Modelación empírica de propiedades termofísicas de aceros inoxidables austeníticos // Empirical modelation of thermophysical properties of austenitic stainless steel

Abstract

Las propiedades termofísicas de los aceros son de especial interés en las aplicaciones de la ingeniería térmica. El objetivo de esta investigación es la obtención de un método que permita predecir la influencia de la composición y temperatura de operación sobre las propiedades termofísicas en los aceros inoxidables austeníticos. Mediante el método Flash Laser se obtuvieron 3255 muestras experimentales de aceros AISI laminados y recocidos 301, 302, 304, 310 y 316, que resumen la variación de la conductividad térmica, calor específico, difusividad y densidad, para composiciones conocidas (en por ciento másico) de C, Mn, P, S, Si, Ni, Cr, Mo, V, en un rango de temperaturas de 0 a 800 ºC. Los datos experimentales disponibles fueron procesados mediante técnicas machine learning, desarrollando un modelo que permite computar las propiedades termofísicas objeto de estudio con un error de correlación inferior al 25 % en el 90 % los datos experimentales disponibles. En todos los casos, el modelo obtenido muestra valores adecuados de ajustes y correlación, por lo que puede ser considerado satisfactorio para el diseño práctico.

Palabras claves: acero inoxidable austenítico; modelos empíricos; machine learnig.

Abstract

The prediction of steel thermophysical properties are special interest for thermal engineering applications. This work aims to obtaining a method for predicting the temperature influence and composition on the variation on the austenitic stainless steels thermophysical properties. Applying the Flash Laser method, 3 255 experimental samples for rolled and annealed AISI steels (301, 302, 304, 310 and 316) was obtained, which summarize the variation of thermal conductivity, specific heat, diffusivity and density, for known compositions (in mass percent) of C, Mn, P, S, Si, Ni, Cr, Mo, V, in a temperature range from 0 to 800 ?. By means machine learning techniques, the available experimental data were generalized, developing a correlation that fits the experiments validity range, with a deviation of 25% for the 90% of the available experimental data. In all cases, the agreement for the proposed model is good enough to be considered satisfactory for practical design.

Key words: austenitic stainless steel; empirical models; machine learning.