fázisú. Ha a valószínűségi folyamat lehetővé teszi, akkor a sejt új állapota a stabil fázist jelölő lesz. A 3-7. ábra az allotróp átalakulás folyamatát mutatja az univerzumban.

(a) (b) (c) (d) 3-7. ábra. Az univerzumban kialakuló szemcseszerkezetek 1200°C hőmérséklet beállításával végzett számítások esetén. (a) 0. lépés, (b) 20. lépés, (c) 30. lépés és (d) 40. Lépés

Az automata tesztelésével vizsgáltam a szimuláció helyes működését. A vizsgálatot elvégeztem az átalakulási hőmérséklet (vas esetén T = 911°C) alatt T = 600°C, 700°C és 830°C – on (3-8. ábra (a)). A számolt eredményekből ábrázoltam az átalakult hányad időbeli változását. Ebben az esetben a γ - fázis alakul át α – fázissá. Elméletben minél kisebb a hőmérsékleten vagyunk az átalakulás annál gyorsabban megy végbe. Az eredményeken látszik, hogy ez a 700 °C, illetve 830 °C - on történő átalakulásnál így is van. T = 700°C ábrázolt átalakult hányad görbe időben a rövidebb idők felé tolódik a 830 °C - on történő átalakulás görbéjéhez képest. Ezzel szemben a 600 °C - on végzett számítások hosszabb időt mutatnak. Ennek magyarázata az, hogy bár a hőmérséklet csökkenésével a hajtóerő nagyobb azonban az állapotváltozási valószínűségi változó is csökken. A vizsgálatot elvégeztem az átalakulási hőmérséklet felett is T = 1000°C, 1100 °C és 1200 °C -on. A kapott eredményeken látható, hogy magasabb hőmérsékleten rövidebb idő is elegendő az átalakuláshoz. Az átalakult hányad időfüggése a JMAK egyenlettel ebben az esetben is leírható, így a számított eredményekből elvégezhető az analízis. A 3-9. ábrán látható, hogy a kapott eredmények egy egyenesre esnek. Az egyenesek meredeksége az Avrami kitevő.

DOI: 10.14750/ME.2016.012

39



(a) (b) 3-8.ábra. Átalakult hányad változása az idő függvényében (a) γ→α és (b) α→γ átalakulás során. Szimuláció paraméterek: QN=120000, QG=60000, Eh,0=10000

(a) (b) 3-9.ábra. Avrami analízis. (a) γ→α és (b) α→γ átalakulás során.

3-10.ábra. Izoterm átalakulási diagram

Az allotróp átalakulás kinetikájának szemléletes megjelenítésére szokás az átalakulási diagramot felvenni. Különböző hőmérsékleteken futtatva a szimulációt, az átalakulási hőmérséklet alatt és felett is egyaránt, a kapott átalakult hányad görbékből megkapjuk az 1%

DOI: 10.14750/ME.2016.012

40



és 99% átalakult hányadhoz tartozó idő-hőmérséklet párokat, ezek ismeretében a számolt eredményekből felvettem az átalakulási diagramot. A 3-10. ábrán a számolt allotróp átalakulási folyamat izoterm átalakulási diagramját mutatja, az 1% és 99% átalakuláshoz tartozó görbepárokat. Az allotróp átalakulási folyamat egymást követő hevítés és hűtés hatására is végbemegy. A következőekben azt bizonyítom, hogy a folyamat reverzibilis. Ezen állítás vizsgálatához változó hőmérséklet megadásával működtettem az automatát. Így az automata működése során többször átlépjük az átalakulás hőmérsékletét, az egyensúlyi hőmérsékletet (911 °C). Az automata hőmérsékletváltozását mutatja a 3.11 ábra.

3-11.ábra Az automata hőmérsékletváltozása az allotróp átalakulás reverzibilis voltának tesztelésekor

3-12.ábra A hőmérsékletváltozás (lineáris hevítés és hűtés) során rögzített α→γ, γ→α átalakulás TFe_trans=911 °C és a szimuláció által számított szerkezet

Ily módon megadott lineáris hűtés és hevítés mellett a számolt adatokból felvettem az átalakult hányad változását α→γ, γ→α oda-vissza átalakulás során. A kapott eredményekből

DOI: 10.14750/ME.2016.012

41



(3.12. ábra) látható, hogy mind hevítés, mind hűtés során az átalakult hányad diagram felvehető. Megfigyelhető, hogy a visszaalakulás nem teljesen megy végbe, az α – fázis mellett kis mennyiségben ugyan, de γ – fázis is jelen van. A diagram mellett az átalakulás során éppen aktuális szemcseszerkezet (3.12. ábra) is látható.

100. lépés

200.lépés

300.lépés

400.lépés

500.lépés

600.lépés

700. lépés

800.lépés

900.lépés

3-13.ábra Allotróp átalakulás folyamatos lineáris hűtés és hevítés közben

A 3-13. ábra sorozaton a szimuláció által számolt mikroszerkezet látható. A 100 időlépésenként elmentet képek mutatják a folyamatot. A 300. automata lépésig a döntő többségben jelen lévő α – fázis látható. Amint az a 3-11. diagramon is látható volt ez esetben az átalakulás kezdetén vagyunk, ahol nem történt meg a teljes átalakulás, azaz az α – fázis (lilás színnel megjelenített fázis) mellett γ – fázis (zöldes színnel megjelenített fázis) jelenléte is észlelhető. Ez nem csak a diagramokon, hanem a mikroszerkezeten is megfigyelhető. A 400.- 600. lépésben rögzített állapotok magát az átalakulást mutatják, amikor is az α – fázis mellett már megjelennek a γ – fázis csírái (500. lépésben), melyek növekedésnek indulnak. A 600. lépésben már a γ – fázis van jelen nagyobb arányban. A 700. - 900. lépésben végbement

DOI: 10.14750/ME.2016.012

42



az átalakulás és az ábrákon a γ – fázis látható. Az átalakulás teljesen végbement, azonban a 311. görbéken megfigyelhető, hogy nem érte el teljesen a maximumot, azaz lényegesen kisebb mennyiségben – mint a görbe minimuma közelébe – de α – fázis jelenléte itt is észlelhető, ami a mikroszerkezeten is látható. Végeztem vizsgálatot arra vonatkozóan, hogy melyik az a paraméter beállítás, amellyel az átalakulási diagram a legjobban felvehető. A kísérletet több beállítással elvégeztem. A 3-14. ábrán egy rossz (a) és egy optimális (b) paraméter beállítással futtatott eredmények láthatók.

(a) (b) 3-14. ábra. Átalakulási diagram (a) rossz (b) jó paraméter beállítással.

Az átalakulási diagramok felvételénél a szimulációs paraméterek átalakulási görbepárokra gyakorolt hatását is megvizsgáltam. T = 600 - 1300 °C hőmérsékleteken a kapott szimulációs lépés – átalakult hányad görbékből az átalakulási diagramot felvettem. A diagramokon a 10% illetve a 90% átalakult hányadhoz tartozó görbepárok látható. Első esetben (3-15. ábra (a)) a csíraképződés aktiválási energia hatását vizsgáltam. Csíranövekedés aktiválási energia értékét állandóra állítottam (Qg = 70000) és a csíraképződés aktiválási energia érték változtatásával (Qn = 60000, 70000, 80000) figyeltem a görbék helyzetét. Az eredmények azt mutatják, hogy kisebb csíraképződési aktiválási energia a görbét a rövidebb idők felé tolja.

(a) (b) 3-15. ábra. Átalakulási diagram. (a) Csíraképződés aktiválási energia (Qg = 140000), (b) csíranövekedés aktiválási energia hatása (Qn = 70000).

DOI: 10.14750/ME.2016.012

43



Ez a vártaknak megfelelő eredmény, hiszen nagyobb csíraképződési aktiválási energia esetén kevesebb a csíraképző helyek száma, így lassabban kezdődik el, illetve fejeződik be a csíraképződés folyamata. Ahogy az eredmények is mutatják nagyobb csíraképződési aktiválási energia érték esetén az átalakulási diagram görbéi a hosszabb idők felé tolódnak el és a 10% és 90% átalakuláshoz tartozó görbék eltávolodnak egymástól. Csíranövekedés aktiválási energia hatását mutatja a 3-15. ábra (b). Ebben az esetben a csíraképződés aktiválási energia értéket vettem állandónak (Qn = 70000) és a csíranövekedés aktiválási energiát változtattam (Qg = 120000, 130000, 140000). Nagyobb csíranövekedés aktiválási energia mellett lassúbb a csírák növekedése, így a folyamat - a csíraképződéshez hasonlóan, de nem olyan jelentős mértékben - lassabban kezdődik el és fejeződik be. A görbék az csíranövekedés aktiválási energia értékének csökkenésével a rövidebb idők felé tolódnak.

3.4

Rövidtávú diffúziós folyamatok szimulációinak összekapcsolása

Rövidtávú atommozgással végbemenő folyamatoknál az atomok csak a rácsparaméterrel összemérhető elmozdulást végeznek, általában egy határfelületen keresztül. A folyamatok közös jellemzője, hogy a fázishatár, illetve a szemcsehatár mozgása a határokon elhelyezkedő atomok határon történő átugrásával megy végbe. A határmozgás sebessége csak az atomok közvetlen környezetének energia állapotától függ. Az előzőekben bemutattam, hogy ha kihasználjuk a folyamatok ezen közös tulajdonságát, akkor megfelelő transzformációk alkalmazásával a folyamatok hatékony sejtautomata elven működő szimulációja hozható létre.

3-16.ábra. Energia feltétel működésének vázlata

Célom egy olyan határmozgási feltétel megadásával megvalósítani a folyamatok szimulációját, amellyel mindhárom folyamat szimulálása egyazon automatával megoldható. A 3-16. ábrán egy olyan határmozgási feltétel látható, amelyet alkalmazva az összes említett átalakulási folyamat ugyanazzal az automatával szimulálhatóvá válik. Ezzel megszűnik a különálló szimulációk összekapcsolásának nehézsége. Adott automatalépésben a sejt szemcse - vagy fázishatár energiával, hajtóerővel és termikus energiával rendelkezhet. Ha a sejt összes energiája nagyobb, mint a szóban forgó folyamat aktiválási energiája, akkor az állapotváltás bekövetkezik, és a következő lépésben mivel a hajtóerejét, illetve a termikus energiáját elveszti fázishatár - vagy szemcsehatár energiával rendelkezik, ami persze nem zárja ki azt a lehetőséget, hogy ez megegyezik az előző állapot energiájával.

DOI: 10.14750/ME.2016.012

44


4. A LEGKISEBB BONYOLULTSÁGÚ SKÁLÁZHATÓ SA FEJLESZTÉSE

2016.

4. A LEGKISEBB BONYOLULTSÁGÚ SKÁLÁZHATÓ AUTOMATA FEJLESZTÉSE Az előző fejezetekben bemutattam a sejtautomata modellt, működését, alkalmazási területeit. Disszertációm témájául szolgáló rövidtávú diffúziós folyamatok két dimenzióban működő sejtautomata alkalmazásával történő modellezését. Látható volt, hogy egyes folyamatok szimulációi már korábbi években elkészültek. Munkám során ezen információk ismeretében elkészítettem allotróp átalakulási folyamat szimulációját. A kapott eredmények nagyon jól szemléltették, hogy a modellel az említett folyamatok mindegyikének nagyon hatékony szimulációja valósítható meg. A számolt eredmények követik a fizikai törvényszerűségeket. Az átalakulások szimulálása mellett elsődleges célom az volt, hogy ezek az automaták a gyakorlatban is alkalmazhatók legyenek, ki tudjuk használni az automata adta lehetőségeket, akár egy hőkezelési technológia megtervezéséhez. Ehhez azonban Nekünk nem lényegi információk azok a mennyiségek, amelyekkel az automata működésénél számolunk, értem ezalatt az időt, melyet eddig, mint automata lépést használtunk. Ezen kívül meg kell tudnunk mondani, hogy a sejt az a valóságban mekkora méretű. Ehhez kell elvégeznünk az automata skálázását. Itt jön elő egy nagyon fontos kérdés, hogy mi is az a feladat, mik is az elsődleges szempontok amire az automatát használni akarjuk. Ugyanis a skálázás, már az eddig elkészített automatákon elvégezhető, azonban az itt használt paraméterek miatt ez nagyon időigényes és ami az iparban nagyon időigényes, az nagyon költséges is. Így elsődleges szempont a skálázás mellett a gyors és hatékony működés. Ennek megvalósításához egyrészt találni kell egy gyors és hatékony globális optimalizációs módszert, amellyel a skálázást el tudjuk végezni, másrészt ehhez az automatát a lehető legegyszerűbb formában kell működtetni. Az automata egyszerűsítését illetően az első út, amelyen elindultam, az az volt, hogy megpróbáltam a paraméterek számát lecsökkenteni, mert kérdés hogy amennyiben találunk olyan paramétereket amelyek „feláldozhatók” a gyors működés érdekében, mindamellett hogy ezek nem befolyásolják az automata helyes működését és a szükséges információk továbbra is kinyerhetők a számolt eredményekből. A válasz erre egyértelműen igen. A következő fejezetben látható lesz, hogy az automaták ily módon történő egyszerűsítése a végeredményben nem okoz változást.

4.1

Szimulációs paraméterek számának csökkentése

Az automatáknak tehát tudni kell a szemcsedurvulást (Qhajtóerő = 0), újrakristályosodást állandó extra hajtóerővel szimulálni. Újrakristályosodási folyamatok vizsgálatánál az átalakult hányad időfüggése (F = 1-exp*(Btn)) hatékonyan vizsgálható különböző ideig tartó hőkezeléssel, mechanikai - illetve mikroszkópos vizsgálatokkal, valamint DSC méréssel (újrakristályosodás + megújulás időtől függő hajtóerővel). Szimulálni kell az allotróp átalakulást hőmérséklettől függő hajtóerővel (T0 = 911 °C átalakulási hőmérsékletnél Qhajtóerő = Galpha - Ggamma, ha T > T0 és Qhajtóerő = Ggamma-Galpha, ha T < T0). Az automaták gyakorlati alkalmazása során fontos tulajdonság a gyors, hatékony működés. A skálázás elkészítése szempontjából a problémát a sok paraméter okozza. Célom azon paraméterek kiszűrése, amelyek nélkül a szimulációk még megfelelően működnek és a számított eredmények tükrözik a valóságos folyamatokat. Bemutatom ezen leegyszerűsített automaták működési

DOI: 10.14750/ME.2016.012

45



2016.

elvét mindhárom folyamat esetében, illetve az automaták által számított eredményeket, bizonyítva azt, hogy a felhasznált paraméterek számát lecsökkentve, az eredmények még mindig követik a fizikai törvényszerűségeket. Azt a többlet energiát, amely abból adódik, hogy a szemcsék belsejében elhelyezkedő atomok kisebb energiával rendelkeznek, mint a szemcsehatárokon elhelyezkedő társaik, határenergiának nevezzük. A határenergia kristálytani orientáció függő. Az orientáció eltérés kétféle lehet annak mértékétől függően. Amennyiben a kristályrácsok 10°-15°-nál kisebb szöget zárnak be úgy kisszögű, míg ettől nagyobb szög esetén nagyszögű határokról beszélünk. A korábban bemutatott automata úgy működött, hogy az eltérő kristálytani orientációkat véletlenszerűen, különböző színek jelenítették meg és mind a kisszögű, mind a nagyszögű határokat figyelembe vette. A valóságban nagyszögű határok előfordulása jellemző, ezért a szimuláció bonyolultságának csökkentése érekében elegendő ezen paraméter figyelembe vétele. A termikus energia meghatározása (4.1) 0 és 1 közötti véletlenszerűen valószínűségi változó (p) generálásával történt. Q = -R*T* ln(p)

(4.1)

A termikus energia mellett jelen van a hajtóerő energia és a határenergia. Ezen három energiaérték összegét hasonlítjuk össze az aktiválási energiával. A p valószínűségi változó értéke a következő módon határozható meg:  Q  p  exp     RT 

 Qhajtóerő p hajtóerő  exp   RT 

(4.2)

  

 Qhatárenergia p határenergia  exp   RT 

(4.3)

  

(4.4)

Egy automatalépésben a sejttér (négyzetes sejtgeometria) bal felső sarokból kiindulva minden egyes sejthez generált egy p értéket és értékéből határozzuk meg a p változó értékét. Ezt az értéket, hasonlítja össze egy véletlenszerűen generált 0..1 közötti értékkel. Ez annyiban kedvezőbb a már korábban bemutatott megoldáshoz képest, hogy míg aktiválási energiának nagy értéket kellett megadni, ami a logaritmikus ábrázolás és a digitális felbontás miatt nem tette finoman hangolhatóvá a szimulációt, addig a p kis értéke és az exponenciális ábrázolás miatt lehetővé teszi azt.

DOI: 10.14750/ME.2016.012

46



2016.

4.1.1 Szemcsedurvulás szimulációs eredmények

minimálisan alkalmazható

paraméterszámmal A szemcsedurvulás szimuláció működési elve nem változott a korábban bemutattakhoz képest. A durvulási folyamatban azok a sejtek vesznek részt, melyek alakítatlanok és a szemcsehatáron helyezkednek el. Azon sejtek, melyek energiája meghaladja a szemcsedurvulás aktiválási energiáját, így biztosítva számukra a kisebb határenergiát. A 4-1. ábra az egyszerűsített automata által számított szerkezetet mutatja 1000°C beállított hőmérsékleten 2000., 4000., 6000. és 8000 automatalépésben. A számolt szerkezet jól mutatja a szemcsedurvulás folyamatát, a szemcsék növekedését.

(a)

(b)

(c)

(d)

4-1.ábra. Szemcsedurvulás szimulációs eredményei. A beállított hőmérséklet 1000°C, az ábrákon az (a) 2000. (b) 4000. (c) 6000. és (d) 8000. automatalépésben számolt eredmények láthatók.

A kapott eredményeken a cprob képelemző szoftver segítségével megmértem a szemcsék területét (4-2. ábra), teljesen megegyező módon mint ahogy azt mikroszerkezeti felvételek esetén tesszük. Az átlagos szemcseterületet ábrázoltam az idő függvényében (automatalépésben) ahol látható, hogy az eredmények megfelelnek a valóságban tapasztaltaknak (1. Fejezet).

(a)

(b)

(c) 4-2.ábra. Szemcseterület meghatározása

(d)

A számolt pontok közel egy egyenesre esnek és a diagramon (4-3. ábra) megfigyelhető, hogy a hőmérséklet növekedésével durvább szerkezetet kapunk.

DOI: 10.14750/ME.2016.012

47



2016.

4-3.ábra. Átlagos szemcseterület az idő függvényében

4.1.2 Újrakristályosodás szimulációs eredmények minimálisan alkalmazható paraméterszámmal Az egyes szimulációs paraméterek elhagyásával leegyszerűsített újrakristályosodást szimuláló automata által számolt eredményeket mutatja a 4-4. ábra. A szimuláció működésében itt sem különbözik a már bemutatott újrakristályosodás szimulációtól. A csíraképződés és csíranövekedés szabálya itt is meghatározott. Egy sejtből akkor lesz csíra, ha a vizsgált sejt és minden szomszédja (Neumann-szomszédság szerint) alakított állapotú és energiája nagyobb, mint a csíraképződés aktiválási energiája. A csíranövekedési folyamat, akkor indul meg, ha a vizsgált sejtnek, van újrakristályosodott szomszédja. Ekkor a vizsgált sejt felveszi ezt az állapotot, amellyel a kisebb energia szint biztosítva van számára. A 4-4. ábrasorozat az újrakristályosodott szerkezet kialakulását mutatja 1000 °C hőmérsékleten. A 0. automatalépésben az alakított szerkezet látható. Az idő múlásával (20. automatalépésben) a szemcsék határain megjelennek a csírák, melyek növekedésükkel (30. 40. lépés) kitöltik a teljes szerkezetet (80. automatalépés).

(a) (b) (c) (d) (e) 4-4.ábra. Újrakristályosodás szimulációs eredményei. A beállított hőmérséklet 1000 °C, az ábrákon az (a) 0.,(b) 20.,(c) 30.,(d) 40. és (e) 80. automatalépésben számolt eredmények láthatók.

A számolt eredményekből az átalakult hányad diagram felvehető (4-5. ábra (a)). 600 °C, 800°C és 1000 °C hőmérsékleteken számolt eredmények láthatók a 4-5. ábrán. Az átalakult hányad görbék helyzete alapján elmondható, hogy a kapott eredmények követik a fizikai törvényszerűségeket. Nagyobb hőmérsékleten az átalakulás gyorsabban megy végbe. A

DOI: 10.14750/ME.2016.012

48



2016.

számolt eredményeken az JMAK analízist elvégeztem, a kapott pontok egy egyenesre esnek az egyes hőmérsékleteken (4-5. ábra (b)).

4-5.ábra. (a) Átalakult hányad diagram, (b) JMAK kinetika

Allotróp átalakulás szimulációs eredmények minimálisan alkalmazható paraméterszámmal 4.1.3

Az allotróp átalakulás szimulációja is elkészíthető ezzel az egyszerűsítési megoldással. A szimuláció paraméter beállításait foglalja össze a 4.1 Táblázat. 4.1. Táblázat. Szimuláció paraméter beállításai Material TA Qag Bag Est PHASE0 Brn Brg Qrn Qrg Qc Qan Ban Gg Kg PHASE1 Brn Brg Qrn Qrg Qc Qan Ban Gg Kg Structure W H Q Gg D P

911 50000 15000 10000 15000 15000 140000 50000 50000 140000 15000 20000 0.03

allotróp átalakulás hőmérséklete allotróp átalakulás - csíranövekedés aktiválási energiája allotróp átalakulás - fázishatár energia növekedéskor tárolt energia allotróp átalakulás hőmérkéklete alatt stabil fázis újrakristályosodás - szemcsehatárenergia csíraképződéskor újrakristályosodás - szemcsehatárenergia csíranövekedéskor újrakristályosodás - csíraképződési aktiválási energia újrakristályosodás - csíranövekedési aktiválási energia szemcsedurvulás aktiválási energiája allotróp átalakulás - csíraképződés aktiválási energiája allotróp átalakulás - szemcsehatár energiája csíraképződéskor allotróp átalakulás - Gibbs energia számolás allotróp átalakulás - Gibbs energia számolás

15000 15000 140000 50000 50000 140000 15000 20000 0.03 300 300 0.3 100 0 0

Kép méret Kép méret alakítottság az újrakristályosodás számításánál 0.5 volt szemcsék száma 0 - nem alakított, 1 - alakított sejtek a térben 0 - PHASE0, 1 - PHASE1 sejtek a térben

DOI: 10.14750/ME.2016.012

49



2016.

Az allotróp átalakulás szimuláció által számolt szerkezeti képeket mutatja a 4-6. ábra. A tesztelés során 1200 °C hőmérsékletet állítottam be.

(a) (b) (c) (d) 4-6.ábra. Allotróp átalakulás szimulációs eredményei. A beállított hőmérséklet 1200°C, az ábrákon az 0.(a),20.(b),30.(c) és 40.(d) automatalépésben számolt eredmények láthatók.

A legfontosabb szempont ez esetben is az átalakulásban résztvevő fázisok megkülönböztetése. Az ábrasorozaton a 0. lépésben az  - fázis látható, majd az idő elteltével megjelenik a  fázis csírái, amelyek a folyamat során növekednek és az allotróp átalakulás befejeztével a 40. automatalépésben már a  - fázis látható.

