بررسي توزيع اندازه دانه در فولاد زنگ نزن آستنيتي AISI 316L توسط روش تجربي و شبيه سازي مونت كارلو

Considering grain size distribution of AISI 316L austenitic stainless steel by experimental method and Monte Carlo simulation approach

اندازه دانه و يكنواختي توزيع آن يكي از مهمترين ويژگيهاي ريزساختاري فولادهاي زنگ نزن آستنيتي است كه تاثير زيادي بر خواص مكانيكي آنها دارد. توزيع اندازه دانه عاملي است كه بر يكنواختي توزيع كرنش در ماده و همچنين توزيع همگن تحولات فازي نظير تبلور مجدد استاتيكي، ديناميكي و متاديناميكي تاثير دارد. توزيع اندازه دانه‌ها مي‌تواند با كاربرد روش نقطه اي ارائه شده توسط جنسن-گاندرسن و بكارگيري توابع مختلفي از جمله تابع نرمال لگاريتمي، تابع گاما، تابع ويبل، تابع لوت و يا تابع هيلرت بيان شود. در تحقيق حاضر از روش شبيه سازي سه بعدي مونت كارلو براي بررسي رشد دانه و توزيع دانه ها استفاده شد تا مشخص شود اين روش كدام توزيع را پيش بيني مي كند. جهت اعتبار بخشي به نتايج بر تعدادي از نمونه ها روش مقطع زدن متوالي انجام شد. نتايج نشان داد تعداد دانه اثر مهمي بر توزيع دانه‌ها دارد، بطوريكه در تعداد دانه نسبتاً كم (دانه هاي درشت) توزيع نرمال لگاريتمي و در تعداد دانه‌هاي زياد (دانه هاي ريز) توزيع گاما برقرار است.

Grain size and its distribution is the dominant microstructure feature of austenitic stainless steels and influences considerably their mechanical properties. This attribute affects homogeneity of strain during deformation and uniformity of microstructural evolution at static, dynamic and metadynamic recrystallization processes. Grain size distribution can be described by using Jensen-Gunderson point sampling method and distribution functions such as Lognormal, Gamma, Weibull, Louat, and Hilert equations. In this study, Monte Carlo simulation method was employed for predicting grain growth and relevant grain size distribution during annealing to distinct which distribution function is dominant. To validate simulation outputs, experimental serial sectioning method was applied on some samples. Results shows grain numbers has major effect on grain size distribution, in which at low grain quantity, Lognormal distribution function and at higher quantity, Gamma function is satisfied.