(a) (b) 4-7.ábra. (a) Átalakult hányad diagram  -  átalakulás során T = 1000°C, 1100 °C és 1200 °C hőmérsékleteken, (b) Avrami kinetika

4-8.ábra. (a) Átalakult hányad diagram  -  átalakulás során T = 600°C, 700 °C és 830 °C hőmérsékleteken, (b) Avrami kinetika

A számolt eredményekből az átalakult hányad diagramot felvettem, mind  -  (4-7. ábra (a)) és  -  átalakulás esetén (4-8. ábra (a)). A számolt értékekből az Avrami analízist elvégeztem. Összességében elmondható, hogy az automata ezen változata is követi a valóságos folyamatot.

DOI: 10.14750/ME.2016.012

50



2016.

4.2

Rövidtávú diffúziós folyamatok sejtautomata szimulációi egy-dimenzióban

A kapott eredmények szemléletes képet adtak a folyamat során kialakult mikroszerkezetről és láthattuk, hogy a számolt adatok jól követik a valós folyamatok lefolyását. A kérdés az, hogy van e még olyan megoldás, amellyel tovább egyszerűsíthetünk az automata felépítésén. A sejtautomata ismertetésénél, bemutattam az egy-dimenzióban működő elemi sejtautomatákat, ami a ma ismert legegyszerűbb automata. Ezek alapján belátható, hogy amennyiben a folyamatokat egy-dimenzióban is tudjuk szimulálni, úgy az automata működésének jelentős gyorsulása érhető el, amellyel egyetemben a skálázás hatékonysága is megnövelhető. A 4-9. ábrán Hesselbath–Göbel automata csíranövekedés szimuláló eredményei láthatók [Barkóczy2012]. Az automata jellegzetessége, hogy determinisztikus szabályrendszer alapján működik két dimenzióban. A szomszéd sejtek Neumann relációban vannak összekapcsolva. Ez az automata láthatóan, nem adja vissza azt a valósághű szerkezetet, mint egy sztochasztikus elven működő automata. Az alakítás mértékének és a hőmérsékletnek sincs hatása a folyamat lefolyásánál. A 4-10. ábrán látható, hogy az átalakult hányad görbék (4-10. ábra (a)) a számolt eredményekből felvehető és a kapott eredményekre elvégezve az JMAK analízist a számolt pontok egy egyenesre esnek (4-10. ábra (a)).

(a) (b) (c) 4-9. ábra Hesselbarth-Göbel automata. Két dimenzióban működő determinisztikus automata.(a) 10, (b) 20 és (c) 40 darab csírából növekszik a szerkezet.

(a) (b) 4-10. ábra Hesselbarth-Göbel automata. (a) Átalakult hányad diagram, (b) JMAK kinetika, a kiinduló csírák száma: 10, 20 és 40 darab

A 4-11. ábrán Wolfram 254-es automatája látható. Az érdekessége, hogy ez a bemutatott Hesselbarth-Göbel kétdimenziós automata egydimenziós megfelelője. A 4-12. ábrán a Hesselbart-Göbel automatához hasonlóan csíranövekedés szimulációs eredményei láthatók. A

DOI: 10.14750/ME.2016.012

51



2016.

különbség csupán az automata dimenziójában van. A 4-12. (a) ábra 25, 50 és 100 csírából növekvő eredményeket mutatja. Átalakult hányad diagram felvehető és az Avrami analízis elvégezhető egy dimenzióban működő automata esetén. Bizonyítható tehát, hogy a kétdimenzióban működő automatáknak létezik egydimenziós megfelelője és bár nem ad olyan részlet-gazdag eredményt a folyamatokról, nem kapunk olyan vizuális élményt a számolt szerkezetekről, mint a kétdimenzióban működő automaták esetén, de előnyére szolgál a gyors működése, amely a skálázás szempontjából és a gyakorlati alkalmazhatóság miatt egy nagyon lényeges szempont. A továbbiakban bizonyítom azt is, hogy bár mikroszerkezeti képet nem láthatunk az átalakulás folyamatáról, de ezen túlmenően minden információt megkapunk, ugyanúgy mint két dimenzióban, az átalakult hányad változásán kívül, a szemcsék méretéről, azok eloszlásáról.

4-11. ábra Wolfram 254-es automata

4-12. ábra Wolfram automata. (a) Átalakult hányad diagram, (b) JMAK kinetika, a kiinduló csírák száma: 25, 50 és 100 darab

A kétdimenziós sztochasztikus automaták tehát alkalmasak rövidtávú diffúziós folyamatok szimulálására. Alkalmazásukkal jól szemléltethető a folyamat során kialakult szerkezet. Abban az esetben, amikor lényeges szempont a számítás sebessége – esetünkben az automaták skálázásánál – ott az egydimenziós automata felhasználása célszerű. A következőekben bemutatom, hogy rövidtávú diffúziós folyamatok szimulálására az egydimenziós sztochasztikus automata is alkalmas.

DOI: 10.14750/ME.2016.012

52



2016.

4.2.1 Szemcsedurvulás szimulációja egy dimenzióban Szemcsedurvulás szimuláció esetében a határenergiától szintén eltekintettem, ugyanis a szemcse méret az, ami jelentős információ számunkra. Ez esetben a szemcsedurvulás aktiválási energiának, a hőmérsékletnek, illetve az előzőekhez hasonló módon egy valószínűségi változónak van hatása a folyamatra, amely a következő: A szemcsedurvulás egydimenziós automata esetében az alap koncepciót a Hesselbarth-Göbel és a Wofram 254-es automata adja. Mindkét automata újrakristályosodást szimulál különbség, a dimenzió módszerében van. Az említett automaták determinisztikusak. Davies [Davies1999] bizonyította, hogy a sztochasztikus Hesselbarth-Göbel automata alkalmasabb, valósághűbben szimulálja az újrakristályosodás folyamatát. Ez az automata felhasználható egy dimenzióban is. Szemcsedurvulást szimuláló automaták működnek két- illetve három dimenzióban [Janssens2007]. Szemcsehatár szimuláció esetében a szemcsék görbületét, illetve a szemcsehatár energiát kell figyelembe venni [Anderson2008, Zöllner2004, Geiger2001, Krill2002]. A szemcsehatár mozgásának szimulálására szükség van sztochasztikus sejtautomata szabályra. Ha egy determinisztikus sejtautomata szabály megtalálható két dimenzióban, egydimenziós szimuláció esetében is hasonlóképpen kell felépülnie. Az egydimenziós automata nem tudja kelezni a szemcsék görbületét. Ezen az absztrakciós szinten nem használható ez a modellezés. Ha szemcsedurvulás jelenségét nézzük, akkor ismert, hogy a folyamat során a kisebb szemcsék kisebbek, míg a nagyobb szemcsék nagyobbak lesznek. Ezen az absztrakciós szinten ad lehetőséget a determinisztikus automata felépítésére. Az egydimenziós sejtautomata sejtjei, egy szalagot építenek fel. Egy sejtnek két szomszédos sejtje van a jobb illetve bal oldalán. A szalag két végén elhelyezkedő sejtre a periódikus határfeltételt definiáltam. A sejt állapotát két értékkel írjuk le: az aktuális sejt és a szemcse mérete. A szemcse mérete egy sejt. Az automata szinkron elven működik. Az automata működése során megvizsgálja, az aktuális sejt és annak két szomszédjának állapotát. Ha a sejt szemcsehatáron van, és kisebb szemcséhez tartozik, akkor a szomszédos nagyobb szemcséhez tartozó sejt állapotát kapja meg.

4-13. ábra Az átlagos szemcseterület az idő (automatalépés függvényében) egydimenziós determinisztikus automata esetén. Az átlagos szemcseterület számítása, azon sejtek összege, amelyek a szemcséhez tartoznak. Az átlagos szemcse mérete lineárisan függ az időtől.

A kapott eredményeket mutatja a 4-13.ábra. A számításnál az univerzumot 10000 sejt építi fel, ahol a kiinduló átlagos szemcseméret 10 sejt. A szemcsedurvulás aktiválási energia értéké

DOI: 10.14750/ME.2016.012

53



2016.

Qg = 20000 állítottam. A mérés során a szemcse mérete azon sejtek összege, amelyek a szemcséhez tartoznak. Az ábrán látható, hogy a kapott eredmények megfelelnek a vártaknak. Az idő múlásával, azaz az automatalépés növekedésével a szemcseterület növekszik és ez a változás lineáris. A fő probléma a bemutatott automata esetén, ha a szomszédos sejtek azonos méretűek. Ez esetben a szemcsehatáron a sejtek nem változtatják meg az állapotukat. Ha minden szemcse azonos méretű, akkor nem indul meg a durvulás folyamata. A determinisztikus automata mutatja a szemcseterület értelmezését, viszont a szimuláció az ipari folyamatokban nem használható. A sztochasztikus szabály egy hagyományos módszerét használom kis módosítással. Egy valószínűségi változót (pG) rendelünk minden állapotváltozáshoz (4.5).  Q  p G  S 0 exp  G   RT 

(4.5)

Ezt a valószínűségi értéket hasonlítja össze egy véletlen értékkel [0,1] intervallumból. Ha ez a véletlen érték kisebb, mint p úgy megváltozik az állapot, egyébként a sejt marad a régi állapotban. p valószínűségi változó számításával Tmax meghatározható. A szimulációban p valószínűségi érték és Tmax fix értékek. Tmax, pmax és kc értékekből Qc könnyedén meghatározható. Ezt a számítási módszert csak Qc befolyásolja, a szimuláció eredményeit mutatja a 4-14. ábra, amely megkönnyíti az automata skálázását.

4-14. ábra A p valószínűségi változó értékei különböző hőmérsékleteken és aktiválási energiáknál.

Qc = 200 kJ/ mol és p = 0.1 értékek esetén a 4-15. ábra szerinti görbéket kapjuk. Az is megfigyelhető, hogy minél, nagyobb a hőmérséklet annál nagyobb az egyenes meredeksége (4.15.a ábra), amely szintén megfelel a valóságban tapasztaltaknak. Ez esetben is elmondható, hogy az egy-dimenziós sejtautomata alkalmas a folyamatok szimulálására. A kinetikai egyenlet (4.6) leírja a szemcseméret hőmérséklet szerinti függését:  Q  A  AG  S 0 exp  G t  RT 

(4.6)

DOI: 10.14750/ME.2016.012

54



2016.

(a)

(b)

4-15.ábra (a) Átlagos szemcseterület az idő (automatalépés) függvényében Qc = 200 kJ/ mol és p = 0.1 beállított paraméterek esetén (b) kinetikai analízis.

A függvényből a szemcsedurvulás aktiválási energia könnyen meghatározható.

ln(k )  ln(k 0 )

Q1 RT

(4.7)

Ismételve a bemutatott numerikus analízist különböző aktiválási energia értékekre felírható egy reláció az automata szabály, az aktiválási energia és a szemcsedurvulás szimuláció között. Ezt mutatja a 4-16. ábra. A két érték közel azonos.

4-16. ábra A beállított és a kinetikai elemzésből meghatározott aktiválási energiák kapcsolata.

Egy másik érdekes kérdés az effektusban a pmax meghatározása. A szabály leírását mutatja a 4-17. ábra, növekvő valószínűségi értékhez, növekvő szemcseméret tartozik. A 4-17. ábra a szemcseméret pmax-tól való függését mutatja, látható hogy az átlagos szemcseméret hogyan durvul a pmax értékének növekedésével

DOI: 10.14750/ME.2016.012

55



2016.

(a)

(b)

4-17. ábra A szemcseméret változása különböző pmax értékek esetén

4.2.2 Újrakristályosodás szimulációja egy dimenzióban Az automata szinkron, sztochasztikuselven működik, ugyanúgy mint a bemutatott kétdimenziós automaták. A határenergiától ez esetben eltekintek, hiszen a szemcsehatárnak nincs görbülete (4.8), a két egymás mellet elhelyezkedő sejt megegyező értékkel rendelkezik. A sejt állapota kétféle lehet, vagy alakított, vagy újrakristályosodott. Az újrakristályosodás hajtóereje a tárolt energia, amit ebben az esetben is figyelembe veszek. Határfeltételt természetesen ez esetben is definiálni kell, hogy kiküszöböljük a láncba fűzött sejtek két végén elhelyezkedő sejtek hiányzó szomszédjainak problémáját. A szimulációban periodikus határfeltételt alkalmaztam. Az újrakristályosodás csíraképződéses, csíranövekedéses folyamat. A szimulációba meg kell adni a két folyamat szabályát. Csíraképződés feltételrendszere, hogy csíra akkor képződhet, ha a vizsgált sejtünk, illetve annak szomszédja alakított állapotban vannak és sztochasztikus automata lévén egy valószínűségi feltétel teljesül. Ezt a valószínűséget a következő egyenlettel számítjuk:  Q  Est  pN  N 0 exp   N  RT  

(4.8)

Est  Est,max 1  exp  kq

(4.9)

Ha az említett feltételek teljesülnek, akkor az alakított sejtekből újrakristályosodás csírái keletkeznek. Ahhoz hogy ezek a csírák növekedjenek, a vizsgált sejt valamely szomszédjának már újrakristályosodott állapotúnak kell lennie és az adott valószínűségi feltételnek ez esetben is teljesülnie kell, a mely a következő:  Q  Est  pG  G0 exp   G  RT  

(4.10)

DOI: 10.14750/ME.2016.012

56



2016.

Vegyük észre, az egyezést a kétdimenziós és az egy dimenzióban működő automata között. Lényegében az egydimenziós automata a nagyobb dimenzióban működő automatának megegyezően működik. Különbség csak valóban az automata dimenzionalitásában van és az ezzel együtt járó feltételek megfogalmazásában, amit az egy dimenzió adta korlát megszab, gondolok itt például a szomszédságok megadására, de ezen kívül az automaták teljesen megegyeznek. Az automata sztochasztikus voltában adódóan itt is egy valószínűségi változót figyelembe véve adjuk meg az állapotváltozás szabályát. Ezen a változón keresztül pedig a szemcsehatár energiát leszámítva minden olyan paraméter (T,q) hatását figyelembe tudjuk venni, amelynek jelentősége van a folyamat lefolyását tekintve. A 4-18.a ábrán látható az ily módon elkészült automata tesztelésének eredménye.

(a)

(b) 4-18.ábra. Egydimenziós sztochasztikus sejtautomata szimulációs eredményei.(a) Átalakult hányad diagram, (b) JMAK kinetika

4-19.ábra. JMAK kinetika

A beállított szimulációs paraméterek eredményeket: QN=70000, és QG=30000, Est=10000. Az eredményeken látható, hogy az egydimenziós automata a vártaknak megfelelően működik.

DOI: 10.14750/ME.2016.012

57



2016.

Nagyobb hőmérséklet mellett gyorsabban megy végbe az átalakulás. A kapott eredményeken a JMAK analízis is elvégezhető (4-18.(b)). A növekedés dimenziója korlátozza az Avrami kitevő értékét, így az automata skálázását. Az újrakristályosodott hányadot a következőképpen számítjuk:

F

Nú Nö

(4.11)

Nagyobb Avrami kitevő értéknél két-dimenzióban kell vizsgálni a folyamatot. Az újrakristályosodott hányad meghatározása ekkor a következő. F

N ú2 N ö2

(4.12)

Ha még nagyobb Avrami kitevő értékre végezzük a számítást, akkor úgy számolunk mintha az automata három-dimenzióban működne és térbeli eredményeket kapunk, ekkor az átalakult hányad meghatározását a következő képlet szerint végezzük: F

N ú3 N ö3

(4.13)

Ábrázoltam a látszólagos aktiválási energia meghatározására szolgáló görbét, amelyet az egyenesek hőmérséklet függéséből származtatunk. A 4-19. ábrán látható, hogy a kapott pontok egy egyenesre esnek. Összességében elmondható, hogy az egy-dimenziós sejtautomata, a két-dimenziós automatához hasonlóan alkalmas az újrakristályosodás folyamatának szimulációjára. Az átalakult hányad meghatározásán kívül még több információhoz juthatunk az egydimenziós automata alkalmazásával. A szemcseméret változása nyomon követhető, oly módon hogy adott hosszeloszlású szakaszokra osztjuk – gondoljunk itt a gyakorlatban alkalmazott vonalelemzésre- az univerzumot, és regisztráljuk folyamatosan, hogy melyik sejt melyik szemcséhez tartozik. Ezt a szemcseméret változást szemlélteti a 4-20.ábra. Amikor elkezdődik az újrakristályosodás folyamata, azaz a csíraképződés folyamata és megjelennek az apró csírák a szemcseméret jelentősen lecsökken, ami a 4-20.ábra kezdeti szakaszában is megfigyelhető. Itt a csökkenés annál jelentősebb minél nagyobb a hőmérséklet, hiszen magasabb hőmérséklet mellett keletkeznek apróbb csírák. Amikor a csíranövekedésnek megfelelően a szemcsék mérete is növekedni kezd, ez figyelhető meg a diagramon kb a 100. automata lépéstől kezdődően, majd amikor a teljes szerkezet újrakristályosodott a növekedés is megáll, ez látható a diagram utolsó szakaszában.

DOI: 10.14750/ME.2016.012

58



2016.

4-20.ábra Átlagos szemcseméret időbeni változása

A szemcseeloszlásról is kaphatunk információt (4-21. ábra). Megfigyelhető, hogy nagyobb hőmérsékleten kisebbek, míg kisebb hőmérsékleten nagyobbak a szemcsék mérete. Nagyobb hőmérsékleten mivel apróbbak a szemcsék a számuk is több.

(a)

(b)

(c) 4-21.ábra. Szemcseméret eloszlás. Beállított paraméterek lépés=300 (a) T = 500°C, (b) T = 600 °C és (c) T = 700 °C

DOI: 10.14750/ME.2016.012

59



2016.

További vizsgálatokat végeztem az alakítás mértékének a szimulációs paraméterekre gyakorolt hatására vonatkozóan. Az alakítás mértékének (q) függvényében ábrázoltam (422.ábra.(a)-(c)) a szimulációs paraméterek (csíraképződés aktiválási energia, csíranövekedési aktiválási energia, kezdő hőmérséklet) változását. A csíraképződési aktiválási energia értéke az alakítás mértékének növekedésével (4-22.ábra.(a)) kezdetben növekszik, maximumát 60%-os alakításnál éri el, majd az alakítás mértékének további növekedésével csökken ez az érték. Ettől a trendtől kis mértékben eltérés 70%-os alakításnál figyelhető meg. Csíranövekedés aktiválási energia értéke az alakítás mértékének növekedésével (422.ábra.(b)) csökken egészen 60%-os alakításig, majd újra növekszik. Ez esetben is, mint a csíraképződési aktiválási energiánál megfigyelhető volt, hogy 70%-os alakítási mértéknél jelentkezik az előzőnél (4-22.ábra.(a)) jelentősebb eltérés. A kezdő hőmérséklet (422.ábra.(c)) 50%-os alakításnál nagyobb, mint 40%-os alakítási mérték esetén, majd az alakítás mértékének további növekedésévek a kezdő hőmérséklet csökkenése figyelhető meg. Kis mértékben eltérés ez esetben is a 70%-os alakítási mértéknél jelentkezik. Mindhárom esetben (4-22.ábra.(a)-(c)) 70%-os alakítási mértéknél jelentkezett eltérés, ami a mérési eredmények szokásos kinetikai kiértékeléseinél is jelentkezett [Ömböli2007]. 12000

Qnövekedés, J/sejt

Qcsíraképződés, J/sejt

39000 38000 37000 36000 35000 34000

11000 10000 9000 8000

0,4

0,5

0,6

0,7

0,8

0,9

0,4

0,5

0,6

q

0,7

0,8

0,9

q

(a)

(b)

260

Tmin, °C

240 220 200 180 0,4

-

0,5

0,6

0,7

0,8

0,9

q

(c) 4-22.ábra (a) A csíraképződési aktiválási energia (b) a csíranövekedési aktiválási energia és a (c) kezdő hőmérséklet változása az alakítás mértékének növekedésével

DOI: 10.14750/ME.2016.012

60



2016.

4.2.3 Allotróp átalakulás szimulációja egy dimenzióban Allotróp átalakulás egy-dimenzióban működő sejtautomata esetén 10000 sejt építi fel a cellák láncolatát. Ezen sejtlánc kezdetére és végére periódikus határfeltételt alkalmaztam áthidalva ezzel azon problémát, hogy az első, illetve utolsó cellák szomszéd és így szomszédos reláció nélkül maradjanak. Egy sejt a két állapotot vehet fel, a vizsgált sejtnek egy dimenzióban értelemszerűen két szomszédja lehet, a sorban előtte, illetve rákövetkező szomszédos sejt. Az automata a korábban bemutatott sejteknek megfelelően szintén szinkron elv szerint működik, sztochasztikus állapotváltozási szabályok szerint. A hajtóerő allotróp átalakulás esetén a stabil és instabil fázis szabadentalpiájának különbsége. Az automata főbb paraméterei, így a fázishatár energia, a hőmérséklet, a csíraképződési és csiranövekedési aktiválási energiák. A csíraképződés feltétel rendszere szerint egy sejtből, akkor keletkezik csíra, ha adott sejt és annak mindkét szomszédja instabil fázis. A csíranövekedés feltétele pedig, hogy a vizsgált sejt instabil fázisú és létezik legalább egy olyan szomszédja, amely stabil fázisú. Ha a valószínűségi folyamat lehetővé teszi, akkor a sejt új állapota a stabil fázist jelölő lesz. Ebben az esetben is az automata dimenziójától eltekintve, a korábbi automatákkal megegyező elv szerint működik az egy dimenziós allotróp átalakulás szimulációja.

(a) (b) 4-23.ábra. (a) Átalakult hányad az idő függvényében γ-α átalakulás és (b) α- γ átalakulás során

Az automata tesztelését ez esetben is elvégeztem, hogy lássuk allotróp átalakulás esetén is működik az egy dimenziós automata. A szimuláció által számított eredményeket mutatja a 423. ábra. A vizsgálathoz beállított paraméterek: Qn = 120000, Qg = 60000. A kapott adatokat ábrázolva, felvehető az átalakult hányad diagram. Nézzük először az α- γ átalakulás folyamatát (4-23.(b) ábra), a hőmérséklet növekedésével gyorsabban megy végbe az átalakulás. Amennyiben megnézzük a visszaalakulást, láthatjuk, hogy a hőmérséklet csökkenésével egyrészt gyorsabban megy végbe az átalakulás, hiszen nő a hajtóerő 750 °C-on a rövidebb idők felé tolódik el a görbe a 840 °C-hoz képest. Másrészt a hőmérséklet csökkenése lassítja az atomok mozgását, ezzel együtt pedig a folyamatot, ezáltal egy adott hőmérséklet alatt már lassabban megy végbe az átalakulás. Ez megfigyelhető a 4-23.(a) ábrán, hiszen a 650°C-hoz tartozó görbe a hosszabb idők felé tolódik el a másik két hőmérséklethez képest. Pontosan ugyanezeket az eredményeket kaptam két dimenzió esetén is, valamint a folyamat kinetikájánál ismertettem, hogy a valóságban is ez tapasztalható.

DOI: 10.14750/ME.2016.012

61



2016.

(a) (b) 4-24. ábra JMAK kinetika (a) γ-α és (b) α- γ átalakulás során

A kapott eredményekre elvégezve a JMAK analízist, látható hogy a folyamat a vártaknak megfelelően követi a kinetikát (4-24. ábra). Végeztem egy vizsgálatot az átalakulási diagramra vonatkozóan. Látható, hogy különböző hőmérsékleteken futtatva az automatát, az átalakulási hőmérséklet alatt, illetve felett, az átalakulási diagramot ez esetben is fel tudtam venni. Az allotróp átalakulás sejtautomata szimulációjának egy dimenzióban működő változata is alkalmas a folyamat modellezésére.

4-25. ábra Átalakulási diagram 1D-s sejtautomata esetén

4.3

Egy dimenziós sejtautomaták stabilitásvizsgálata

Az látható, hogy a vizsgált folyamatok mindegyike jól modellezhető a sejtautomatával. Azonban azt tudni kell, hogy egy állapotváltozás az univerzumban sokkal nagyobb változást jelent, mint két- illetve három dimenzió esetén. Ez azzal jár, hogy az automata nem működik olyan stabilan, azaz ha ugyanolyan paraméter beállításokkal több párhuzamos futtatást végzünk az egy dimenziós automatával, akkor azt látjuk, hogy a kapott eredményekben nagyobb az eltérés, mint a nagyobb dimenzióban működő automaták esetén.

DOI: 10.14750/ME.2016.012

62



2016. 4-2.Táblázat Sejtek [db]

40000

Szemcsék [db]

100

Csíraképződés aktiválási energia, Qn [J/sejt]

60000

Csíranövekedés aktiválási energia, Qg [J/sejt]

20000

Lépés Párhuzamos futtatás Hőmérséklet [°C]

10000 22500 62500 90000 40000 50000 70000 80000 90000 10000 15000 25000 30000 35000 Átalakulás befejezéséig 10

250 500 600 1200

Alumínium, réz lágyítás Vas lágyítás, allotrópia, titán allotrópia, réz lágyítás

Ezért szükséges az automata stabilitás vizsgálatának elvégzése, hogy meghatározzuk azt a paraméter tartományt, amiben a lehető legkisebb hibával, biztonságosan tudjuk működtetni az automatát, továbbá a skálázás a lehető legnagyobb pontossággal elvégezhető legyen. A stabilitás vizsgálat célja az automata hibájának a felderítése, amely az adott beállítással végzett párhuzamos futtatások eredményei között jelentkező legnagyobb eltérést jelenti. A vizsgálatot újrakristályosodás sejtautomata szimulációjával végeztem el. A párhuzamos futtatásokban számolt átalakult hányadok közötti különbséget vizsgáltam. Célom, hogy ezt az értéket egy határon belül, a mérési eredmények hibájánál kisebb értéken belül tartsam. Egy ipari minőségellenőrző rendszerben a pontosság maximum 3%, így a célértéket a vizsgálatokban ∆F=0.03 vettem. A kísérlet elsődleges célja, hogy megvizsgáljam a szimulációs paraméterek hatását. Másodlagos cél adott hőmérséklet tartományon belül megadni az értékek azon tartományát, ahol ezt a célértéket a hiba nem lépi túl. A szemcsék száma nem változott, minden futtatásnál 100 db szemcse alkotja a kiinduló szerkezetet. A szemcsék számának nincs számottevő hatása a pontosságra. Mivel a bemutatott automatában a csíraképződés sebessége nem függ a szemcseszerkezetben lévő szemcsehatár mennyiségétől, így a folyamatra sincs jelenleg hatása. Számolási stratégiám szerint egy beállított alapállapotból kiindulva mindig egy változót módosítottam (4-2. Táblázat), figyelve ezzel a vizsgált paraméter hatását, illetve a hiba növekedésének, vagy adott esetben csökkenésének a mértékét. Egy adott beállítással 10 párhuzamos futási eredményt néztem. Vizsgálatot végeztem arra vonatkozóan, hogy nagyobb számú futtatásnak nincs befolyása a kapott eredményekre. Adott beállítás (Sejtek = 40000 db, Qn = 60000 J/sejt, Qg = 20000 J/sejt, Szemcsék = 100, T = 600 °C) 10, 100 és 1000 párhuzamos futtatásából kapott hibát vizsgáltam. 10 futtatás esetén ΔFmax = 0,0654, 100 párhuzamos futtatáskor ΔFmax = 0,0582 és 1000 párhuzamos futtatás esetében ΔFmax értékére 0,0898-at kaptam. A különböző számú párhuzamos futtatásokból kinyert legnagyobb átalakult hányad eltérések azt mutatják, hogy nem kapunk jobb eredményt nagyobb számú ellenőrzés

DOI: 10.14750/ME.2016.012

63



2016.

esetén, ezért vizsgálataimat 10 párhuzamos futtatás esetére végeztem. Az első futtatásokból kapott eredményeket mutatja a 4-26.ábra (a). Ebben az esetben a sejtek számát változtattam (10000, 22500, 62500, 40000 és 90000) a beállított alap érték (Szemcsék száma = 100db, Qn = 60000 és Qg = 20000) mellett T = 250°C, 500°C, 600°C és 1200°C hőmérsékleteken. Két hőmérséklet tartomány vizsgálatát végeztem el. Az egyik tartomány T = 250°C-500°C (alumínium lágyítás, réz lágyítás esetén) a másik tartomány T = 600°C-1200°C (vas lágyítás, allotrópia, titán allotrópia, réz lágyítás esetén). A tartományok két-két szélsőértékét vettem figyelembe a futtatásoknál. A hőmérséklet alacsony értékénél azt kell figyelni, hogy a hiba nem nő-e meg nagymértékben, magas értékénél pedig arra kell figyelni, hogy ne kapjunk vissza a determinisztikus automatát, ahol az eredmények már nem függenek a csíranövekedés aktiválási energiájától és a hőmérséklettől. Az eredményekről összességében el lehet mondani, hogy maximum 12%-s hibával számolt az automata az említett beállított paraméterek esetén. Ez a hiba – a diagramon látható – hogy, a vártaknak megfelelően alacsony hőmérséklet esetén volt a legnagyobb, a hőmérséklet növekedésével a hiba is csökken. A sejtek számáról elmondható, hogy a sejttér növekedésével a hiba csökkenése figyelhető meg. A következő vizsgálatnál a csiraképződés aktiválási energia változásának hatását vizsgáltam. A számítások eredménye a 4-26.ábra (b) láthatók. Ebben az esetben a csíraképződés aktiválási energiát a beállított alap érték mellett 40000, 50000, 70000, 80000 és 90000 értékek esetén vizsgáltam T = 250°C, 500°C, 600°C és 1200°C hőmérsékleteken. A hiba minden esetben 10% alatt volt. A csiraképződési aktiválási energia érték növelésével, nőtt az automata hibája is, ugyanakkor a hőmérséklet növekedésével csökkent ez a hiba érték.

(a)

(b)

(c)

(d)

DOI: 10.14750/ME.2016.012

64



2016.

(e) 4-26.ábra. Stabilitásvizsgálat. Beállított paraméterek: Szemcsék = 100 db (a) Qn = 60000, Qg = 20000, (b) Sejtek= 40000, Qg = 20000, (c) Sejtek = 40000, Qn = 60000, (d) Sejtek = 1000 db, Qg = 20000, (e) Szemcsék = 100 db, Qg = 20000 és T = 250 °C

A csíranövekedés aktiválás energiát 10000, 15000, 25000, 30000 és 35000 értékeken vizsgáltam. A futtatásokból kapott eredményeket mutatja be a 4-26. (c) diagram. A hiba ebben az esetben is 10% alatt volt. A csíranövekedési aktiválási energia érték növelésével, csökkent a hiba nagysága, illetve az előzőekben tapasztaltakhoz hasonlóan, ez esetben is kisebb hőmérséklet érték eredményezett nagyobb hibát. Végeztem futtatási kísérletet ''rossz'' paraméter beállítással, hogy érzékelhetőbb legyen a különbség az előző eredményekhez képest. Ebben az esetben a sejt darabszámot választottam a vizsgálathoz, amely mint a korábbi eredményeknél láthattuk (4-26. ábra (d)), szintén befolyással van a hiba nagyságágára. A sejtteret a vizsgálathoz egész kicsire vettem, a sejtek darabszáma ennél a kísérletnél 1000 db volt. Az eredmények itt is azt mutatják, hogy a csíraképződés aktiválási energia érték növekedésével, növekszik az automata hibája, a hőmérséklet befolyása a korábbi vizsgálatokhoz hasonlóan, ez esetben is úgy alakult, hogy kisebb hőmérsékleten nagyobb, illetve magasabb hőmérsékleten kisebb hibával számolt az automata. Ugyanakkor az is elmondható, hogy ilyen paraméter beállítás mellett a hiba már 10% feletti, sőt látható, hogy Qn=90000 és T = 600 °C beállított paraméterek mellett, abban az esetben, ha 100x100 db sejt alkotja a sejtteret, úgy 50%-os hibával számol az automata. Összességében elmondható, hogy az egydimenziós automata alkalmas a folyamatok szimulálására és emellett meghatározható az a paraméter együttes tartomány, amelyben az automata kis hibával számol, így a következőekben a skálázás is elvégezhető. A feladat megvalósításához a következő fejezetben, a skálázási stratégia kidolgozását mutatom be.

DOI: 10.14750/ME.2016.012

65


5. SZIMULÁCIÓ SKÁLÁZÁSI STRATÉGIÁINAK KIDOLGOZÁSA

2016.

5.

SZIMULÁCIÓ SKÁLÁZÁSI STRATÉGIÁINAK KIDOLGOZÁSA

A sejtautomata szimulációkban az idő számítási lépésekben telik, amit a korábbiakban automata lépésnek neveztem. Ha a távolságot tekintjük, akkor a mérés szempontjából a sejtet vesszük alapegységnek. Mivel ezek nem valós értékek, ezek a mennyiségek korlátozzák az automata gyakorlati felhasználhatóságát. A szimulációk alkalmazásával azonban olyan paraméterek változásának a hatását is tudjuk vizsgálni, amelyet a valóságban nem tudunk. A szimuláció gyakorlati alkalmazási szempontjából lényeges, hogy az a technológiai tervezésben használható legyen. Ennek megoldása, az automata skálázása. Ezzel az eljárással megmondhatjuk, hogy egy számítási lépés mekkora időt és egy sejt mekkora méretet jelent a valóságban.

A 5-1. ábrán (a,b) átalakult hányad görbék láthatók. A piros színnel jelölt görbék ST24 és Fe13B anyagminőségű acél dilatométeres méréséből kapott eredményeit mutatja. Az említett acélok karbon tartalma nagyon alacsony (ST24: C = 0,04%, Fe 13B: C = 0,027%). Hőmérsékletváltozás során bekövetkező allotróp átalakulás eredményeként jelentkező hosszváltozás dilatométeres méréssel követhető, a kapott eredményekből az átalakult hányad görbét felvettem (a mérés menetét az allotróp átalakulás mérési eredményeinél részletesen ismertetem (6. Fejezet)). A diagramon látható további görbék a szimuláció által számolt eredményeket mutatja. Vizsgálatot végeztem arra vonatkozóan, hogy szimulációs paraméterek változtatásával, hogyan változik a görbék meredeksége és helyzete. A vizsgált két paraméter a csíraképződés és a csíranövekedés aktiválási energia. A kísérlet eredményeként elmondható, hogy a csíraképződési aktiválási energia értékének változása a görbe helyzetére, a csíranövekedés aktiválási energia értékének változása a görbe meredekségére van jelentősebb hatással. Ennek az információnak az ismeretében elvégeztem az automata skálázását (5-1. ábra (a,b)). Az aktiválási értékek változtatásával kerestem azt a beállítást, amellyel a mért és a számított értékek legjobb illeszkedését megtaláltam.

(a)

(b)

5-1.ábra. Szimulációs görbe illesztése (a) ST24, (b) Fe P13B anyagminőségű acél mérési eredményére a csíraképződési és csíranövekedési aktiválási értékek változtatásával

DOI: 10.14750/ME.2016.012

66



2016.

A mért és a szimuláció által számított eredmények illeszthetők egymásra (4-1. ábra). Ez azonban nem megfelelő eljárás. Matematikai megoldásokra van szükség, hogy az automaták skáláit meghatározzuk.

5.1

Globális optimalizálási módszerek

Az illesztés minél hatékonyabb megvalósításához sorra vizsgáltam a rendelkezésre álló módszereket (Genetikus-, Monte Carlo, hegymászó algoritmus, Nelder-Mead szimplex eljárás, illetve simulated annealing algoritmus). A következőekben ezen eljárások elvét ismertetem és meghatározom, hogy a felsorolt módszerek közül melyik a legalkalmasabb az automata skálázására. 5.1.1 Nelder-Mead szimplex algoritmus A módszert először 1965-ben publikálták [Babarczy2013]. Kifejlesztésének célja az volt, hogy megadják egy adott, nemlineáris, többdimenziós függvény minimumát, egy klasszikus nem korlátozott optimalizálási feladatban [Singer-Nelder]. A módszer a direkt kereső eljárások családjába sorolható [Wrigth1996, Powell1998]. Kezdetben kevés számú pont szükséges, ami lecsökkenti a szükséges iterációnkénti függvénykiértékelések számát. N számú változó esetén N+1 számú váltózó szükséges. Azaz ha két paraméterünk van, a kereső eljárás három pontból indul ki adott felületen. Ezen kétváltozós függvény esetében úgy kell a három pontot megválasztani, hogy azok ne essenek egy vonalba [Gao2010, Paláncz2011, Babarczy2013]. Először a szimplex legrosszabb pontját keressük meg, majd különböző szabályok alkalmazáséval a régi szimplexből új szimplexet határozunk meg. Ezek a szabályok a tükrözés (reflection), összehúzás (contraction) és a tágítás/nyújtás (expansion) [Gao2010, Paláncz2011, Babarczy2013]. Ezen szabályok alkalmazásával érhető el, hogy a szimplexben minél távolabb kerüljünk a legrosszabb esetet jelentő ponttól.

(a) (b) (c) (d) 5-2.ábra Szimplex módszernél alkalmazott szabályok. (a) tükrözés, (b) tágítás és (c),(d) kontrakciók [Gao2010, Paláncz2011, Babarczy2013]

A legrosszabb pontot figyelmen kívül hagyva meghatározzuk a pontok súlyvonalát. A legrosszabb esetet jelentő pontot tükrözzük a súlyvonalra (5-2. ábra (a)). Ezzel meghatároztuk az új pontot (Xnew) és az új szimplexet. Ha ez az új pont a célfüggvény értelmében jobb, mint a régi szimplex legjobb pontja, abban az esetben jó irányban mozdultunk el és az új pontot ebben az irányban tovább mozdítjuk, ez az expanzió művelete (5-2. ábra (b)). Abban az esetben, ha a kapott új pontunk rosszabb esetet jelent, mint a régi szimplex legjobb pontja, úgy tekintjük, hogy rossz irányba mozdultunk és a tükrözés irányával ellentétes irányba mozdítjuk el (expanzio) a pontot. Abban az esetben, ha a

DOI: 10.14750/ME.2016.012

67



2016.

függvényérték jobb, mint a legrosszabb pont és rosszabb, mint a második legrosszabb pont, úgy a kontrakció műveletét alkalmazzuk (5-2. ábra (d)). Az új pont a legrosszabb pont helyére kerül és az algoritmus új szimplexel indul tovább [Gao2010, Paláncz2011, Babarczy2013].

(a) (b) 5-3.ábra Nelder-Mead szimplex módszer (a) induló szimplex, (b) végső szimplex [Paláncz2011]

Algoritmusa [Brunet2010]: input: the cost function ƒ : Rn → R an initial simplex output: x*, a local minimum of the cost function ƒ begin k < 0; while STOP-CRIT and (k < kmax) do h ← argmax ƒ(xi) ; l ← argmin ƒ(xi) ; ; where α > 0 is the reflection coefficient ; if ƒ(x’) < ƒ(xl) then ; where γ > 0 is the reflection coefficient ; if ƒ(x’’) < ƒ(xl) then xh x” ; else xh x’ ; ’ else if ƒ(x ) >ƒ(xi); then ’ if ƒ(x ) < ƒ(xh) then xh x’ ; x” < βxh (1 β) ; where 0 < β < 1 is the contraction coefficient ; if ƒ(x’’) < ƒ(xh) then ;

/*expansion*/ /*reflection*/

/*reflection*/

/*multiple contraction*/

else xh ← x’;

/* contraction */

else xh ← x’; k k+1; return xl; end

/* reflexion */

DOI: 10.14750/ME.2016.012

68



2016.

5.1.2 Genetikus algoritmus A Genetikus Algoritmus (GA) egy biológiai ihletésű sztochasztikus optimalizálási módszer, melynek kifejlesztése (1960-70-es évek) John Holland nevéhez köthető. Holland jelentősen hozzájárult a sejtautomata módszer tovább fejlesztésében. A genetikus algoritmust tulajdonképpen a Darwini evolúció mintájára alkották meg. Alapja az, hogy az adott körülményekhez legjobban alkalmazkodó fajok maradnak csak életben. A genetikus algoritmus a lehetséges megoldásoknak egy populációját hozza létre, amelyekhez lépesenként új egyedeket ad, illetve a már meglévő egyedekre szelekciós, rekombinációs és mutációs operátorokat alkalmaz [Zsolnay]. A populáció egy adott pillanatban létező potenciális megoldások gyűjteménye [Zsolnay]. Az algoritmus több lehetséges megoldást, megoldások halmazát tárolja, ami tulajdonképpen a populáció. (5.1) Egyedeknek nevezzük a populációban előforduló lehetséges megoldásokat. A genetikus algoritmusról, ugyan elmondható, hogy hatékony megoldása az eltérés minimum keresésének, problémája azonban az igen jelentős számítási igénnyel magyarázható. Az algoritmus úgy működik, hogy egy kezdő populációból indul ki és a populáció egyedeinek eredményei alapján kombinálja össze a sikeres populációk eredményeit és keresi a minimális eltérést. Az eljárás tulajdonképpen adott sok lehetséges megoldás közül (a megoldások egy populációját tartja fent) a legjobbat keresi, ahol az értéket egy értékelő függvény, azaz rátermettségi függvény (fitness function) adja meg. Az eljárás folyamán az aktuális populációból minden lépésben egy új populációt épít fel, oly módon, hogy a szelekciós operátor (rátermettség-arányos szelekció, pár-verseny szekció, rangsorolás) által kiválasztott legrátermettebb elemeken, nevezetesen a szülőkön alkalmazza a rekombinációs (az egyedek tulajdonságainak vegyítése [Salamon2003, Raffai, Forrest1993, Zsolnay]) és mutációs operátorokat (véletlenszerű változás az aktuális állapotban [Salamon2003, Raffai, Forrest1993, Zsolnay]). Minden egyes lépésben heurisztikák segítségével módosítják, vagy bővítik az aktuális populációt. Mivel minden populáció az előzőnél rátermettebb elemeket tartalmaz – hiszen feltételezzük, hogy minden egyes iterációt követően, egyre rátermettebb populációhoz jutunk - a keresés során egyre jobb megoldásokhoz jutunk, így alkalmas a módszer a minimumkeresésre. Több generáción keresztül ismételve az eljárást egyre jobb és pontosabb megoldásokhoz jutunk. Véges lépést követően, vagy egy kellően optimális megoldás elérésével, az algoritmus leáll [Salamon2003, Raffai, Forrest1993, Zsolnay]. Az algoritmus hatékony működése csak nagyon nagyszámú populáció esetén megfelelő, azaz ha a kiinduló kezdő populáció sok elemből áll - ezen akár 1000 db kiinduló kezdőszám is érthető - a probléma itt jelentkezik, mert ilyen nagyszámú kiinduló populáció esetén, már a kezdő populáció előállítása is jelentős időigénnyel járhat, aminek következtében a számítási idő is jelentősen megnövekszik. Ez az oka annak, hogy az illesztési eljárás nem oldható meg hatékonyan a genetikus algoritmus alkalmazásával. A szakirodalomban találhatunk példát sejtautomata által számított eredmények és mérési eredmények (Cu hengerlés) genetikus algoritmussal történő illesztésre, illetve a skálafaktor meghatározására [Gosh2009], ez esetben a hatékonyság az, ami miatt nem a módszerre esett a választás.

DOI: 10.14750/ME.2016.012

69



2016.

Algoritmusa [Aradi2014]: t←0 P(t) ← initialize (µ) F(t) ← evaluate (P(t), µ) while (terminate P(t), max) ≠ true) do P’(t) ← select (P(t), λ) P”(t) ← recombine (P’(t), λ) P”(t) ← mutate (P”(t)) F(t+1) ← evaluate (P”(t)) Delete (P(t), [(µ- λ)… µ]) P(t+1) ← P(t) U P”(t) t ← t+1 end while End.

/*A generáció sorszámának beállítása*/ /*A kezdeti populáció létrehozása (µ egyed)*/ /*A célfüggvény értékek F(t) kiszámítása*/ /*Ciklus amíg a befejezési feltétel nem teljesül*/ /*A szülők kiválasztása (szelekció)*/ /*Rekombinációval λ új egyed létrehozása*/ /*Az új egyedeket mutációval módosítja*/ /*Az új függvényértékek kiszámítása*/ /*A legrosszabb egyed törlése*/ /*Új populáció létrehozása*/ /*A generáció sorszámának növelése*/

5.1.3 Monte-Carlo algoritmus A Monte-Carlo módszer esetén egy adott paraméter együttesből kiindulva, véletlenszerűen határozzuk meg, hogy merre mozdulunk el adott felületen. Két lehetőség áll fenn:  Ha az elmozdulással nem csökken az eltérés, akkor véletlenszerűen új elmozdulást generálunk.  Abban az esetben, ha csökken a mért és a számított érték közötti eltérés, akkor új paraméter együttessel folytatjuk tovább a keresést. A módszer hátránya a genetikus algoritmusokhoz hasonlóan, a jelentős számítási igény. A Monte-Carlo módszer is lassan tör a minimum keresése felé. A lokális szélsőértékek megakasztják a keresést. Ezt ellensúlyozni tudjuk, ha az adott felület különböző pontjaiból, azaz különböző paraméter együttessel indítjuk a keresést. A módszer hátránya tehát ez esetben is a minimum eltérés keresésének lassúsága. Algoritmusa: function SULYOZOTT-MINTA (bn,e) returns x ← egy esemény egy elemmel; w ← 1 for i:= 1 to n do if Xi értéke szerepel e-ben then w ← w × P (Xi = xi | szülők(Xi)) else xi ← egy véletlen minta P(Xi = xi | szülők(Xi)) szerint return x, w 5.1.4 Simulated annealing (Szimulált hűtés algoritmus) A Monte-Carlo eljárás továbbfejlesztett változatának tekinthető, amelynek megalkotása Nicholas Metropolisnak köszönhető [Borbély2010]. A módszer lényege abban rejlik a MonteCarlo eljáráshoz képest, hogy amennyiben olyan eljárást határozunk meg a mért és a számított értékek között, hogy az eltérés növekszik, akkor az előbb említett eljáráshoz képest, nem generál új eljárást, hanem az elmozdulás végbemehet egy adott valószínűséggel. Ha ezt a valószínűségi változót pSA – val jelöljük akkor ez a következőképpen fejezhető ki:

DOI: 10.14750/ME.2016.012

70



2016.

pSA = exp Előnye a Monte-Carlo eljáráshoz képest, hogy képes elhagyni a lokális szélsőértékeket és megtalálni a globális szélsőértékeket. Algoritmusa [Hegedűs]: legyen s kiindulási állapot legyen T0 kezdőhőmérséklet k:=1 repeat r:=N(s) if f(r) rand(0,1) then s:=r Tk+1 := H(tk, k) k:=k+1 until megállási feltétel. Az algoritmusban az N(s) az s pont egy szomszédját jelöli, ahova az aktuális ciklusban lépni szeretnénk. Az f(x) az optimalizálandó függvény x helyen felvett értékét adja meg. A H(Tk;k) pedig a hűtési ütemterv, azaz az aktuális hűtési stratégia. Tk+1 := Tk*α, ahol α ϵ (0.5,1) értéket vesz fel. A megállási feltétel lehet többek között a hőmérséklet, a konvergencia sebessége, iteráció száma. Szokásos analógiája a fémek edzésének folyamata, amelynek során a fém lassú hűtésével közel optimálisan rendezett atomi szerkezetet vesz fel. A kezdeti állapot megadását követően, az atomok hő rezgését utánzó módon, mutációk sorával kényszerítjük rezgésre az állapotokat. Ez esetben a genetikus algoritmus keresési módszerrel ellentétben a populáció egyelemű és a kereső operátor kizárólag mutáció. Abban az esetben, ha az új megoldás rosszabb, mint a régi, akkor is elfogadjuk csak egy bizonyos valószínűséggel (1-p valószínűséggel), amit a hőmérséklet paraméter szabályoz. A rezgés intenzitását a hőmérséklet segítségével csökkentjük [Jelasity2008]. Abban az esetben, ha a hőmérséklet nulla, az új megoldás csak abban az esetben elfogadható, ha nem rosszabb, mint a régi. A hőmérséklet a keresés folyamán folyamatosan csökken [Jelasity2008]. 5.1.5 Hill climbers (Hegymászó algoritmus) A gradiens módszerként is ismert hegymászó algoritmus lényege, hogy adott keresési térben véletlenszerűen kiválaszt egy pontot és megvizsgálja a kiválasztott pont szomszédjait. A vizsgált szomszédok közül mindig a magasabb fitneszértékűt választja (az eljárás hasonló egy ködös időben a hegyre felmászó hegymászóhoz). Az egy csúccsal rendelkező fitneszfüggvényeknél az eljárás megtalálja a globális maximumot, a több csúccsal rendelkezőknél pedig a lokális maximumot [Salamon2003]. Lokális optimumban megengedi

DOI: 10.14750/ME.2016.012

71



2016.

az aktuális csúcsnál rosszabb értékű legjobb szomszédra lépést és kizárja a szülő csúcsra visszalépést (pl. Hanoi tornyai) [Jelasity2008]. Hátrány, hogy lokális optimum hely körül eltévedhet, zsákutcában beragad és csak erős heurisztika esetén alkalmazható [Jelasity2008]. Mohó keresésként is ismert, a siker általában nem garantált.

5-4. ábra. Hegymászó algoritmus [Zsolnay]

Algoritmusa: n := s while f(n) < max {f(n’) : n’ szomszédja n-nek} do n := argmin {f(n’) : n’ szomszédja n-nek } return(n)

5.2 Skálázás szimplex módszer alkalmazásával Tanulmányozva ezen módszerek alapjait megállapítható, hogy az illesztésre a Nealder-Mead szimplex szélsőérték kereső eljárás a legmegfelelőbb. A genetikus algoritmus már az első lépésben olyan bonyolult populációt hozhat létre, amely csökkenti az illesztés hatékonyságát. Ugyanez a hátrány érvényes a Monte-Carlo algoritmusra, mivel ez a módszer a véletlen jelentős mértékű alkalmazásával működik, pont ez a sajátossága az, ami lelassíthatja a 200μm vizsgálatot. A hegymászó algoritmus hátránya, hogy lokális optimum hely körül megrekedhet, zsákutcába beragad és csak erős heurisztika esetén alkalmazható. Ezért a választásom a Nelder-Mead szimplex algoritmusra esett. A 5-1. ábrán bemutattam, hogy szimulációs paraméterek értékének változtatásával megtalálható az az optimális beállítás, mellyel a mért és számított eredmények görbéi a legjobban illeszkednek. A vizsgálatot ST24 és Fe P13B anyagminőségű acél mérési eredményeire végeztem el. A 5-5. ábrán a szimulációs paraméterek változtatásán alapuló Nelder-Mead szimplex eljárással illesztettem a szimuláció eredményeit szintén az ST24 anyagminőségű acél mért eredményeire. A Nelder-Mead algoritmus alapján az illesztéshez

DOI: 10.14750/ME.2016.012

72



2016.

alkalmaztam egy a csíraképződési aktiválási energiától és a csíranövekedési aktiválási energiától függő függvényt, amely a mért és a szimuláció által számított átalakult hányad görbék eltéréseinek négyzetösszegét mutatja. A két görbe legjobb illeszkedése az előbbi függvény által leírt felületnek a minimumában valósul meg. Ezt a minimumot kerestem a szimplex eljárással. Az eljárás két paraméter esetén három pontból indul ki. A legnagyobb eltérésnégyzet-összeget jelentő pontot figyelmen kívül hagyva meghatároztam a fennmaradó pontok tömegközéppontját, majd a legrosszabb esetet jelentő pontot tükröztem a tömegközéppontra. Amennyiben az így kapott pontban az eltérés négyzetösszeg kisebb, abban az esetben ezen három ponttal számolunk tovább.

5-5. ábra ST24anyagminőségű acél illesztése a szimuláció által számolt eredményre Nelder-Mead szimplex algoritmussal

A ST24 anyagminőségű acél mikroszkópi felvételét és a sejtautomata által számított eredményt mutatja a 5-6. ábra. Mind a mért szemcseszerkezeten, mind a számított szerkezeten az átlagos szemcseátmérőt mértem így meghatározható, hogy egy sejt a valóságban mekkora méretű. A skálázáshoz egy automatalépést egy másodpercnek vettem.

(a)

(b)

5-6. ábra (a) ST24 acél mikroszerkezete, (b) szimulációval számított szerkezet

DOI: 10.14750/ME.2016.012

73



2016.

5.3

Skálázás stratégiájának kidolgozása a folyamatok kinetikai mérési módszereinek alapján

A rövidtávú diffúziós folyamatok egy dimenzióban működő sejtautomata szimulációi elkészültek és a tesztelési eredményeken keresztül láthattuk, hogy a számolt eredmények követik a fizikai törvényszerűségeket. Az előzőekben bemutattam azt a minimumkereső eljárást, amellyel az egy-dimenziós automaták skálázását valós mérési eredményekre el lehet végezni. Mindezek ismeretében azt még figyelembe kell venni, hogy a skálázás függ az egyes folyamatok kinetikai mérési módszerétől. A skálázás során tulajdonképpen meghatározzuk a szimuláció által számított eredmények idő – és térbeliségét, ezt mint láthattuk mérési eredményekkel történő illesztéssel tettem meg. Azonban észre kell azt venni, hogy különbségek vannak a folyamatok között, méghozzá a csíraképződéses-csíranövekedéses (újrakristályosodás, allotróp átalakulás) és a szemcsedurvulás folyamatát kell külön kezelni. A folyamatok ismertetésénél (1. Fejezet) láthattuk, hogy az újrakristályosodás és allotróp átalakulás kinetikai kiértékelésénél az átalakult hányad (F) idő és hőmérséklet függését használjuk. Azaz ennél a két folyamatnál az idő és térbeliség, azaz ezen paraméterek skálafaktorának meghatározása egymástól függetlenül kezelhető. Például ha az 5-5.ábrán látható módon a mért és számolt átalakult hányad görbéket egymásra illesztem az időbeliség skálázható, ezután pedig a szemcséket alkotó sejtek száma valós méretekké átszámítható (56.ábra). Szemcsedurvulás folyamata esetén kicsit más a helyzet. Az 1.3.1 fejezetben bemutattam, hogy ebben az esetben a kinetikai elemzést a szemcseméret változásán keresztül szokás elvégezni. Az időben, hogy változik a méret, tehát ebben az esetben az idő- és térbeliség összefügg. A szimulációs paraméterek száma viszont kevesebb, ugye a másik két folyamat esetén a csíraképződés és növekedés játszott döntő szerepet, itt viszont a szemcsedurvulás, a szemcse növekedése. Mivel itt nem tudjuk külön kezelni az idő. és térbeli skálázást, ezért valamelyik skálatényezőt előre meg kell adni, majd ennek felhasználásával a másik tényező a skálázás során egyértelműen meghatározható.

DOI: 10.14750/ME.2016.012

74


6. ÁTALAKULÁSI FOLY. MÉRÉSI ÉS ILLESZTÉSI EREDMÉNYEI

2016.

6.

ÁTALAKULÁSI EREDMÉNYEI

FOLYAMATOK

MÉRÉSI

ÉS

ILLESZTÉSI

A következőkben az előző fejezetben bemutatott elv szerint elvégzett illesztési eredményeket mutatom be. Különböző mérési módszerekkel kapott eredményekkel és különböző ötvözeteken végzett kísérletekkel végeztem el az illesztést, hogy igazoljam az előző fejezet megállapításait. Az illesztéshez használt adatok részben általam végzett mérések eredményei, részben az intézetben dolgozó végzős hallgatók szakdolgozatához elvégzett mérések eredményei, részben irodalmi forrásokból nyert adatok.

6.1

Újrakristályosodás folyamatának mérési és szimulációjának illesztési eredményei

Az újrakristályosodás folyamatának jellege különböző mérések alkalmazásával megismerhető. Az újrakristályosodott térfogathányad idő és hőmérséklet függésének vizsgálatára alkalmazott módszerek: a mechanikai (keménységmérés), vagy mikroszkópos mérések és a DSC mérés. A következőkben ilyen mérési eredményeken keresztül mutatom be a jelenséget. DC05, OFHC réz és különböző rézötvözetek újrakristályosodásának különböző módon vizsgált újrakristályosodás eredményeit. Az újrakristályosodás folyamán az alakításkor tárolódott energia szabadul fel. A felszabaduló hőmennyiség arányos az átalakult (újrakristályosodott) térfogathányaddal. Ez a hőfelszabadulás DSC berendezéssel könnyen mérhető, így az újrakristályosodás kinetikája nyomon követhető [Tranta1988, Barkóczy2000] 6.1.1 A réz ötvözőinek hatása az újrakristályosodásra, a mérési eredmények skálázása A vizsgálatot Cu6Sn2Al, Cu6Sn, Cu12Ni24Zn, Cu18Ni24Zn, Cu30Zn és Cu40Zn rézötvözetek (bronzötvözet és sárgaréz) esetén végezték. A lemezeket 90%-ban hengerelték. Az izoterm 1 órás hőkezeléseket 250°C és 850°C tartományban 50°C lépésközönként végezték. Az újrakristályosodás menetét Vickers keménység méréssel követték feltételezve, hogy a keménység csökkenése az átalakult hányaddal egyenesen arányos. A mérést a Műszaki Anyagtudományi Kar Anyagtudományi Intézetének INSTRON Tukon 2100B típusú keménységmérő berendezésén végezték 3kg terhelőerővel [Hlavács2012]. A kapott átalakult hányad eredményeket 6-1.ábra mutatja. 6-1. táblázat. A szimulációs paraméterek az egyes anyagok esetén: Anyag 30B 25C 31D 24E 23F 21G

Qn [kJ/sejt] 27 26 28 32 32 30

Qg [kJ/sejt] 19 28 23 29 24 25

DOI: 10.14750/ME.2016.012

V 16 32 25 20 32 30

75



2016.

(a)

(b)

(c)

(d)

(e) (f) 6-1.ábra. Szimulációs görbe illesztése Nelder-Mead szimplex algoritmussal. Egydimenziós sztochasztikus automata. Anyagminőség: (a) Cu6Sn2Al, (b) Cu6Sn, (c) Cu12Ni24Zn,(d) Cu18Ni24Zn,(e) Cu30Zn és (f) Cu40Zn

A mérési eredményekből kapott átalakult hányad értékeket az előző fejezetben leírt egydimenziós automatával illesztettem a bemutatott módon. A szimplex algoritmus két változó értékét, a csíraképződés és növekedés aktiválási energia értékét változtatta. A megállási feltételhez tartozó (a szimplex lépések között az eltérés négyzetösszeg különbsége kisebb, mint 10-4) szimulációs paraméter értékeket a 6-1. táblázat mutatja. A megállási feltételhez tartozó eltérés négyzetösszeg értékét a v oszlop mutatja, aminek értékelésekor figyelemmel kell lennünk arra, hogy az összes illesztett értékre vonatkozik. Mind a 6-1. ábra diagramjai, mind a v értékek az illesztés jóságát tanúsítják. A továbbiakban is ezt az illesztési és kiértékelési menetet követem. Maga a v érték nem elég szemléletes, így a továbbiakban inkább a grafikus megjelenítést használom az illesztés

DOI: 10.14750/ME.2016.012

76



2016.

jóságának bemutatására. Az illesztés értékelésénél figyelemmel kell lennünk arra, hogy elsődleges célja az automaták illesztésének az ipari alkalmazhatóság megteremtése.

6.1.2 Kis karbon tartalmú eredmények skálázása

acél

újrakristályosodásának

vizsgálata,

a mérési

Melegen hengerelt acéllemezt 75%-os magasság csökkenéssel hengerelték 1,5 mm vastagságúra. A mintákat 1 órás izoterm hőkezeléseknek vetettük alá. A vizsgált hőmérséklet tartomány 300°C és 700°C volt, ahol 50°C lépésközönként végeztük a kísérletet. Az újrakristályosodás menetét Vickers keménység méréssel követték a Műszaki Anyagtudományi Kar Anyagtudományi Intézetének INSTRON Tukon 2100B típusú keménységmérő berendezésén. Az alkalmazott terhelőerő 3kg volt [Baleda2012]. Az előző pontban leírt kiértékelés után a 6-2. ábra mutatja az átalakult hányad változását a hőmérséklet függvényében. A számítás során az illesztést az automata dimenzionalitása, azaz az Avrami kitevő erősen befolyásolja. Ha a sejtek számát elosztjuk az összes sejt számával az Avrami kitevő (n) értéke kettő, ha ezt a műveletet a sejtek négyzetével végezzük el abban az esetben n = 3, illetve köbre emelve és az osztást elvégezve az Avrami kitevő értéke n = 4. Figyelembe véve a lemezek vastagságát (1 mm) az Avrami kitevő értéke 3 körüli értékre várható, így ezt a megoldást választottam az automata átalakult hányadának számításakor az illesztés során. A kapott aktiválási energia értékek Qn=59042.9J/sejt, Qg=33205.3J/sejt. 6-2. táblázat. DC05 kémiai összetétele Kémiai összetétel

Anyagminőség

C

Mn

Si

P

S

Cu

Cr

Ni

Al

Dc05

0.042

0.205

0.007

0.005

0.01

0.069

0.043

0.034

0.041

6-2.ábra. Szimulációs görbe illesztése Nelder-Mead szimplex algoritmussal. Egydimenziós sztochasztikus automata. Anyagminőség : DC05

DOI: 10.14750/ME.2016.012

77



2016.

6.1.3 Elektrolit réz újrakristályosodása, a mérési eredmények skálázása A mérést OFHC réz anyagminőségű, különböző mértékben melegen hengerelt lemezekből kimunkált próbákkal végezték. A kiinduló lemez vastagsága 11 mm volt, amelyet 400 °C-on 1 órás lágyító hőkezelésnek vetették alá. Az ilyen módon kilágyított réztömböt 40%, 50%, 60%, 70%, 80% és 90%-os alakítási mértékkel hidegen hengerelték. A kapott lemezekből 3,5 mm átmérőjű korongokat kimunkálva DSC vizsgálatokat végeztek a Műszaki Anyagtudományi Kar Anyagtudományi Intézetének Netzsch DSC204 típusú hőfluxusos DSC berendezésével. A rézmintákat 10, 15, 20, 25, 30 K/min felfűtési sebességgel hevítették [Ömböli2007]. Az átalakult hányad görbéket a DSC görbén található csúcs integráljából határozták meg lineáris alapvonalat feltételezve.

(a)

(b)

(c)

(d)

(e)

(f)

6-3.ábra. Szimulációs görbék illesztése 1D-s sztochasztikus automatával. Nelder-Mead szimplex algoritmussal. Az alakítás mértéke (a) 40%, (b) 50%, (c) 60%, (d) 70%,(e) 80% és (f) 90%

DOI: 10.14750/ME.2016.012

78



2016.

A mért és a szimuláció által számított újrakristályosodott hányad görbék illesztési eredményeit foglalja össze a következő ábrasorozat. Összességében elmondható, hogy mindegyik alakítási mérték (q=40%,50%,60%,70%,80%,90%) és felfűtési sebesség (10K/min, 15K/min, 20K/min, 25K/min, 30K/min) esetén számított újrakristályosodott hányad görbére, a szimuláció által számított átalakult hányad görbe jól illeszkedik. Kis eltérés csak az átalakulás kezdetén figyelhető meg a görbék illeszkedését illetően, ami a DSC eredmények kiértékelésének szubjektív voltából adódhat (lineáris alapvonalat feltételezve a csúcsok leválasztása az alapvonalról) [Ömböli2007]. 6-3. táblázat. Az illesztés paraméterei: q [%] Qn [J/sejt] 90 34463.3002 80 36627.3148 70 37397.1111 60 38364.9977 50 38056.1596 40 35303.4979

Qg [J/sejt] 11101.8356 9890.5285 11460.6296 9296.1963 10106.3906 11565.7150

Tmin [°C] 195.8599 210.2351 214.9846 241.9634 258.2514 246.2621

V 0.2013 0.1345 0.1548 0.1601 0.3011 0.1747

A táblázatból és az ábrákból látható, hogy az illesztés megfelelő pontossággal elvégezhető volt. Tmin új paraméter az illesztésben. Tulajdonképpen a kinetikai analítikus közelítések inkubációs idő változójának felel meg [Tranta1998]. A sztochasztikus automata működésében, ha nagyon kicsi, de mindig van valószínűsége a folyamatok végbemenetelének számábrázolási okokból. Minél nagyobb a hőmérséklet annál nagyobb ez a valószínűség, mint azt láttuk. Ennek köszönhetően a sztochasztikus automata korábban elkezd átalakulást mutatni, mint azt várnánk. Ezért definiálni kell egy határhőmérsékletet, ami alatt az adott körülmények között nem indul meg a folyamat az univerzumban. Ez a határérték a Tmin. Továbbá az is látható a táblázat értékeiből, hogy mindegyik illesztési paraméter határozott trendet ír le az alakítás mértékének függvényében. Ezeket a trendeket egyenletek formájában felírva lehetőséget kapunk arra, hogy a mért értékek által megadott értelmezési tartományon belül tetszőleges alakítási mérték esetén is elvégezhessük a szimulációt. Ezzel a gyakorlati felhasználás feltételeit meg is teremtjük. Erre példát a gyakorlati felhasználás bemutatásánál adok.

6.1.4 Alumínium ötvözetek újrakristályosodásának vizsgálata, a mérési eredmények skálázása Ugyancsak izoterm hőkezeléseket végeztem alumínium lemezeken. A hőkezelés során különböző vastagságú hidegen hengerelt lemezekből kimunkált szakítópróbákat 30 percig tartottam a kemencében adott hőmérsékleten. A szakítóvizsgálat eredményeiből számítottam az átalakult hányad értékét, a keménységmérésnél használt módszer szerint. A szakítószilárdság csökkenését egyenesen arányosnak vettem az átalakult hányaddal. Az eredményeket részletesen a gyakorlati felhasználás elemzésénél mutatom be, a 6-4. ábra csak a 8011-es, emelt vastartalmú ötvözet illesztett átalakult hányad görbéit mutatja.

DOI: 10.14750/ME.2016.012

79



2016.

A 6-4. táblázat az illesztési paramétereket mutatja. A táblázatból látható, hogy az egyes vastagságok esetén közel azonos értékeket kapunk 2,31 mm lemezvastagság és az alatti értékek esetén. Ettől a 2,94 mm vastagságú lemez esetén kapott értékek térnek el, azonban a diagramon látható, hogy az illesztés ebben az esetben nem tükrözi hűen a folyamatot. Ez annak köszönhető, hogy alumínium ötvözetek esetén figyelembe kell venni a megújulás folyamatát, azzal kapnánk meg a megfelelő pontosságot a 2,94 mm lemezvastagságot jelentő alakítási mérték esetén.

6-4. ábra. A 8011 alumíniumötvözet átalakult hányad értékei a mérések és az illesztett automata alapján.

DOI: 10.14750/ME.2016.012

80



2016.

Maga a megújulás egyszerűen implementálható a sejtautomatába [Barkóczy2004], azonban mivel újabb folyamattal, így újabb illesztési paraméterrel bővül ki az illesztés menete, több mérési eredményt igényel, ami jobban feltárja a megújulás és az újrakristályosodás egymásra hatását. Ez különböző időkig végzett izoterm hőkezelések mérési eredményei alapján könnyen megoldható, mint azt a gyakorlati alkalmazásról szóló fejezetben bemutatom. 6-4. táblázat. A 8011 alumínium ötvözet eredményeire illesztett automata aktiválási energia értékei. Lemezvastagság [mm] Qn [J/sejt] Qg [J/sejt] 0,84 21197,16 33750,58 1,05 21596,56 32787,86 1,58 21453,32 33281,78 2,31 19523,13 32179,52 2,94 47911,15 21045,75

Látszólag az újrakristályosodás szimulációját nagyom sok példán keresztül mutattam be, de a fenti eredmények nagyon sok tanulságot hordoznak. Láthattuk, hogy OFHC esetben a DSC mérések alapján meghatározott átalakult hányad görbék illesztése során 34-38 kJ/sejt értéket kapunk a csíraképződés aktiválási energia értékére, 9-11 kJ/sejt értéket kapunk a csíranövekedés aktiválási energia értékére. A különböző rézötvözetek esetén ugyanezek a paraméterek rendre 27-32 kJ/sejt és 19-29 kJ/sejt. Amit az összevetésből azonnal szembetűnik, hogy a csíranövekedés aktiválási energiájában nagy különbséget látunk. Ennek fizikai magyarázata, hogy az ötvöző atomok jelenléte lassítja a nagyszögű határok mozgását, így valóban nagyobb aktiválás szükséges az ötvözetek esetében. A csíraképződés aktiválási energiája az ötvözetekben kisebb, mint az OFHC ötvözetben. Ha a csíranövekedés lassabb, akkor a csíraképző helyek száma időegység alatt több, ami statisztikus fizikai megfontolásokat követve a csíraképződés aktiválási energiájának csökkenéséhez vezet, hiszen az illesztéssel kapott érték nem egy csíraképződési esemény aktiválási energiája, hanem a szimulációval felépített automatára átlagosan jellemző aktiválási energia. Ha az értékeket eszerint nézzük, akkor az aktiválási energiáknak, annak ellenére, hogy matematikai absztrakció eredményei, mégis megmarad valami a tartalmából. Mivel a nagyságrendekben eltérés nem mutatkozik, csak a vázolt különbséget látjuk, az is kitűnik, hogy a két különböző mérési eredmény felhasználásával végzett illesztés eredményei egymással összevethetők. Ha tekintjük a DC05 acél mérési eredményeinek illesztési eredményeivel (Qn=59042.9J/sejt, Qg=33205.3J/sejt), akkor mindkét paraméter értéke jóval nagyobb másfél-kétszerese a rézötvözeteknél kapott érték esetén. A ferrit jóval lassabban és magasabb hőmérsékleten újrakristályosodik, mint a rézötvözetek, így valóban ezt a relációt vártuk. A 8011-es ötvözet esetén azt látjuk, hogy az alakítás nagy tartományában (10 mm-es melegen hengerelt lemezt alakítottam tovább, így 77-91% fogyás esetén) az aktiválási értékek nem változnak, és a csíranövekedés aktiválási energiája a kisebb, amíg 2,94 mm vastag lemez esetén (71%-os fogyás), megkapjuk az eddig természetes relációt, miszerint a csíraképződés aktiválása a nehezebb. Nem szabad elfelednünk, hogy a 8011-es ötvözet magas vastartalma miatt nagyon sok AlFeSi intermetallikus fázist tartalmaz, ami a meleghengerlés előtt alkalmazott homogenizálás miatt kissé el is durvul [Páhy2012]. Ezek az intermetallikus fázisok nagy alakítások esetén megindítják az intermetallikus fázisok indukálta csíraképződést

DOI: 10.14750/ME.2016.012

81



2016.

(PSN) [Cotteril1982]. A sok intermetallikus fázis olyan sok csíraképző helyet biztosít, hogy jelentősen lecsökken a csíraképződés aktiválási energiája. Ezt a hatást támasztja alá, hogy az 5083-as és a 3003-as ötvözet esetén a csíraképződés aktiválási energiája nagyobb (5083: Qn= 80-100kJ/sejt, Qg=25-40kJ/sejt; 3003: Qn=35-42kJ/sejt, Qg=21-22kJ/sejt), mint azt a gyakorlati felhasználás elemzésénél bemutatom. Mind a két ötvözetben jóval kevesebb intermetallikus fázis található, mint a 8011-es ötvözetben. A fenti összegzésből látható, hogy az aktiválási energia értékek megfeleltethetők a valós kinetikai leírásnak annak ellenére, hogy a vázolt matematikai absztrakción átesett a folyamat leírása – megvalósítása. Természetesen az értékek megfeleltethetők az adott absztrakciós szintről származó más értékekkel, azonban erre mindig tekintettel kell lenni, hogy más absztrakciós szinten érvényes modell más aktiválási energia értékeivel nem található kapcsolat csak a folyamatok elemzése és leírása szintjén.

6.2

Szemcsedurvulás szimuláció illesztési eredményei, szemcsedurvulás folyamatának mérési és szimulációjának illesztési eredményei

A szemcsedurvulás szimulációs eredményeinek illesztése eltér az újrakristályosodásnál alkalmazott módszertől, mint azt az 5. fejezetben leírtam. Ennek oka, hogy ugyan csak egy folyamat, egy aktiválási energia értékét kell meghatározni, de az idő és a térbeli skálázás nem választható szét, hiszen a kinetikai elemzés alapjául szolgáló átlagos szemcseterület – idő összefüggés mindkét változója dimenzióval rendelkezik, így az időbeliség és a térbeliség nem változtatható szét. Ugyanaz az eljárás alkalmazható ebben az esetben, de előre célszerű megválasztani valamelyik skálafaktort. Bármelyiket lehet, ezt az adott feladat dönti el. Ezzel már csak a másik skálafaktort kell meghatározni az aktiválási energia értékével együtt. Ezzel egy kétváltozós szimplex szélsőérték keresési feladatot kaptunk, mint az újrakristályosodás esetén. A következőkben erre mutatok példákat. 6.2.1 46 Cr2 és 32 CrMo 12 ausztenit szemcsedurvulása Az Atlas zur Warmebehandlung der stahle című irodalomban megtalálható ausztenitesedési diagramokat mutatja a 6-5.ábra 46 Cr 2 és 32 CrMo 12 anyagminőségek esetén. A diagramok tartalmazzák a szemcsenagyság adatokat is. Az izotermás ausztenitesedési diagramok szemcseméret adatait dolgoztam fel. Az adatokról bizonyított, hogy kinetikai kiértékelésre alkalmasak [Hoó2000]. A diagramokból meghatároztam az átlagos szemcseterület (A) időbeli (t) változását (6-6.ábra). Ehhez a diagramból választott izotermákon leolvastam a fokozatszám értéket, és abból kiszámoltam az átlagos szemcseterületet. Mint a korábbi értékelésből is látszik [Hoó2000] az adatokat kritikusan kell kezelni, és az adatbázisból a kinetikától nagyon eltérő adatokat el kell hagyni. Mint ahogy az 5. fejezetben bemutatott klasszikus kinetikai kiértékelést, úgy az illesztést is nagymértékben megnehezítik a nem megfelelő pontok. Ebben az irodalmi feldolgozásban kevesebb mért adatból igyekeztek a feldolgozott görbesereget megrajzolni, ami a diagram céljának, a tájékoztatásnak és a hőkezelések tervezésének megfelel, azonban a kinetikai kiértékeléshez nem biztosítja a megfelelő minőségű adatbázist. Azonban látható, hogy ilyen körülmények között is illeszthető

DOI: 10.14750/ME.2016.012

82



2016.

az automata. A nem megfelelő pontok szűrését a [Hoó2000] feldolgozásban leírtak szerint végeztem el. Az illesztés menetében az időskála tényezőt az illesztés előtt 100 értékre választottam. Ezzel állandó értékre állítottam a szükséges lépések számát. Ezzel a lépéssel két változó maradt: a szemcsedurvulás aktiválási energiája és a méretskála. Ezzel a két értékkel a leírt szimplex eljárás ugyancsak elindítható. 46 Cr 2 acél esetében az időskála 100 értékre, a méretskála 275,1 értékre a szemcsedurvulás aktiválási energiája 511,2 kJ/sejt értékre adódott. 32 CrMo 12 esetében az időskála 100 értékre, a méretskála 95,01 értékre, az aktiválási energia 393.5 kJ/sejt értékre adódott. Mindkét esetben jóval nagyobb aktiválási energia értékeket kaptunk, mint az újrakristályosodás esetében, ami természetes is, hiszen a szemcsedurvulás lassabb folyamat, mint az újrakristályosodás. 6-5. Táblázat. Kémiai összetétel Kémiai összetétel

Anyagminőség

C

Si

Mn

P

S

Al

Cr

Cu

Mo

N

Ni

V

46 Cr 2

0.48

0.29

0.71

0.018

0.01

0.028

0.48

0.03

n.b.

0.0084

n.b.

n.b.

32 CrMo 12

0.32

0.22

0.94

0.019

0.008

0.033

2.88

0.11

0.38

0.0131

0.22

n.b.

46 Cr 2

32 CrMo 12

1300

1300

0

1

1 1200

2 3 4 5 6

1200

2 3 4 5 6

1100

1100

Acc

7

1000

T, °C

T, °C

7 8

Acc 10

9

10

900

900

8 9

1000

Ac3

Ac3

800

800

Ac1

Ac1

700

700 1,E-02

1,E-01

1,E+00

1,E+01

1,E+02

1,E+03

1,E-02

1,E-01

1,E+00

1,E+01

1,E+02

1,E+03

lg t, s

lg t, s

6-5. ábra. Ausztenitesedési diagram. Anyagminőség: 46 Cr 2 és 32 CrMo 12. [Atlas]

DOI: 10.14750/ME.2016.012

83



2016.

(a)

(b)

6-6. ábra. Átlagos szemcseterület az idő függvényében

(a)

(b)

6-7. ábra. Az illesztett automata számítási eredményei (a) 46Cr2 és (b)32CrMo12 acél ausztenit szemcsedurvulása esetén. 6.2.2 Cu24Zn18Ni ötvözet szemcsedurvulásának vizsgálata Cu24Zn18Ni izoterm hőkezelését végeztem el. Folyamatosan öntött bugából 10 mm vastag tuskót munkáltak ki, melyet 1 mm vastagságúra hengereltek a Miskolci Egyetem Von Roll hengerállványán. A hengerelt lemezekből mintát vettem, melyet 500 °C-on izoterm körülmények között 30 percig újrakristályosítottam. Ezt követően Cu24Zn18Ni ötvözet szemcsedurvító hőkezelését végeztem el 700°C és 900 °C hőmérséklettartományban 50 °C lépésközönként. Hőkezelési időnek 7, 16 és 24 órát választottam a kapott eredményeket az átlagos szemcseméret idő függvényében mutatja a 6-8.ábra mért eredményei. A hőkezeléshez használt mintát 10 mm vastag folyamatosan öntött bugából készítettem. A bugát a Miskolci Egyetem Von-Roll hengerállványán 1mm vastagságúra hengereltem, majd a lemezből vett mintákat 500°C-on 30 percig hőkezeltem. Így egy finom szemcseszerkezet alakult ki a lemezben az újrakristályosodása folyamán. Ezeket a mintákat hőkezeltem a fent leírt módon. A mintákról a hőkezelés után csiszolatot készítettem és a vonatkozó szabványok értelmében mértem az átlagos szemcseterületet. Ugyanolyan módszer szerint, mint az acélok ausztenit szemcsedurvulásánál itt is elvégeztem az illesztést. Az időskála értékét 1-re választottam,

DOI: 10.14750/ME.2016.012

84



2016.

mert elegendő lépést jelentett a számításhoz. Így egy automatalépés 1 percnek felelt meg. A mérési eredményekből a vizsgált ötvözet szemcsedurvulás aktiválási energiájára 76.06 kJ/mol értéket kaptam. A kapott értéket behelyettesítve a szimulációba, a mérési eredményeket kapjuk vissza. Ehhez kell rögzíteni az idő skálát. A számítás során egy lépést egy perc valós időtartamnak tekintettem. Ebben az esetben egy sejt mérete 651 µm2-re adódott. Az 6-8. ábrán jól látható, hogy ezekkel a skálákkal a szimuláció eredménye jó egyezést mutat a mérési eredményekkel. Összegezve szemcsedurvulás esetén is alkalmazható a szimplex eljárás az illesztéshez. Azonban itt előre célszerű rögzíteni az időskálát úgy, hogy elegendő lépésszám legyen a folyamat végbemeneteléhez. Ezek után a mérési eredmények alapján a számolási eredményekből ki kell választani az adatokat, amelyekkel az eltérésnégyzet összeget számítjuk. Ez az időskála rögzítése miatt egyszerű feladattá válik. Majd a szimplex eljárás az aktiválási energiát és a méretskála tényezőt megkeresi az eltérésnégyzet összeg minimalizálása alapján.

6-8. ábra. A mért és számított értékek összevetése Cu24Zn18Ni ötvözet esetén.

6.3

Allotróp átalakulás szimuláció illesztési eredményei

6.3.1 Urán allotróp átalakulásának vizsgálata Anyagminőség: Urán, Vizsgálat: DSC mérés A DSC mérés során felvett DSC görbe alatti terület azonos a teljes folyamat során felszabaduló vagy elnyelődő hővel. A DSC csúcsok normált integrálja azonosnak tekinthető az átalakult hányad változásával. Az átalakult hányad görbéket (folytonos vonal) láthatjuk hevítésre α→β és β→γ átalakulások (6-9. ábra (a,b)), valamint hűlésre γ→β és β→α átalakulások esetén (6-10. ábra (a,b)).

DOI: 10.14750/ME.2016.012

85



2016.

(a)

(b)

6-9. ábra. Átalakult hányad görbék az urán (a) α→β és (b) β→γ átalakulása közben hevítés esetén és az egydimenziós automata által szimplex eljárással illesztett görbék valamennyi felfűtési sebesség esetén.

(a)

(b)

6-10. ábra. Átalakult hányad görbék az urán (a) γ →β és (b) β→α átalakulása közben hűtés esetén és az egydimenziós automata által szimplex eljárással illesztett görbék valamennyi hűtési sebesség esetén. 6-6. Táblázat

α→β β→γ β→α γ→β

Qn 125100 188000 312000 171000

Qg 20316.1 18457.4 20962.9 23491.5

Tmin Gm 668.029 60000 668.352 95000 777.048 110000 770.171 70000

k 0.05 0.15 0.28 0.16

Az irodalmi adatok feldolgozásánál nem alkalmazhattam az újrakristályosodásnál leírt eljárást. A folyamat mind a 4 átalakulás esetén olyan gyors, hogy egyszerre illesztve a görbéket a szimplex eljárás nem találta meg kezelhető időn belül a megfelelő illeszkedést. Így az egyes görbéket külön illesztettem. Ebben az esetben a hajtóerő maximális értéke és az aktiválási energiák változtatása azonos módon hat az automata által számított kinetikára. Így egy előzetes számítás alapján a hajtóerő maximális értékét az illesztés előtt rögzítettem.

DOI: 10.14750/ME.2016.012

86



2016.

Ennek megfelelően a szimplex eljárás csak az aktiválási energia értékeket, a számítás kezdő hőmérsékletét és a hajtóerő hőmérsékletfüggését határozta meg. Az eredményeket a 6-6. táblázat foglalja össze. Az illesztett görbéket a 6-9., 6-10 ábrákon láthatjuk. Adott görbék esetén láthatjuk, hogy az illeszkedés nem tökéletes és a görbeseregnél tapasztalható mértéktől is eltér. Ennek egyik oka a folyamatok sebességében keresendő. Látható, hogy az átalakulások rendkívül gyorsan mennek végbe, így az automatának is gyors folyamatot kell számolnia, aminek veszélyeit a számítás pontosságát tekintve a stabilitás vizsgálatnál bemutattam. A másik fontos tényező, hogy DSC görbék esetén az átalakult hányad görbe és a csúcs integrálja nem azonos, a mérőberendezés és a vizsgált anyag hőtani adataival korrekciót kell végezni [Benke 2008,2010], amely korrekciót az irodalmi adatokkal nem végeztek el. Ezeket a megállapításokat figyelembe véve azonban az eredményekről kijelenthetem, hogy az allotróp átalakulás egy-dimenziós automatája illeszthető az urán allotróp átalakulásának mérési eredményeivel. 6.3.2 Kis karbon tartalmú acél allotróp átalakulásának vizsgálata Anyagminőség: ST24, Vizsgálat: dilatométeres mérés Az illesztést St24 anyagminőségű kis-karbontartalmú acél dilatométeres mérési eredményeivel is elvégeztem. A mérési eredményeket a 6-11.(a) ábra mutatja. Az átalakult hányad számításánál azt vettem alapul, hogy a minta hosszváltozása az átalakult hányaddal egyenesen arányos. Így meghatározva a folyamat kezdő és véghőmérsékletét a mérési diagramból a mérési eredményeket átszámítottam az átalakult hányad változására. Az átalakult hányad görbét a 6-11.(b) ábra tartalmazza. A mérést 4°C/min fűtési sebességgel végeztem Dr. Tranta Ferenc vezetésével. 6-7.

Táblázat ST24 anyagminőségű acél kémiai összetétele

Anyagminőség

Kémiai összetétel

ST24

C

Mn

Si

S

P

Cu

Cr

Ni

Al

tömeg%

0.041

0.227

0.008

0.017

0.015

0.06

0.033

0.024

0.045

(a)

(b)

6-11. ábra. (a) 0,04 % karbon tartalmú acél dilatométer görbéje 4 °C/perc sebességgel hűtve, (b) Átalakult hányad

DOI: 10.14750/ME.2016.012

87



2016.

6-12. ábra. St24 acél illesztése egy-dimenziós automatával, szimplex eljárással

Az automatát illesztve a mérési eredményekre a szimulációs paraméterek értékére a következő eredményt kaptam: Qn = 191804.4 , Qg = 68759.2, Tmin = 818.7, Gm = 30000 , Ka = 0.11. Az illesztett görbét a 6-12. ábra mutatja. Az ábrából látható, hogy az eljárással jó illesztést tudunk elérni, ami a módszer további alkalmazhatóságát bizonyítja.

DOI: 10.14750/ME.2016.012

88


7. SZIMULÁCIÓ ALKALMAZÁSA A GYAKORLATI HŐKEZELÉSBEN

2016.

7. SZIMULÁCIÓ HŐKEZELÉSBEN

ALKALMAZÁSA

A

GYAKORLATI

A szimuláció skálázásával az volt a célom, hogy lehetővé tegyem az automata gyakorlati hőkezelésben való felhasználhatóságát. A következő pontokban olyan működő rendszereket mutatok be, ahol a sejtautomata módszer alkalmazása adta a megoldást egy-egy technológiai problémára.

Alumínium ötvözetek újrakristályosodásának szimulációja

7.1

Alumínium lemezek hideghengerlését végezték el a Miskolci Egyetem Hőkezelő és Képlékenyalakító Laboratóriumának Von Roll hengerállványán. Az alakításhoz az Alcoa Köfém Magyarország Kft. által gyártott kilenc különböző ötvözet állt rendelkezésre (7-1. Táblázat). A hengerlést öt különböző alakítási mértékkel végezték. Majd a kapott mintákat a Miskolci Egyetem Fémtani, Képlékenyalakítás és Nanotechnológiai Intézetének Hőkezelő Laboratóriumában villamos ellenállás fűtésű kemencében hőkezelték. A kapott mintákon a megfelelő előkészítést követően (csiszolás, polírozás) keménységmérési és szakító vizsgálatokat végeztek [Lanszki2013]. 7-1. Táblázat. Az illesztéshez alkalmazott Al ötvözetek Al ötvözetek jelölése és összetételük Cr

Ti

Zn

Cu

Mn

Mg

Si

Fe

8006

-

-

-

0.1 - 0.3

0.05 - 0.3

0.01

0.2 - 0.5

0.4 - 0.8

M7-3003

-

-

max. 0.1

0.05 - 0.2

1 - 1.5

-

max. 0.6

max 0.7

M8-5754

-

-

-

-

0.5

2.6 - 3.2

0.4

0.4

M9-1050

-

0 - 0.5

0 - 0.07

0 - 0.05

0 - 0.05

0 - 0.05

0 - 0.25

0 - 0.4

M10-3104

-

max. 0.1

max. 0.25

0.05 - 0.25

0.8 - 1.4

0.8 - 1.3

max. 0.6

max. 0.8

3004

-

-

0.25

0.25

1 - 1.5

0.8 - 1.3

0.3

0.7

8011

0.05

0.08

0.1

0.1

0.1

0.05

0.5 - 0.9

0.6 - 1

71-5083

0.05 - 0.25

0.15

0.25

0.1

0.4 - 1

4 - 4.9

0.4

0.4

Az így kapott mérési eredményeket a korábban bemutatott egydimenziós újrakristályosodási sejtautomata szimulációval skáláztuk. A mérési eredményekből (keménységmérés, szakítóvizsgálat) az átalakult hányad a következőképpen számítható: F (t ) 

F (t ) 

HV (t )  HVlágy HVkemény  HVlágy

(7.1)

Rm(t )  Rmlágy Rm kemény  Rmlágy

(7.2)

DOI: 10.14750/ME.2016.012

89



2016.

A szoftver alkalmazásakor a mérési eredményekből számított átalakult hányad értékeket kell megadni, majd az aktiválási értékek változtatásával, a program megkeresi a legjobb illesztési eredményt. Az így kapott aktiválási energiák lesznek azok, amelyekkel a szimulációval a vizsgált anyag leírható. Szimulációs paraméterek: Cellák [db]: 10000 Szemcsék [db]: 100 Csíraképződési aktiválási energia (Qn): 60000 Csíranövekedési aktiválási energia (Qg): 20000 Lépések száma: 540 (3 h hőkezelés esetén), 360 (1 h hőkezelés esetén) Párhuzamos futások száma: 3 Ezek alapján a programnak a legjobb illesztés kiszámításához, az izotermás hőkezelések darabszámát, a hőmérséklet és átalakult hányad értékeket szükséges megadni, a következőképpen: 7-2. Táblázat Hőkezelések db

T, °C

F

7

200 250 300 350 400 450 500

0.3243 0.4865 0.5946 0.9189 0.9459 0.9730 1.0000

A programnak megadott mérési eredményekre a szimplex módszerrel a szoftver megkeresi a legjobb illeszkedést a korábban bemutatok elvek szerint.(7-1. ábra).

7-1. ábra. Mért és számított adatok illesztése 1 D sejtautomatával szimplex algoritmussal A számítás eredményeképpen megkapjuk a szoftver által számított F, Qn - csíraképződési, illetve Qg - csíranövekedési aktiválási értékeket, amelyekkel újra kiszámítva az átalakult hányad hőmérséklet függését, megadott időtartamokat figyelembe véve, ellenőrizhető a módszer helyessége (7-2.ábra, 7-3.ábra). A szimplex eljárással aktiválási energia értékekkel

DOI: 10.14750/ME.2016.012

90



2016.

újra kiszámítható az átalakult hányad hőmérséklet függése a megadott időtartamot figyelembe véve. Az így kapott átalakult hányad összevethető a mérési eredményekkel. A mérési eredmények és számítások sokasága miatt, nem tüntetem fel az összes illesztési eredményt. Két különböző ötvözet (5083, 3003), négy különböző mértékben hengerelt (h – a lemez vastagsága) mérési eredményinek illesztési látható a következő ábrasorozaton (7-2.ábra, 73.ábra).

7-2. ábra Különböző mértékben hengerelt 71-5083 anyagminőségű alumínium illesztési eredményei

7-3. ábra Különböző mértékben hengerelt 71-5083 anyagminőségű alumínium illesztési eredményei

DOI: 10.14750/ME.2016.012

91



2016.

Ahhoz, hogy a technológiai tervezés előre tervezhető legyen, az aktiválási energiák lemezvastagságtól való függését kell vizsgálni, melyek logaritmikus, szélsőséges esetekben másodfokú polinomiális trendvonal függvényillesztéssel lehetséges (7-4. és 7-5. ábra). A nagy mennyiségű adathalmaz miatt ebben az esetben sem mutatok be minden eredményt.

7-4. ábra Aktiválási energiák lemezvastagságtól való függése

7-5. ábra Aktiválási energiák lemezvastagságtól való függése

7-3. Táblázat. Az illesztett egyenes egyenletei Qn,Qg-re 71-5083

71-5083 M7-3003

Egy órás izotermásan hőkezelt ötvözetek egyenletei Qn y = -6166,4x2 + 35462x + 48805 Qg y = 794,04ln(x) + 2826,3 Három órás izotermásan hőkezelt ötvözetek egyenletei Qn y = 11992ln(x) + 16448 Qg y = -7197ln(x) + 32568 Qn y = 6663,2ln(x) + 32427 Qg y = 302,51ln(x) + 21234

Az egyenes egyenleteibe visszahelyettesítve egy tetszőleges vastagságú értéket, úgy megkapjuk a hozzá tartozó csíraképződési aktiválási energia (Qn) és csíranövekedési aktiválási energia (Qg) értékeket. A 71-5083 alumínium ötvözet három órás izotermásan hőkezelés esetén Qn értéke 1,4mm vastagsághoz (7.3). y = 11992ln(x) + 16448=11992*ln(1,4)+16448=20482,98

(7.3)

A szemnagyság méréséhez a színesen maratott mintákon mikroszkópi felvételek készültek a különböző vastagságú alumínium ötvözetekről (7-6.ábra). A vizsgálat természetesen a teljesen újrakristályosodott esetekben végezhető, az alumínium ötvözetek esetében nem kell számolni szemcsedurvulással, ennek megfelelően a vizsgált szemcseszerkezetek az újrakristályosodási folyamat befejezésének tekinthetők.

DOI: 10.14750/ME.2016.012

92



2016.

(a)

(b) 7-6.ábra. (a) Anyagminőség: M8-5754. Vastagság: 4.2 mm. T = 500 °C; (b) Anyagminőség: M9-1050. Vastagság: 5.6 mm. T = 500 °C;

A mérés DIN szabvány előírásnak megfelelően történt. Ahhoz, hogy ezen mérések a szimulációs eredményekkel összevethetők legyenek, úgy a szimuláció által számított szemcseméreteket a valós értékekre kell konvertálni. Ez az érték az aktiválási energiák állandósága miatt a hőmérsékletnek nem függvénye, viszont a lemez vastagságától függ.

B

Aszemcse Asejt

(7.3)

7-4. Táblázat. A mért és számított szemcseméret értékek 5083 T, ° C 450 500 Sejt T, °C 450 500

1,18 27,28 36,87 3,7295 7,314653 9,886044

Szemcseméret (µm) 1,4 2,36 3,25 29,52 30,67 39,15 34,84 35,85 38,18 22,7708 3,8379 23,95 B 1,296397 7,991349 1,634656 1,53003 9,341046 1,5941154

4,13 50,95 48,13 24,3383 2,093408 1,977542

7.2 Zárlati áramok okozta hatás vizsgálata sejtautomata modell alkalmazásával Al59 anyagminőségű huzalban Távvezeték sodrony alapanyagát jellemző mechanikai paraméterek ismerete igen fontos szempont. Ezeket a szabadvezetékeket több hatás is érheti például szélteher, pótteher, dinamikus hatások, továbbá számolni kell a zárlati áram hatására bekövetkező felmelegedéssel. A villamoshálózaton esetlegesen fellépő zárlati áram (nem üzemi állapot) hatására az üzemi áramok többszörösei is átfolynak a sodrony keresztmetszetén. Ez az állapot mindaddig fennáll, amíg a megfelelő védelmi berendezések le nem kapcsolnak, illetve a zárlat meg nem szűnik. Ezek a többlet áramok hőmérsékletemelkedést okoznak a sodronyban, amelynek eredményeként az anyag kilágyulhat, azaz egy újrakristályosodási folyamat előfordulásával lehet számolni [Mondreán].

DOI: 10.14750/ME.2016.012

93



2016. 7-5. Táblázat Al59 vegyi összetétele Fe

Si

Cu

Mn

Mg

Cr

Zn

B

Ti+V

Al

0,4

0,1

0,35

0,01

0,2

0,01

0,05

0,05

0,02

99,2

Ezek a távvezeték sodronyok AAAC7 alumínium-ötvözetek, ami azt jelenti, hogy a távvezeték sodronyt csak alumínium huzal alkotja és az acélerősítés a sodrony közepéből elmarad. Al59 vezető sodronyokban végbemenő újrakristályosodási folyamatot vizsgáltam. Az Al59 vezető sodronyok Al-Mg-Si alumíniumötvözetből készülnek. Vegyi összetételét a 7-5. Táblázat, mechanikai és villamos paramétereit a 7-6. Táblázat mutatja. 7-6. Táblázat Al59 mechanikai tulajdonságai Szakítószilárdság, Rm [Mpa] Nyúlás, A100

≥ 170 ≥9 %

Vezetőképesség %IACS

~59,4

A korábbiakban láthattuk, hogy szimuláció skálázásához mérési eredmények szükségesek. A hőmérséklet emelkedés hatására bekövetkező mechanikai tulajdonságok változásait a Miskolci Egyetem hőkezelő laboratóriumában vizsgálták. Laboratóriumi körülmények között kemencékben hevítették fel a FUX ZRt - ből származó Al59 minőségű 3,52 mm átmérőjű hidegen húzott huzalt (amiből a vizsgált sodronyt készítik). A hőkezeléseket 170 - 400-ig °C ig végezték, a kemencékben történő hőkezelés időtartama 30 perc volt. A kemencés hőkezelés idejét azért választották 30 percre, mert ezzel a huzal teljes átmelegedését biztosították, ugyanis a gyakorlatban nagyon rövid idő alatt lezajlik a zárlati áram okozta hő effektus. A kapott mérési adatokból a 7.2 összefüggés alapján az átalakult hányad meghatározható. Az újrakristályosodott hányad változását a hőmérséklet függvényében a 7-7.ábra. (a) mutatja.

(a)

(b) 7-7.ábra.

(a) A szakítószilárdság mérési eredményei a hőmérséklet függvényében (b) A mért és a számított eredmények illesztése Az elektromos áram szállítására használt távvezetékeket és elosztó vezetékeket több éve alumínium-ötvözet sodronyokkal (AAAC – All-Aluminum-Alloy Conductor) és acél-alumínium vezeték sodronyokkal (ACSR Aluminum Conductor Steel Reinforced) szerelik. 7

DOI: 10.14750/ME.2016.012

94



2016.

(a) (b) 7-8.ábra. (a) Az átalakult hányad és a hőmérséklet viszonya (b) A mért és a számított eredmények illesztése

A mérések illesztéséhez a korábban bemutatott egydimenziós sztochasztikus újrakristályosodás szimulációt alkalmaztam a Nelder-Mead szimplex algoritmus felhasználásával. A szimulációs eljárás során a kapott értékeket, összeillesztve a mért eredményekkel látható, hogy a mért eredmények és a szimulált eredmények megegyeznek (78.ábra.(a,b)). A mért eredményekből az alumínium huzalok hőállósága megmondható ugyan, azonban a zárlati szilárdság már sokkal több mérésen alapuló kinetikai vizsgálatot igényelne. Azonban az előző pontban láttuk, hogy ez a módszer megfelelően alkalmazható a lágyulás szimulációjára, így az illesztett automatával a zárlati szilárdság is számítható. A sejtautomata szimuláció megfelelő megoldást ad a zárlati áram okozta hatások vizsgálatára.

7.3 Tört keménységű ( ¼ , ½, ¾ kemény) alumínium ötvözet szalagok szilárdsági tulajdonságainak beállítása hőkezeléssel Tört keménységű lemezek gyártása a lemezgyártók számára jelentős kihívás. A vonatkozó szabvány különbséget tesz a képlékeny alakítással (H1x) és a hőkezeléssel (H2x) beállított keménység érték között. Magában a szilárdsági értékekben különbséget nem találunk, azonban a lemezek egyéb feldolgozhatósági mutatói (hajlíthatóság, mélyhúzhatóság) jelentősen eltérhetnek. A hőkezeléssel történő szilárdság beállításhoz elkészítünk képlékenyalakítással egy a kívántnál nagyobb keménységállapotot, majd lágyító hőkezeléssel részlegesen kilágyítjuk a lemezeket. Ennek a technológiai lépésnek a szimulációja a technológia tervezését jelentősen megkönnyíti. A következőkben bemutatom a szimuláció klasszikus, Avrami egyenlet regresszióján alapuló megoldását, majd utána a kifejlesztett 1D sejtautomata újrakristályosodás szimuláció skálázásával felépülő szimulációt is bemutatom. Látható majd, hogy a sejtautomata skálázása sokkal egyszerűbb és a felhasználók számára könnyebben elvégezhetők miközben a felépült szimuláció bővebb adathalmazt ad eredményül, mint a klasszikus megoldás. A modell kidolgozásához ötvözetlen hidegen hengerelt szalagok próbáin előkísérleteket végeztek laboratóriumi körülmények között. Az előkísérleteket a keménységméréshez 7 különböző összetételű EN-AW 1060-as szabványnak megfelelő lemezpróbákon végezték. Az alakítás mértéke 75%, 85% és 92% között változtak. Az előkísérleteket a szakítóvizsgálathoz

DOI: 10.14750/ME.2016.012

95



2016.

3 különböző összetételű EN-AW 1060-as szabványnak megfelelő lemezpróbákon végezték. Az alakítás mértéke 67%-tól 94%-ig hat lépcsőben változik.

7-9.ábra. Az átalakult hányadok változása a hőmérséklet függvényében adott hevítési sebességek mellett

DSC mérésekhez Netzsch gyártmányú 404 típusú berendezést használtak. Etalonként előzőleg izzított (lágyított) darabot, védőgázként nitrogént alkalmaztak. A hevítés sebessége 5, 10 és 20 K/perc volt. A DSC mérési eredményekből az újrakristályosodás lefolyását meghatározták a különböző összetételű lemezek esetére. Az összes mérésre vonatkozó eredményeket nem mutatom be, egy adott összetételű lemez esetén példát a 7-9. ábra mutatja. Hőkezelési kísérleteket végeztek folyamatos hevítés és állandó hőmérsékletű (izotermás) kezelések esetére, a hőkezeléshez tartozó keménység és szakító vizsgálati eredmények meghatározása céljából. A vizsgálathoz különböző összetételű lemezből 5 mm átmérőjű kis korongokat vágtak ki és minden anyagból egy-egy darabot dróttal összefűztek. Folyamatos hevítés vizsgálatához az összefűzött lemezeket egy tégelykemencébe helyezett alumíniumtuskóba rakták, melybe termoelemet helyeztek el. A kemencét program hőmérséklet szabályozóval 5°C/perc sebességgel hevítették, és különböző hőmérsékleteknél egy-egy összefűzött minta sorozatot vettek ki. A kis korongokon 0.3kp-os terhelőerővel Vickers-keménységet mértek, a kapott eredményeket a 7-10.ábra szemlélteti. Izoterm vizsgálathoz az összefűzött korongocskákat egy kamrás kemencében állandó hőmérsékleteken lágyították.

7-10.ábra. A folyamatos keménységmérés eredményei

DOI: 10.14750/ME.2016.012

96



2016.

A kemencébe alumíniumból készült tuskót raktak a jobb hőkiegyenlítés céljából. Ezáltal ±0.5°C–kal tudtuk a kemencét állandó hőmérsékleten tartani. A kísérlethez alkalmazott hőmérséklet T = 200°C, 210°C és 220°C volt. Az izoterm vizsgálat eredményei egy adott összetétel esetén a 7-11.ábra mutatja be két ötvözet esetén.

7-11.ábra Az izoterm hőkezelések keménységmérés eredményei

Szakítókísérletet is végeztek az adott próbadarabokon. Ehhez a szakító próbatesteket T = 200°C, 219°C és 235 °C-on hőkezelték. A kapott eredmények a 7-12.ábrán láthatók két ötvözet esetén.

(a) (b) 7-12.ábra. Az izoterm hőkezelések szakítóvizsgálat eredményei

A folyamatok matematikai leírása izoterm és változó hőmérséklet esetén Az alumínium lemez hideg képlékeny alakítása során a lemezben levő diszlokációk száma, ezzel a lemez energia tartalma jelentősen megnövekszik. Az egymást keresztező csúszási síkokban mozgó diszlokációk egymás mozgását blokkolják, ennek eredményeként az alumínium lemez felkeményedik. Megnő a keménysége, szakító szilárdsága, lecsökken viszont a nyúlása. Az anyagot alkotó szemcsék megnyúlnak és kialakul az úgynevezett alakítási textúra. Nagymértékű (az összetételtől függő) képlékeny alakításnál az alakváltozó képesség eltűnik (kimerül), további alakítás során először a lemez széle, majd a közepe is

DOI: 10.14750/ME.2016.012

97



2016.

felszakad. A képlékeny alakváltozás hatására az anyag az egyensúlyi állapottól eltávolodik. Hőkezeléssel visszaállítható az eredeti struktúra. A hőkezelés első lépcsőjében a diszlokációk a csúszási síkokban mozogva falakba rendeződnek. A diszlokációs falak (kisszögű szemcsehatárok) gyakorlatilag ép rácsú anyagrészeket zárnak közre, ezek az úgynevezett mozaikblokkok vagy szubszemcsék. A folyamat közben az átlagos diszlokáció sűrűség jelentősen lecsökken. Ennek következtében a szilárdsági tulajdonságok értéke csökken (keménység, szakítószilárdság), a képlékenységi tulajdonságok (nyúlás, kontrakció) értéke nő. Ez a folyamat a megújulás. A megújulás során az anyag energia tartalma csak igen kis mértékben csökken. A csökkenést még az igen érzékeny DSC berendezéssel sem lehet kimutatni. A megújulás során kialakulnak azok a szubszemcsék, melyek az újrakristályosodásnál a csírák szerepét töltik be. Egyes szubszemcsék növekedésnek indulnak, a növekedő szubszemcse és a környezete között nagyszögű szemcsehatár alakul ki. A nagyszögű határokon a termikusan aktivált atomok átlépnek, a csírák növekednek. Az átlépés során a kristályszerkezet teljesen átrendeződik, a diszlokáció sűrűség, ezáltal az anyag energia tartalma jelentősen csökken. A szilárdsági tulajdonságok értéke tovább csökken, mígnem a teljes újrakristályosodást követően visszaáll az eredeti, alakítás előtti értékre. A folyamatok matematikai leírása izoterm esetben: A megújulás során valamely szilárdsági P tulajdonságban bekövetkező ∆P változás az alábbi exponenciális egyenlettel adható meg: ∆P=(Pdef-Pmeg)(1-exp(Kt))

(7.4)

 Qmeg K  k 0 exp    RT

(7.5)

  

Az újrakristályosodás során az újrakristályosodott rész P tulajdonságának értéke megegyezik a lágy állapotban mért értékkel. Az újrakristályosodott F térfogathányad idő függését az Avrami egyenlettel lehet leírni:



F  1  exp  BT 

n

 Q B  b0 exp    RT rex



(7.6)

  

(7.7)

Az (7.4) egyenlet változói és meghatározásuk módja Pdef - mérésekből Prex - mérésekből Qrex - regresszió b0 - regresszió n - regresszió Qmeg - regresszió

DOI: 10.14750/ME.2016.012

98



2016.

k0 - regresszió Pmeg - regresszió T(t) - kemence alapjelből A megújulás és az újrakristályosodás együttes hatását a P tulajdonságra a keverési szabállyal adhatjuk meg az előbbi függvények ismeretében:

P(T )  Prex F  Pdef  P1  F 

(7.8)

A folyamatok matematikai leírása változó hőmérséklet mellett Az egyenletekben szereplő hőmérséklet függő K és B értékeit integrálással számíthatjuk ki: t  Q  B  b0 t exp   rex dt  RT (t ) 

(7.9)

t  Qmeg  dt K  k 0 t exp   RT ( t )  

(7.10)

0

0

Az izoterm kinetikák paramétereinek meghatározása regresszióval A folyamatokat leíró egyenletek paramétereit az izoterm mérésekből határozták meg szukcesszív approximáció és a legkisebb négyzet módszerek együttes alkalmazásával. A mért és számított értékek összehasonlítására példa a 7-13.ábrán látható. A számított és mért görbék egyezése megfelelő.

7-13.ábra A görbék illesztéseivel kapott eredmények

Az összefüggések ellenőrzése folyamatos hevítés esetén A gyakorlati hőkezeléseknél a felhevítés során a hőmérséklet folyamatosan változik. A lágyulás már a felhevítés során megkezdődik. Ezért rendkívül fontos, hogy a megadott összefüggések folyamatos hőmérsékletváltozás közben is leírják a szilárdsági tulajdonságok változását. Az izotermás mérések alapján meghatározott paraméterekkel kiszámították a

DOI: 10.14750/ME.2016.012

99



2016.

keménység változását folyamatos hevítés közben. A kapott eredményekre példa a 7-14.ábra látható. Az egyenletek jól leírják a folyamatos hevítés közbeni keménység csökkenést.

7-14.ábra A mért és a számított görbék illesztése

Az összefüggések alkalmazása a szakítószilárdság változásának leírására A szabványok nem a keménység hanem a szakítószilárdság alapján határozzák meg a negyed, fél, háromnegyed kemény állapotot. Ezért az összefüggéseket ellenőrizték a szakítószilárdság alapján is. Az egyezés ez esetben is igen jó.

7-15.ábra Összefüggéseket ellenőrzése a szakítószilárdság alapján

A szakítószilárdság és a keménység kapcsolata A keménységméréshez a hőkezeléseket lényegesen egyszerűbb elvégezni, ez teszi szükségessé a két szilárdsági paraméter közötti kapcsolat megállapítását. A szakítópróbák fejében ennek érdekében szakítás előtt megmérték a keménységet, majd elszakították őket. A két paraméter között az elmélet szerint lineáris a kapcsolatot. A linearitás – néhány kiugróan hibás mérés mellet – teljesül. Az egyedi vizsgálatokat átlagolva megadható egy általános összefüggés is: HV = 0.2697Rm + 2.9966

(7.11)

DOI: 10.14750/ME.2016.012

100



2016.

7-16.ábra A keménység és a szakítószilárdság közötti kapcsolat

Az Avrami modell alapján felépített szoftver, szakítószilárdság számítása hőkezelés során

7-17.ábra A szakítószilárdság időbeli változását számoló program megjelenése

A szakítószilárdság hőkezelés közbeni számításához egy szoftvert fejlesztettek ki amely adott anyagparaméterek és hőkezelési program (alapján megadja a szakítószilárdság időbeli változását.

7-18.ábra A kemence alapjel megadására szolgáló modul

DOI: 10.14750/ME.2016.012

101



2016.

Az anyaghőmérséklet számítása A program kiszámítja a megadott alapjelből az anyag hőmérsékletének időbeli változását. Az anyag hőmérséklete az alapjelen kívül az anyag és a kemence hőtani adataitól, és a kemencébe helyezett anyag mennyiségétől függ. A kemencét, mint integráló tagot tekintve az anyag és a kemence hőtani paramétereit összefoglalhatjuk az integráló tag időállandójában. Az időállandót az adott hőkezelésekre használt kemence bemérésével kapott adatokból határozták meg. Az alapjel és az anyaghőmérséklet között a következő összefüggést határozták meg: n

T (t )  T t  0   T0 t   T t  t 1  exp( 0.0122 t ) 

(7.12)

i 1

7-19.ábra A szoftver alkalmazása a technológia tervezésben

Ismerve az alapjel időbeli változását az anyag hőmérséklete a (7.13) összefüggéssel számítható. Az anyag hőmérsékletének időbeli változásának ismeretében a (7.13) és (7.12) kifejezések numerikus integrálással meghatározhatók. Mindezek ismeretében a szakítószilárdság időbeli változása megmondható. A módszer jól használható a technológia tervezés segédeszközeként, ami mégis indokolttá teszi a probléma sejtautomatával elkészített megoldását, az az, hogy az Avrami megoldáshoz képest egy gyorsaság, pontosság növekedést érhetünk el, továbbá a sejtautomata több információt szolgáltat számunkra. A működő sejtautomata szimulációt a disszertációmban mutatom be.

DOI: 10.14750/ME.2016.012

102



2016.

Újrakristályosító izzítás tervezés sejtautomatával: Gyakorlati hőkezelés lévén változó hőmérsékletet veszünk figyelembe, hasonló módon mint azt az allotróp átalakulás folyamatának reverzibilis voltánál alkalmaztam. Az automata most is, mint az eddig bemutatott példák esetén azt láttuk szinkron elven működik. Az idő automata lépésekben telik és amikor minden egyes sejt vizsgálata megtörtént, akkor egy lépés eltelt az automata életében. E közben a hőmérséklet változtatására nincs lehetőség, viszont azt lépésről lépésre megváltoztathatjuk. Ehhez szükséges a hőmérséklet időfüggése. A kemence legegyszerűbb modellje egy integráló tag. Az anyag mindig lassabban melegszik (hőátadáshővezetés sebessége miatt), mint a kemencén beállított alapjel. A hőmérsékletet az anyag belsejében a következő összefüggéssel határozhatjuk meg: Tm (T  T )  Ta T   (Ta T   Tm T ) exp( k k t )

(7.13)

amely összefüggés kimérési adatokból meghatározható (7-20.ábra kk=6 értéknél anyag hőmérsékletének meghatározása). Ezzel a hőmérséklet időfüggését megkaptuk, mellyel a további számítás elvégezhető.

Ta

Tm

7-20. ábra. A kemence alapjele, és az anyag hőmérséklete a szimulációban

v↑

7-21. ábra. Az átalakult hányad változása lineáris állandó sebességű felfűtés mellett.

DOI: 10.14750/ME.2016.012

103



2016.

A következőekben a korábbiakhoz hasonló módon megkapjuk az átalakult hányad változását a hőkezelés során és meghatározhatunk egyéb mikroszerkezeti paramétereket is. Az alkalmazás során is szükséges a validálás, ebben az esetben a hőmérséklet időbeli változását kell vizsgálni. Ehhez az automatát lineáris állandó sebességű felfűtéssel kell működtetni, a vizsgálathoz több felfűtési sebesség mellett elvégzett számítást mutatja a 7-21. ábra. A számítási eredményeken elvégezhető a Kissinger analízis. Az Avrami egyenletet idő szerint deriváljuk, akkor külön választható az átalakult hányadtól függő tag és a hőmérséklettől függő tag (7.14). A leggyorsabb átalakulást akkor kapjuk, amikor az első differenciált függvénynek maximuma van (7.15). Ha lineáris állandó sebességű felfűtést (v) alkalmazunk, akkor a (7.16) egyenletet kapjuk, ahol Tcsúcs a maximum helye. Amennyiben az így kapott egyenletet logaritmizáljuk (7.14), akkor a felfűtési sebességek és a hozzá tartozó csúcs hőmérsékletek ismeretében egy egyenest kapunk, ha az átalakult hányad változása JMAK kinetikával leírható. dF  Q   f F B0 exp    dt  RT 

(7.14)

dF / dt 0 dt

(7.15)

 Qv Q    hF B0 exp   2 RTcsúcs  RTcsúcs 

(7.16)

 v   RB  Q 1 ln  2   ln  hF  0   Q  R Tcsúcs   Tcsúcs 

(7.17)

A 7-22.(a). ábra mutatja a differenciát átalakult hányad görbéket ahol látható, hogy minden egyes görbe egy csúcsot ad. A csúcsok maximumához tartozó értékek a Kissinger analízisben egy egyenesre esnek (7-22.(b). ábra).

v↑

(a) ( b) 7-22.ábra A derivált átalakult hányad görbék, és a Kissinger analízis eredménye.

DOI: 10.14750/ME.2016.012

104



2016.

A Kissinger analízis és az alkalmazási példa is jól szemlélteti, hogy a sejtautomata felhasználható a hőkezelések közben végbemenő újrakristályosodás vizsgálatára. Mind az átalakult hányad, mind mikroszerkezeti jellemzők meghatározhatók a számítások segítségével. Ha ismert a mikroszerkezet és a mechanikai tulajdonságok kapcsolata, akkor még azok az értékeke is egyszerűen kiszámíthatók.

DOI: 10.14750/ME.2016.012

105



2016.

ÚJ TUDOMÁNYOS EREDMÉNYEK 1.Tézis: Elkészítettem a rövidtávú diffúziós folyamatok (újrakristályosodás, szemcsedurvulás, allotróp átalakulás) szimulációjára alkalmas egydimenziós sejtautomatát. Az automata számítási eredményeinek kinetikai elemzésével bizonyítottam, hogy az egydimenziós sejtautomata alkalmazásával a rövidtávú diffúziós folyamatok szimulálhatók. Összevetettem az egydimenziós és a kétdimenziós sejtautomata szimulációkat. Megállapítottam, hogy annak ellenére, hogy az automata működése vizuálisan nem adja vissza a szimulált folyamatokat, mint a magasabb dimenzióban működő automaták, ugyanannyi információt kapunk, mint kétdimenziós és háromdimenziós sejtautomata alkalmazásával. Ebben az esetben is vizsgálhatjuk a folyamatok kinetikáját az átalakult hányadon és a szemcseméret változásán keresztül. Emellett a szemcsék méret szerinti eloszlását is megkapjuk a megfelelő sztereológiai összefüggések alkalmazásával. 2. Tézis: Bemutattam, hogy az egydimenziós sejtautomata szimulációval felépített rövidtávú diffúziós folyamatok szimulátorai mérések kiértékeléséből származó adatokkal skálázhatók. Mind az újrakristályosodás, mind az allotróp átalakulás szimulációja eredményül adja az átalakult hányad és a szemcseméret időtől és hőmérséklettől való függését. Szemcsedurvulás szimulációjából az átlagos szemcseméret idő és hőmérséklet függését kapjuk meg, amely függvények alkalmasak a szimulátor kinetikai elemzésére ugyanazon a módon, ahogyan a megfelelően elvégzett mérések eredményei. Ebből következően a szimulációk eredményei, és a mérési eredmények egymással összevethetők, közöttük egyértelmű matematikai kapcsolat létesíthető, a szimuláció eredményei skálázhatók. 3. Tézis: Kimutattam, hogy az egydimenziós sejtautomata szimulációk szimulációs paraméterei a számolás pontosságát, így a skálázhatóságot jelentősen befolyásolják, azaz létezik a szimulációnak olyan paraméter együttes tartománya, amelyben a skálázás adott pontossággal elvégezhető. Ugyancsak kimutattam, hogy a számolás pontosságát elsősorban a sejtek száma és a csíraképződési, növekedési és szemcsedurvulási folyamatok aktiválási energiája határozza meg. A szimulált folyamatok aktiválási energiáinak numerikus értelmezése miatt, az értékük nagy tartományában az automaták pontosságát hőmérsékletfüggővé is teszik. A hatékony, gyors számítás miatt meg kell határozni az említett paraméterek azon tartományát, ahol a számolás költsége és a skálázás pontossága optimumot biztosít. Erre az automaták általam javasolt stabilitás vizsgálata megoldást ad. 4. Tézis: Sejtautomata szimulációk skálázásának a feladata, hogy a szimulációs eredmények időbeliségét és térbeliségét meghatározzuk mérési eredményekkel történő összevetés alapján. Megállapítottam, hogy ez történhet olyan módon, hogy előre rögzített skálázási tényezőket véve a szimuláció kinetikai paramétereit változtatjuk mindaddig, amíg a mérési eredményeket a skálázási tényezők figyelembevételével adott pontossággal meg nem kapjuk a szimuláció eredményeiben. Az általam kifejlesztett egydimenziós sejtautomata szimulációk esetén ezek a kinetikai paraméterek a csíraképződés és csíranövekedés aktiválási energiája az

DOI: 10.14750/ME.2016.012

106



2016.

újrakristályosodás és allotróp átalakulás esetén, és a szemcsedurvulás aktiválási energiája a szemcsedurvulás szimulációja esetén. Bemutattam, hogy a mért és a skálatényezőkkel átszámított, szimulációval kapott eredmények eltérésnégyzet összege egy globális minimummal rendelkező függvény a szimulációs paraméterek függvényében. Bemutattam, hogy a mért és számított eredmények illeszkedéséhez ennek a függvénynek a szélsőértékét kell megkeresni. A kereséshez a Nelder-Mead szimplex eljárást hatékonyan alkalmaztam a szokásosan végzett mérési módszerek esetén. 5. Tézis: Megállapítottam, hogy a szimuláció skálázási stratégiája a folyamatok kinetikai mérési módszerétől függ. A skálázás feladata, hogy a szimulációs eredmények időbeliségét és térbeliségét meghatározzuk mérési eredményekkel történő összevetés alapján. Megállítottam, hogy minden olyan mérési sorozat alkalmas illesztésre, ami klasszikus kinetikai kiértékelésre is alkalmas. Rámutattam, hogy a skálázás során ugyanazon hőmérséklet- és időváltozások mellett kell elvégezni a számolást, mint ami mérések körülményei voltak. Emiatt a különböző mérési metódusok alapján végzett skálázások külön kezelendők, de bármelyik esetet tekintve maga a szimuláció azonos, a skálázás sikere érdekében abban változtatást tenni nem szükséges. Skálázási stratégiában különbség mutatkozik a csíraképződéses – növekedéses folyamatok és a szemcsedurvulás között. Amíg a csíraképződéses – növekedéses folyamatok esetén az átalakult hányad értelmezése miatt (dimenzió nélküli érték) az idő- és méretskálázás külön kezelhető. Ezzel szemben a szemcsedurvulás esetén az idő- és méretskálázást egy lépésben kell elvégezni. Mind a két esetben az automata működése miatt célszerű az időlépést állandó értékre választani, hogy az automata lépéseinek száma ne változzon és azonos legyen. Ezzel a megkötéssel határozhatók meg az aktiválási energiák a csíraképződéses – növekedéses folyamatok esetén, és az aktiválási energia és a méretskála a szemcsedurvulás esetén. Csíraképződéses – növekedéses folyamatoknál mikroszkópi felvételen az átlagos szemnagyságok összevetésével határozható meg a méretskála értéke.

DOI: 10.14750/ME.2016.012

107


ÖSSZEFOGLALÁS

2016.

ÖSSZEFOGLALÁS Doktoranduszi tevékenységem feladata anyagtudományi sejtautomaták skálázási stratégiáinak meghatározása. Dolgozatomban összesítettem azokat a skálázásra vonatkozó szakirodalmakat, mérési eredményeket, illetve sejtautomata elven működő szimulációkat, amelyek a továbbiakban a skálázhatóság meghatározásának leghatékonyabb módját teszik számomra lehetővé. Dolgozatomban bemutattam a sejtautomata módszer elvét, működését, illetve ezek rövidtávú diffúziós folyamatok (újrakristályosodás, allotróp átalakulás és szemcsedurvulás) szimulálásában való alkalmazását. Ismertettem néhány már megvalósított szemcsedurvulásra és újrakristályosodásra vonatkozó skálázási lehetőséget, illetve ezek eredményeit. Ahhoz hogy a szimulációt minél több anyagminőségre beállíthassam, a rendelkezésemre álló legtöbb mérési eredményt gyűjtöttem össze az újrakristályosodásra, szemcsedurvulásra, illetve az allotróp átalakulási folyamatra vonatkozóan. Izoterm, illetve folyamatos hűtés és hevítés mellett lehet vizsgálni ezen rövidtávú diffúziós folyamatokat. Az említett mérések egy részét magam végeztem el, szakirodalomból vettem adatokat, illetve korábbi Tudományos Diákköri Dolgozatokhoz elkészített mérési eredményeket összesítettem. A szemcsedurvulást acélra, az újrakristályosodás szimulációt rézre és alumíniumra, az allotróp átalakulás szimuláció eredményei kis karbontartalmú ferrites acélra és uránra átszámíthatók lettek. Ezen eredményeket kibővítve dolgozatomban a sejtautomatát a különböző automaták közelítésével (Neumann, Véges állapotú automaták (FSA=Finite State Automata), Wolfram automaták) mutattam be. A rövidtávú diffúzióval végbemenő folyamatok (újrakristályosodás, allotróp átalakulás, szemcsedurvulás) közös jellemzője, hogy a szemcsehatár illetve fázishatár mozgása a határon lévő atomok határon történő átlépésével megy végbe. Ezen átlépés valószínűsége (gyakorisága) azaz a határmozgás sebessége egyedül az atomok közvetlen környezetének energiaállapotától függ. A sejtautomata, egy időben és térben dinamikus működésű véges állapotú automata. Létrehozva egy szabályos négyzetes rácsszerkezetet, definiálva az egymással kapcsolatban lévő sejteket a peremfeltételek megfogalmazásával a rácsszerkezet határain elhelyezkedő elemekre az állapothatározók és az állapotváltozási szabályokkal együttesen egy olyan automata hozható létre, amely működése során mindig a sejtek közvetlen környezetét veszi csak figyelembe. Kihasználva ezt a hasonlóságot, megfelelő transzformációk alkalmazásával a sejtautomata az előbb említett rövidtávú diffúzióval végbemenő folyamatoknak a hatékony szimulációját teszi lehetővé. Az irodalom számos megoldást ad a fent említett folyamatok szimulációjára. Az eltérően megfogalmazott határmozgási feltételek a folyamatok összekapcsolását körülményessé teszik, ahogy azt az irodalmi példák is mutatják. Ezen probléma kiküszöbölésére használható egy olyan határmozgási feltétel, amelyet alkalmazva az összes említett átalakulási folyamat ugyanazzal az automatával szimulálhatóvá válik. Ezzel megszűnik a különálló szimulációk összekapcsolásának nehézsége. Bemutattam különböző globális optimalizációs módszereket, melyeket tanulmányozva arra a megállapításra jutottam, hogy az automaták illesztéséhez, a Nelder-Mead szimplex numerikus szélsőérték kereső algoritmus a legalkalmasabb. Dolgozatom elsődleges feladata az automaták skálázásra alkalmas előkészítése volt. A skálázás elkészítése szempontjából a problémát a sok szimulációs paraméter okozza. Célom azon paraméterek kiszűrése volt, amelyek nélkül a szimulációk még a fizikai törvényszerűségeknek megfelelően működnek és a számított eredmények tükrözik a valóságos folyamatokat. Bemutattam ezen leegyszerűsített automaták működési elvét mindhárom folyamat esetében, illetve az automaták által számított eredményeket, bizonyítva azt, hogy a felhasznált paraméterek számát lecsökkentve, az eredmények még mindig követik a fizikai leírást.

DOI: 10.14750/ME.2016.012

108


ÖSSZEFOGLALÁS

2016.

Dolgozatomban allotróp átalakulás sejtautomata szimulációja esetén a különböző paraméterek megadásával (csíraképződési aktiválási energia, csíranövekedési aktiválási energia) kerestem azt a megfelelő beállítást, amellyel az átalakulási diagram felvehető. Kísérletsorozatot végeztem arra vonatkozóan, hogy az egyes paraméterek (Qn - csíraképződési aktiválási energia, Qg - csíranövekedési aktiválási energia) hogyan befolyásolják a szimulációs eredményeket. A vizsgálat alapján elmondható, hogy mind nagyobb csíraképződési aktiválási energiák mellett, mind nagyobb csíranövekedési aktiválási energiák mellett a 10 % és 90 % átalakuláshoz tarozó görbék a nagyobb idők irányába tolódnak el. A szimuláció tehát lehetővé teszi allotróp átalakulási folyamatok modellezését. Különböző alakítási mértékekre futtatva a szimulációt az újrakristályosodási diagramot felvettem. A skálázás elvégzésének megkönnyítésére a legkisebb bonyolultságú automatával kell dolgozni. Ennek megvalósításához a legegyszerűbb automata, az egydimenziós automata alkalmazható, így a bemutatott kétdimenziós sztochasztikus sejtautomata, egydimenziós változatát készítettem el. Ezzel a megoldással a művelet hatékonyságát növeltem meg. Dolgozatomban bemutattam az egydimenziós automata működését. Szimulációval számított eredményekkel bizonyítottam, hogy az egydimenziós sztochasztikus automata is alkalmas a folyamatok szimulálására. Az automata működése egyszerűségéből adódóan gyors, ugyanakkor nagyon sok információt ad. Az egydimenziós sztochasztikus automata skálázását is elvégeztem. Itt meg kell említeni, hogy illesztés szerint az egyes mérési módszereket osztályozni kell, ugyanis más-más skálázási stratégiával kell illeszteni a méréseket. Külön kell kezelni a csíraképződéses - csíranövekedéses folyamatokat és a szemcsedurvulást, mert ez esetben döntő szerepet játszik, hogy az időbeliség és térbeliség meghatározásához szükséges skálafaktorokat, hogyan határozzuk meg. A rendelkezésemre álló mérési adathalmaz adataira, illetve az egydimenziós automata által számolt eredmények illesztését végeztem el. Így az egydimenziós sztochasztikus automata által számított eredményeket, DC05 anyagminőségű acélra, OFHC rézre, Cu30Zn, Cu18Ni24Zn, Cu40Zn, 24E, Cu6Sn és Cu6Sn2Al rézötvözetek mérési eredményeire újrakristályosodási folyamat esetén - a kétdimenziós automatáknál bemutatott módon szimplex szélsőérték kereső algoritmussal illesztettem. Tehát gyakorlati példákkal igazoltam, hogy az illesztés az egydimenziós automaták esetében is elvégezhető. Az automata stabilitás vizsgálatát is elvégeztem. A stabilitás vizsgálat célja az automata hibájának a felderítése, amely az adott beállítással végzett párhuzamos futtatások eredményei között jelentkező legnagyobb eltérést jelenti. A vizsgálatot újrakristályosodást szimuláló egydimenziós automatával végeztem el, úgy hogy a számolt átalakult hányadok közötti különbséget vizsgáltam. Cél az volt, hogy ezt az értéket egy határon belül, méghozzá a mérési eredmények hibájánál kisebb értéken belül tartsam. Dolgozatomban az újrakristályosodási folyamat mellett a szemcsedurvulás egydimenziós sztochasztikus automatával modellezett eredményeit ismertettem. Az újrakristályosodás szimulációja esetén kapott eredmények ez esetben is megfelelnek a vártaknak, követik az JMAK kinetikát. DC05 kis-karbontartalmú acél DSC mérési eredményeire (felfűtési sebesség: 10, 15, 20, 25, 30 K/min) az automatát illesztettem. Bizonyítva, hogy ezen szimuláció a gyakorlati alkalmazásban is megállja a helyét, bemutattam három gyakorlati problémát, melynek megoldását a sejtautomata módszer alkalmazása adta. Az említett három probléma közül kettőnek (Inotal kft., ALCOA) a megoldása JMAK modell szerint már korábban elkészült (Dr. Roósz András vezetésével). Az, hogy ezen megoldásoknak elkészítettem a sejtautomata megoldását egyrészt a gyorsaság, a részletgazdagság növelése, valamint a pontosság javítása volt a célom. Ezen kívül a sejtautomata módszert egy villamos iparban előforduló probléma (zárlati áram hatására bekövetkező lágyulás) megoldására is alkalmaztam. Távvezeték sodronyok alapanyagaként használt Al59 anyagminőségű huzalokon (mely a zárlati áram hatására lágyulhat) méréseket végezve, a kapott adatokra az

DOI: 10.14750/ME.2016.012

109


ÖSSZEFOGLALÁS

2016.

automatát illesztem. Az illesztési eredményeket jelen munkámban prezentáltam. Továbbá különböző alumínium ötvözetek újrakristályosodásának vizsgálatára, is elvégeztem a skálázást. Az egy dimenzióban működő sejtautomata szimulációt allotróp átalakulás esetén is elkészítettem. Az előző két folyamathoz hasonlóan itt is teszteredményeken, illetve mérési eredményekre történő illesztésén keresztül bemutattam az automata alkalmazhatóságát.

DOI: 10.14750/ME.2016.012

110


IRODALOMJEGYZÉK 2016.

IRODALOMJEGYZÉK Aradi P., Gaff J. Lipovszky Gy. (2014): Számítógépes szimuláció. BME. Anderson M. P., Srolovitz D. J. , G. S. Grest, Sahni P. S., Acta Metall, Vol. 32, No. (1984), pp. 783

5

Atlas zur Warmebehandlung der stahle. pp. 40-41, pp. 63-64 Babarczy Mónika (2013). Nelder-Mead algoritmus és variánsainak alkalmazása, tesztelése. Eötvös Lóránd Tudományegyetem. Operációkutatási Tanszék. Baleda Tamás (2012). DC05 minőségű hidegen hengerelt acéllemez újrakristályosodásának vizsgálata. Szakdolgozat. Bárczy P., Fuchs E (1981). Metallográfia I (Röntgenes finomszerkezetvizsgálatok). Nehézipari Műszaki Egyetem. Kohómérnöki Kar. Tankönyvkiadó, Budapest, 1981. Barkóczy Péter, Roósz András, Geiger János (2000): Újrakristályosodás szimulációja cella automata módszerrel microCAD 2000 International Computer Science Conference. ME ITTC, 2000. pp. 135-139. Barkóczy P., Somogyi I., Roósz A., Tranta F. (2000). Újrakristályosodás vizsgálata DSC méréssel, XIX. Hőkezelés és Anyagtudomány a Gépgyártásban Országos Konferencia, Székesfehérvár, pp. 53-56. Barkóczy P, Roósz A, Geiger J (2003). Simulation of Recrystallization by Cellular Automaton Method. MATERIALS SCIENCE FORUM 414-415: pp. 359-363. Barkóczy P, Roósz A, Geiger J (2004). Újrakristályosító lágyítás tervezése cella automata módszerrel 21st. Heat Treatment and Materials Science for Mechanical Engineering National Conference. pp. 143-148. Barkóczy P, Roósz A, Geiger J (2004). Simulation of Dynamic Recrystallization by Cellular Automata ACTA METALLURGICA SLOVACA 10 pp. 129-134. Barkóczy P, Roósz A, Geiger J (2005). Simulation of Dynamic and Meta-dynamic Recrystallization by Celular Automaton. European Congress on Advanced Materials and Processes. pp. 49 Barkóczy Péter, Ömböli Norbert, Hegyes Tibor (2011). OFHC réz újrakristályosodási kinetikájának vizsgálata, Anyagmérnöki Tudományok, Miskolc, 36. kötet. Barkóczy Péter, Gyöngyösi Szilvia (2012). Sejtautomata anyagtudományi alkalmazásai. Miskolci Egyetem. ISBN 978-963-358-001-1 Benke M., Tranta F., Barkóczy P., Mertinger V., Daróczi L. (2008): Effect of heat-flux ont he differential scanning calorimetry curve of a thermoelastic martensitic transformationMaterials Science and Engineer A: 481-482. pp. 522-525

DOI: 10.14750/ME.2016.012

111



Benke M., Mertinger V ,Tranta F., Barkóczy P., Daróczi L. (2010): Supplement on „Effect of heat-flux features on the differential scanning calorimetry curve of a thermoelastic martensitic transformation ” Material Science and Engineering A: 527 pp. 2441-2443 Borbély D., Koppányi Z. (2010): Ponyvaszerkezetek optimális geometriájának meghatározása szimulált hűtés segítségével. BME. Hidak és szerkezetek Tanszék. Brunet Florent (2010). Contribution to Parametric Image Registration and 3D Surface Reconstruction. Thesis. Université d’Auvergne. Caneda S. T., Assis W. L., Rios P. R. (2008). Simulation of Recrystallization in Iron Single Crystals. Materials Research, Vol. 11, No. 1, 109-115. Chen L.-Q.(2002): Phase-Field Models For Microstructure Evolution. Annual Reviews of Materials Research. Vol 32: 113-140 Cotteril P,Mould P.r. (1982). Recrystallization and Grain Growth in Metals, Surrey University Press, London. Eckhart, R. (1987) Stan Ulam, John von Neumann and the Monte Carlo Method. Los Alamos Science Special Issue. Forrest S. (1993): Proceedings of the Fifth International Conference on Genetic Algorithms. Morgan Koffmann. Davies, C. H. J. (1995). Scripta Metall., Vol. 33, No. 7, pp. 1139-1143. Davies, C. H. J. (1997). Scripta Metall., Vol. 36, No. 1, pp. 35-40. Davies, C. H. J. (1999). Scripta Metall., Vol. 33, No. 40, pp. 1145-1150. Fabuly Z. (2010): Költséggazdálkodási, szervezési és minőségmegőrzési feladatok megoldása autoklávos konzervipari üzem példáján. Doktori értekezés. Kaposvári Egyetem. Fadaei A. H., Setayeshi S., Kia S. (2009). An optimization method based on combination of cellular automata and simulated annealing for VVER-1000 NPP loading pattern. Nuclear Engineering and Design 239. pp. 2800-2808 Gao F., Han L. (2010): Implementing the Nelther-Mead Simplex algorithm with adaptive parameter, Comput. Optim. Appl. Geiger János, Roósz András (1997). Szemcsedurvulási folyamatok modellezése. microCAD 1997 International Computer Science Conference. Miskolci Egyetem, pp. 91-92. Geiger J, Roósz A (1998). A szemcsedurvulás kétdimenziós szimulációja cella automata módszerrel. I rész. A modell felépítése BÁNYÁSZATI KOHÁSZATI LAPOKKOHÁSZAT 131: pp. 113-121

DOI: 10.14750/ME.2016.012

112



Geiger J, Roósz A (1998). A szemcsedurvulás kétdimenziós szimulációja cella automata módszerrel. II rész. A modell tesztelése és a valós szemcseszerkezetek durvulása BÁNYÁSZATI KOHÁSZATI LAPOK-KOHÁSZAT 131: pp. 456-461 Geiger J, Roósz A (1999). Sok objektumból álló rendszerek modellezése cella automata módszerrel GÉP 51:(11) pp. 25-28. Geiger J, Roósz A, Barkóczy P (2001). Simulation of grain coarsening in two dimensions by cellular-automaton. ACTA MATERIALIA 49: pp. 623-629. Geiger J, Roósz A, Barkóczy P (2005). Simulation of Precipitation of Compound from Solid Solution by Joined Finite Difference and Cellular automaton Methods MATERIALS SCIENCE FORUM 473-474: pp. 341-346. Gosh S., Gabane P., Bose Anindya, Chakraborti Nirupam (2009): Modeling of recrystallization in cold rolled copper using inverse automata and genetic algorithms. Computational Materials Science 45 (2009) 96-103. Gyöngyösi Szilvia, Barkóczy Péter, Tóth Anita (2010). Rövidtávú diffúziós folyamatok szimulációja sejtautomata módszerrel. MISKOLCI EGYETEM KÖZLEMÉNYEI - 2. SOROZAT ANYAG- ÉS KOHÓMÉRNÖKI TUDOMÁNYOK1:(35) pp.17-26. Gyöngyösi Sz., Barkóczy P.(2013): Scaling cellular automaton simulations of short-range diffusion process. Materials Science Forum 729: pp. 150-155 Gyöngyösi Sz., Barkóczy P., Tóth A. (2010): Allotróp átalakulás sejtautomata szimulációjának skálázása, Műszaki Tudomány az Észak Alföldi Régióban. pp. 295-300 Hatvani-Krisztin-Makai (2001): Dinamikus modellek a közgadaságban. Hegedűs István. Mesterséges Intelligencia II. Evolúciós eljárások. Hesselbarth, H. W., Göbel, I. R. (1991). Acta Metall., Vol. 39, No. 9, p 2135-2143 Hlavács Adrienn (2012). Réz ötvözetek lágyulásának vizsgálata. Szakdolgozat. Hoó Csaba (2002). Ausztenit szemcsedurvulás szimulációja cellaautomata módszerrel Tudományos Diákköri Dolgozat. Miskolci Egyetem. Anyagtudományi Intézet. Fémtani Tanszék. Janssens K., Frans G., Raabe D., Nestler B., Kozeschnik E., Miodownik M. A (2007). Computational Materilas Engineering, Elsevier, Amsterdam Jelasity M.: Genetikus algoritmusok. Jelasity M.(2008): Mesterséges Intelligencia I. (I602,IB602). SZE. John D. Verhoeven (1975). Fundamentals of Phisical Metallurgy, Villey&Sons, New York. Kovács Andrea Erika. A celluláris automatákról általában. Debreceni Egyetem. Informatikai Kar.

DOI: 10.14750/ME.2016.012

113



Kiss Dániel (2015): Tumorsejtek in vitro szelekciós kisérleteinek szimulációja rácsfüggetlen sejtautomata modell segítségével. XXXII. OTDK. Alkalmazott számítástechnika. Langton, C. G. (1984). Self-reproduction in cellular automata. Physica 10D p. 135 Lanszki P. (2013). Alumínium ötvözetek sejtautomata szimulációja. Diplomamunka. Miskolc. Lee T., Baskes M., Valone S. M., Doll J. D. (2012): Atomistic modeling of thermodynamic equilibrium and polymorphism of iron. Journal of physics. Vol. 24. pp.22 Louat N. P., Duesbery and Sanananda K. (1992). Ont the role of random walk in normal grain growth. Materials Science Forum Vols. 94-96pp. 67-76. Luis Fernando Maffeis Martins, Ronald Lesley Plaut, Angelo Fernando Padilha (1998), Effect of Carbon on the Cold-worked State and Annealing Behavior of Two 18 wt%Cr-8wt% Ni Austenitic Stainless Steels, ISIJ International, Vol. 38, No. 6, pp. 572-579. Krill C. E., Chen Q. (2002). Acta Mater, vol. 50, pp. 3057 Medina S. F., Quispe A. (2001), Improved Model for Static Recrystallization Kitetics of Hot Deformed Austenite in Low Alloy and Nb/V Microalloyed Steels, ISIJ International, Vol. 41, No. 7, pp. 774-781. Neumann János Számítógép-tudományi társaság. Neumann János életrajza. Forrás: http://njszt.hu/neumann/az-njszt-rol/neumann-janos-eletrajza Ömböli Norbert (2007). Újrakristályosodás összehasonlítása. Tudományos Diákköri Dolgozat.

kinetikai

kiértékelő

módszereinek

Paláncz Béla (2011): Numerikus módszerek. Budapesti Műszaki és Gazdaságtudományi Egyetem. Fotogrammetria és Térinformatika Tanszék. Petz,D. (2003). Neumann János tudományos öröksége. A magyar tudomány napja. Forrás: http://www.math.bme.hu/~petz/nj.html Raffai Tamás: Genetikus algoritmusok az optimalizálásban. Roósz A, Barkóczy P, Geiger J (2000): A szemcseszerkezet változása képlékeny alakítás és az azt követő újrakristályosodás és szemcsedurvulás során. XIII. Képlékenyalakító Konferencia Kiadványa. Dunaferr Kiadvány, pp. 9-23. Roosz A., P Barkoczy, J Geiger (2001). Cellular automaton simulation of recrystallisation and grain coarsening 7th European Conference on Advanced Materials and Processes. Associazione Italiana di Metallurgia. pp.160. Roósz A, Barkóczy P, J. Geiger (2001). Simulation of Plastic Deformation, Recrystallization and Grain Growth by Cellular Automaton. pp. 356-361.

DOI: 10.14750/ME.2016.012

114



Roósz, A. (2011). Fémtan I. Ideális és reális kristályszerkezet, fázisok, diffúzió, kétalkotós egyensúlyi fázisdiagramok. Miskolci Egyetem. Russel S., Norvig P.(2005): Mesterséges intelligencia. Modern Megközelítésben. Salamon András (2003). Genetikus algoritmusok. ELTE Schönfish ,B. (1995). Propagation of front sin cellular automata, Physica D 80 p. 433-450 Seppo Louhen, Verő Balázs (2011). Anyagtudományi folyamatszimuláció – Véges differenciál modul Aalto University, Helsinky, Finland, Forrás: http://www.tankonyvtar.hu/ en/tartalom/tamop425/0036_AFSZ_veges_differencia_modul/modellezs_s_szimulci_a_minde nnapok_gyakorlatban.html Takehide Senuma (2001), Physical Metallurgy of Modern High Strength Steel Sheets, ISIJ International, Vol. 41, No. 6, pp. 520-532. Tisza M. (2006). Metallográfia. Miskolci Egyetemi Kiadó. Tikare V. Holm E. A., Fan D., Chen L.-Q. (1998): Comparison of Phase Field and Potts models for Coarsening Process, Acta Materialia, Volume 47, pp. 363-371 Tranta, F. (1988). Fémtani vizsgálatok, Tankönyvkiadó, Budapest. Verő J. (1955). Általános metallográfia, Akadémiai Kiadó, Budapest. Verő, J. , Káldor, M. (1996). Fémtan., Nemzeti Tankönyvkiadó, Budapest. Verő J., Káldor M. (1986). Vasötvözetek fémtana, Műszaki könyvkiadó. Vicari A., Herault A., Ciro Del Negro, Coltelli M., Marsella M., Proietti C. (2007): Modeling of the 2001 lava flow at Etna volcano by a Cellular Automata approach. Environmental modelling & Software. Volume 22. Issue 10. pp. 1465-1471. Wolfgang Reick, Michael Pohl, Angelo Fernando Padilha (1998), Recrystallization – Transformation Combined Reactions during Annealing of a Cold Rolled Ferritic – Austenitic Duplex Stainless Steel, ISIJ International, Vol. 38, No. 6, pp.567-571. Wolfram, S. (2002). A new kind of Science. Yoshiyuki Saito (1998). Monte Carlo Simulation of Grain Growth in Three-dimensions, ISIJ International, Vol. 38, No. 6, pp. 559-566. Zuse, K. (1969). Calculating Space, Schriften zur datenverarbeitung, Vol. 1, Freidr., Vieweg & Sohn, Braunschweig, p. 74 Zöllner D., Streitenberger P. (2004). Mat Sci Forum, vols. 467-470, p. 1129

DOI: 10.14750/ME.2016.012

115



Zsoldos János (2011): Speciális dinamikai rendszerek: Sejtautomaták. Eötvös Lóránt Tudomány Egyetem. Alkalmazott Analízis és Számításmatematikai Tanszék. Természettudományi Kar. Zsolnay Károly: Genetikus algoritmusok BME CS

DOI: 10.14750/ME.2016.012

116


KÖSZÖNETNYILVÁNÍTÁS 2016.

KÖSZÖNETNYILVÁNÍTÁS

A disszertáció a TÁMOP-4.2.2/B-10/1-2010-0008 project keretein belül készült. Szeretném megköszönni Dr. Barkóczy Péternek, hogy tudományos vezetőként, legjobb szakmai tudása szerint segítette munkámat, kutatásomat. Segítségével betekinthettem a sejtautomaták világában és egy olyan módszer ismeretét sajátíthattam el, melyet nem csak a dolgozatomban bemutatott alkalmazásokban, de későbbiekben más területeken is hatékonyan alkalmazhatok. Köszönettel tartozom Dr. Tranta Ferencnek aki segített a mérések kivitelezésében. Köszönettel tartozom mindazon Hallgatóknak és azóta már Kollégáknak a munkájukért, akik méréseikkel segítették a munkámat, többek között Ömböli Norbertnek, Hlavács Adriennek, Lanszki Péternek, Mondreán Miklósnak. Köszönöm azoknak a Tanároknak és Kollégáknak, Szobatársaknak az együtt eltöltött éveket akiktől tanulhattam és akikkel együtt dolgozhattam a Miskolci Egyetemen: Dr. Roósz Andrásnak, Dr. Gácsi Zoltánnak, Dr. Mertinger Valériának, Dr. Mende Tamásnak, Dr. Veres Zsoltnak, Karacs Gábornak, Dr. Benke Mártonnak, Mikó Tamásnak, Dr. Nagy Erzsébetnek, Kovács Árpádnak, Molnár Alíznak, Dr. Pálinkás Sándornak, Dr. Kovács Sándornak, Szűcs Máténak, Gyenes Anettnak, Szabó Gábornak, az MTA kutató csoport tagjainak: Dr. Czél Györgynének, Kissné Dr. Svéda Máriának, Dr. Rontó Viktóriának, Dr. Mizser-Tomolya Kingának. Hálával tartozom azoknak akik a mérésekhez a minták előkészítésénél segítettek Márkus Zoltánnénak, Márkus Zoltánnak, Bán Róbertnek, Bodnárné Nyári Napsugárnak. Hálás köszönettel tartozom Családomnak támogatásukért.

DOI: 10.14750/ME.2016.012

117



2016.

AZ ÉRTEKEZÉS TÉMAKÖRÉBŐL MEGJELENT PUBLIKÁCIÓK Folyóiratcikkek, Konferenciakiadványok [1]

Gyöngyösi Szilvia, Barkóczy Péter: Allotróp átalakulás szimulációja sejtautomata módszerrel. XXIX. Országos Tudományos Diákköri Konferencia: Műszaki Szekció Tanulmányai. Miskolc, Magyarország,2009.04.14-2009.04.16. Miskolc: pp. 21-27.

[2]

A Tóth, Sz Gyöngyösi, P Barkóczy: Computation of the grain structure by cellular automaton in single phase aluminum alloys. 14th International Symposiumon Metallography, Acta Metallurgica Slovaca Conference: Metallography 2010. StaráLesna, Szlovákia, 2010.04.28-2010.04.30. Kosice: pp. 87-92.

[3]

Gyöngyösi Szilvia, Dr. Barkóczy Péter, Tóth Anita: Allotróp átalakulás sejtautomata szimulációjának skálázása. Műszaki Tudomány az Észak-Alföldi régióban 2010. Nyíregyháza, Magyarország, 2010.05.19 Nyíregyháza: MTA Debreceni Akadémiai Bizottság, pp. 295-300.

[4]

Gyöngyösi Szilvia, Barkóczy Péter: Fázisátalakulási folyamatok sejtautomata szimulációinak skálázása. XXIV. Hőkezelő és Anyagtudomány a Gépgyártásban Országos Konferencia. Balatonfüred, Magyarország, 2010.10.06-2010.10.08. MTESz Fejér és Veszprém megyei Szervezete, pp. 52-58.

[5]

Gyöngyösi Szilvia, Barkóczy Péter, Tóth Anita: Rövidtávú diffúziós folyamatok szimulációja sejtautomata módszerrel. MISKOLCI EGYETEM KÖZLEMÉNYEI - 2. SOROZAT ANYAG- ÉS KOHÓMÉRNÖKI TUDOMÁNYOK1:(35) pp.17-26. (2010)

[6]

Péter Barkóczy, Szilvia Gyöngyösi, Anita Tóth: The Simulation of Phase Transformations Driven by Short Range Diffusion by Cellular Automata. MicroCAD 2010 E szekció: International Scientific Conference. Miskolc, Magyarország, (2010) Miskolci Egyetem, pp. 9-14. Anyagtudomány és -technológia (ISBN:978-963-661910-7)

[7]

S Gyöngyösi, A Tóth, P Barkóczy: Simulation of Phase Transformations Driven by Short Range Diffusion by Cellular Automaton. MATERIALS SCIENCE FORUM 659: pp. 405-410. (2010)

[8]

S Vigh-Gyöngyösi, P Barkóczy, A Tóth: The simulation of phase transformations driven by short range diffusion by cellular automata. 4th International Conference Processing and Structure of Materials (PSM4). Palic, Szerbia, 2010.05.27-2010.05.29. pp. 125-132.

[9]

Szilvia Gyöngyösi, Péter Barkóczy: The Scaling of a Cellular Automaton Simulation of Allotropic Transformation. 7th International Conference of PhD Students: Agriculture. Miskolc, Magyarország, 2010.08.08-2010.08.12. University of Miskolc, pp. 55-59.(ISBN:978 963 661 936 7)

DOI: 10.14750/ME.2016.012

118



2016.

[10]

Tóth Anita, Gyöngyösi Szilvia, Dr. Barkóczy Péter: Alumínium ötvözetek újrakristályosodásának szimulációja sejtautomata módszerrel Műszaki Tudomány az Észak-Alföldi régióban 2010. Nyíregyháza, Magyarország, 2010.05.19 Nyíregyháza: MTA Debreceni Akadémiai Bizottság, pp. 315-320.

[11]

Tóth Anita, Gyöngyösi Szilvia, Barkóczy Péter: Minimális bonyolultságú skálázható sejtautomata kiválasztása újrakristályosodás szimulációjához. MISKOLCI EGYETEM KÖZLEMÉNYEI - 2. SOROZAT ANYAG- ÉS KOHÓMÉRNÖKI TUDOMÁNYOK: (35) pp. 39-49. (2010)

[12]

Gyöngyösi Szilvia, Barkóczy Péter: Átalakulási diagramok számítása allotróp átalakulás esetén sejtautomata szimulációjával MISKOLCI EGYETEM KÖZLEMÉNYEI. 2. SOROZAT, ANYAGMÉRNÖKI TUDOMÁNYOK36:(1) pp. 25-34. (2011)

[13]

Baleda Tamás, Mertinger Valéria, Gyöngyösi Szilvia, Barkóczy Péter: Dc05 lemez újrakristályosodásának vizsgálata. microCAD 2012, D Section: XXVI. International Scientific Conference. Miskolc, Magyarország, 2012.03.29-2012.03.30. Miskolci Egyetem Innovációs és Technológia Transzfer Centrum, pp. D71-D77. Applied Materials Science and Nanotechnology Symposium (ISBN:978-963-661-773-8)

[14]

Gyöngyösi Szilvia, Barkóczy Péter, Hlavács Adrienn: Egydimenziós sejtautomata skálázása, microCAD 2012, D Section: XXVI. International Scientific Conference. Miskolc, Magyarország, 2012.03.29-2012.03.30. Miskolci Egyetem Innovációs és Technológia Transzfer Centrum, pp. D201-D206. Applied Materials Science and Nanotechnology Symposium (ISBN:978-963-661-773-8)

[15]

Nemcsik György, Barkóczy Péter, Gyöngyösi Szilvia: Trapéz keresztmetszetű huzalok húzástechnológiájának fejlesztése. XIV. Képlékenyalakító konferencia: Miskolc 2012. Miskolc, Magyarország, 2012.02.16-2012.02.18. Miskolc: Miskolci Egyetem, pp. 228-233.(ISBN:978-963-661-985-5)

[16]

G. Rimaszéki, Szilvia Gyöngyösi, Peter Barkóczy: Simulation von Rekristallisation mit Zellularautomat, 14th International Students’ Day of Metallurgy, Glausthal, 2007.március 22-24

[17]

Barkóczy Péter, Gyöngyösi Szilvia: Rövidtávú diffúziós folyamatok szimulációja sejtautomata módszerrel, BÁNYÁSZATI KOHÁSZATI LAPOK-KOHÁSZAT 145:(2) pp. 30-34. (2012)

[18]

Szilvia Gyöngyösi, Péter Barkóczy: Scaling cellular automaton simulations of shortrange diffusion processes MATERIALS SCIENCE FORUM 729: pp. 150-155.(2013)

[19]

Demkó Gábor, Barkóczy Péter, Gyöngyösi Szilvia: A Miskolci Egyetem közleménye, Anyagmérnöki Tudományok, 1 füzet (37. kötet), 2012, pp. 55-64

Könyv Barkóczy Péter, Gyöngyösi Szilvia (2012). Sejtautomata anyagtudományi alkalmazásai. Miskolci Egyetem. ISBN 978-963-358-001-1

DOI: 10.14750/ME.2016.012

119



2016.

Előadások [1]

Rövidtávú diffúzióval végbemenő folyamatok szimulációja Balatonkenese, szakmai előadás magyar nyelven, 2009.10.12

[2]

Allotróp átalakulás sejtautomata szimulációjának skálázása, Nyíregyháza, Műszaki Tudomány az Észak Alföldi Régióban 2010, szakmai előadás magyar nyelven, 2010.05.19

[3]

Alumínium ötvözetek újrakristályosodásának szimulációja sejtautomata módszerrel, Nyíregyháza, Műszaki Tudomány az Észak Alföldi Régióban 2010, szakmai előadás magyar nyelven, 2010.05.19

[4]

The simulation of phase transformations driven by short range diffusion by cellular automata, Szerbia, Palic, szakmai előadás idegen nyelven, 2010.05.28

[5]

The simulation of phase transformations driven by shortrange diffusion by cellular automata, XXIV. MicroCad, Miskolci Egyetem, szakmai előadás magyar nyelven, 2010.03.18

[6]

The Scaling of a Cellular Automaton Simulation of Allotropic Transformation, 7th International Conference of PhD Students, szakmai előadás idegen nyelven, 2010.08.10

[7]

Fázisátalakulási folyamatok sejtautomata szimulációinak skálázása, XXIV. Hőkezelő és Anyagtudomány a gépgyártásban, Országos konferencia és szakkiállítás, Balatonfüred, szakmai előadás magyar nyelven, 2010.10.06

[8]

Rövidtávú diffúzió által végbemenő folyamatok sejtautomata szimulációinak skálázása, Balatonkenese, szakmai előadás magyar nyelven, 2011.10.11

[9]

Egydimenziós sejtautomata skálázása, XXIV. microCAD International Scientific Conference, Miskolci Egyetem, Szakmai előadás magyar nyelven, 2012.03.30

DOI: 10.14750/ME.2016.012

sejtautomatával,

120

Scaling strategies of cellular automata simulations of metal systems Summary

The main property of cellular automata simulations is that time is measured in simulation steps, and distances are measured in cells. In cellular automata the space is divided into equal and fully identical parts, so-called “cells”. These cells are the building blocks of the universe where the automata operates. The universe is a system which is covered by different boundaries, and inside the universe the cells are in special relations called “neighborhood”. A set of predefined states of the cells exists, and all cells have one valid state from this set. The automata tries to change this state of the cells based on “rules”. The rules are functions, the input variables being the state of the cells and its neighbors, the output being the new state of the given cells. The automata tries to continuously change the state of the cells. In computations when the automata changes the state of all cells once one simulation step is finished. The 2D simulations of grain coarsening and recrystallization were developed earlier. My thesis introduces the 2D simulation of allotropic phase transformation. Tests prove that the cellular automata is able to simulate the allotropic phase transformation. Based on the three introduced automata I developed the rule set which makes it easy to connect the simulations together. All the mentioned simulations handle time in simulation steps, and distances in the number of cells. The task of the scaling is to assign the real measures to the results of the automata. The literatures show a complicated method to determine the scaling factors as a function of temperature and simulation parameters. I introduce a method in my thesis which determines a temperature independent scaling factors with the systematic changes of the simulation variables. This methods needs simulations with minimal complexity. In my thesis I prove that these simulations are one-dimensional cellular automata simulations. In my tests I prove that the one-dimensional method also gives the same information about the kinetics of the phase transformations. The developed method is sensitive to the temperature due to the changes of activation energies. For this I prepared a stability test to determine the range of the simulation parameters. Fortunately this range gives fast computation, so the parameters of the simulation can be calculated quickly. I choose the simplex method to change systematically the parameters of the simulations, which are mainly the activation energies. The simplex method is fast and effective to fit the results of the computations to the measured values. In case of recrystallization and allotropic phase transformation the transformed volume fraction is fitted as a function of time. The best strategy is to fix the time scale before fitting. I determine the sum of least-squares as a minimized value as a function of activation energies. The length scale is easy to calculate by the measured and the computed average grain size. In the case of grain coarsening it is necessary to fit the time and length scale in one time. The best strategy here also is to

DOI: 10.14750/ME.2016.012

predefine the time scale. For the fitting the average grain size is used as a function of time. The simplex method changes the activation energy and the length scale simultaneously. In my thesis I prove the success of the described method with several examples. I fit the simulation of recrystallization to measured data of copper and aluminum alloys and DC05 steel. I fit the simulation of grain coarsening to the measured data of austenite grain coarsening in different steels, and a copper-nickel alloy. In the case of allotropic phase transformation I fit the simulation to the transformation of uranium and St24 steel. Based on my work I describe the following theses: 1. One dimensional cellular automata were developed to simulate short range diffusional phase transformations (recrystallization, grain coarsening and allotropic phase transformation). The kinetic analysis of the results of the automata proves the application of the one-dimensional cellular automata simulation for these tasks. The one- and twodimensional simulations were compared. This comparison shows that the one-dimensional simulations give the same amount of numerical information as 2D simulations, but do not show visually the transformation processes. In one dimension it is also possible to examine the kinetics of the phase transformations through the changes of the transformed volume fraction or the changes of average grain size. Additionally it is possible to determine the distribution of the grain size using the proper stereological functions. 2. It is possible to fit all developed automata to the measured values. Both the simulation of recrystallization and the simulation of allotropic phase transformation calculate the transformed volume fraction and average grain size as a function of temperature and time. The simulation of grain coarsening only gives the average grain size as a function of temperature and time. These functions are suitable for the kinetic analysis of the automata as the results of properly prepared measurements. This shows that the results of the computations and the measurements are comparable. It can establish a clear mathematical relationship between the computed and measured results. The developed simulations can be scaled. 3. The parameters of the simulations have a significant effect on the accuracy of the simulations. So these parameters also influence the scaling. A specific range of the parameters exists within the scaling that can be performed with a given accuracy. It is introduced that the accuracy of the calculation is influenced by the number of cells, the activation energy of nucleation and growth and grain coarsening. The interpretation of the activation energies makes the accuracy of the automata temperature-dependent. It is necessary to declare the range of the mentioned parameters where the scaling can perform effectively and with low computation cost. The results of the developed stability test gives the answer to this question. 4. In case of cellular automata simulations the aim of the scaling is to determine the scale factor of time and length. Based on the scale factors it is possible to recalculate the results of the simulations to real values. The scaling can be performed based on the comparison of the calculated and measured values. It is stated that the scaling can be made with predefined scaling factors by changing the parameters of the simulations until the calculated and scaled values are equal at a given accuracy. These parameters of the simulations in the developed one-dimensional cellular automata are the activation energies. In the case of recrystallization

DOI: 10.14750/ME.2016.012

and allotropic phase transformations these parameters are the activation energy of nucleation and growth, in the case of grain coarsening these parameters are the activation energy of the coarsening and the length scale. The sum of squares between the measured and recalculated values as a function of the mentioned parameters are a continuous function with a global minima. In this minima we get the best fit of the measured and recalculated values. During the scaling process the task is to find these minima. For this task the effective mathematical method is the Nelder-Mead simplex algorithm. 5. The strategy of scaling depends on the measurement method of the kinetics of phase transformations. The task of the scaling is to determine the scaling factors with which we can recalculate the simulated values to real measures. All of the series of measured values are good for scaling which is good for classical kinetic analysis. During scaling the necessary calculations must be performed at those temperature and time ranges as in which the measurement were performed. For this the different values from different measurement can be handled in different way, but the simulations are the same in all cases. No changes can be made in the simulation for the success of scaling. There is a major difference between the scaling of nucleation – growth processes and grain coarsening. The transformed volume fraction in the case of recrystallization and allotropic phase transformation is dimensionless. For this the scaling factor of time and length can be determined independently. In the case of grain coarsening the determination of both scaling factors can be made in the same step jointly. In all simulations the best process is to declare the time scale prior the calculations. This method makes the number of simulation steps constant. With simplex method the activation energies in the case of recrystallization and allotropic phase transformation can be easily determined as well as the activation energy and length scale in the case of coarsening. In the case of recrystallization and allotropic phase transformation the length scale can be calculated easily based on the calculated and measured average grain diameter.

DOI: 10.14750/ME.2016.012

DOI: 10.14750/ME.2016.012

DOI: 10.14750/ME.2016.012

Anyagtudományi sejtautomaták skálázási stratégiái

Recommend Documents