The Prediction of Hardenability using Neural Networks

• Autorzy: Knap M. , Falkus J. , Rozman A. , Konopka K. , Lamut J.

Identyfikatory

DOI

10.2478/amm-2014-0021

Warianty tytułu

PL

Modelowanie hartowności stali z wykorzystaniem sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The objective of the research that has been presented was to model the effect of differences in chemical composition within one steel grade on hardenability, with a very broad and heterogeneous database used for studying hardness predictions. This article presents the second part of research conducted with neural networks. In the previous article [1] the most influential parameters were defined along with their weights and on the basis of these results, an improved model for predicting hardenability was developed. These developed neural networks were applied to model predictions of hardenability for three steel grades VCNMO150, CT270 and 42CrMoS4. The results proved that the correlation between the chemical composition differences within a chosen steel grade and the hardness changes can be modeled. If the database is big enough, predictions would be accurate and of high quality. But for a less comprehensive database, the differences in hardness predictions for various chemical compositions of the steel grade concernedwere observable.

PL

Celem zaprezentowanych poprzednio badań było modelowanie wpływu składu chemicznego wybranego gatunku stali na hartowność. Modelowanie przeprowadzono z wykorzystaniem rozbudowanej bazy danych zawierającej informacje o składzie chemicznym próbek stali oraz wynikach prób hartowności. W artykule przedstawiono drugą część badań przeprowadzonych z wykorzystaniem sieci neuronowych. W poprzedniej pracy [1] określono parametry modelu oraz ich współczynniki wagowe. Na podstawie uzyskanych wyników opracowano ulepszony model do predykcji hartowności stali. Utworzone sieci neuronowe wykorzystano do predykcji hartowności trzech wybranych gatunków stali: VCNM0150, CT270 oraz 42CrMoS4. Otrzymane wyniki wskazują na możliwość modelowania zależności pomiędzy składem chemicznym, a hartownością w ramach danego gatunku stali. Wykorzystanie do uczenia sieci neuronowej wystarczająco dużej liczby rekordów dotyczących wybranego gatunku stali powoduje, że otrzymywane wyniki charakteryzują się dobrą dokładnością. W przypadku mniej wy- czerpującego zbioru danych wykorzystywanego do nauki sieci, otrzymywane wyniki charakteryzuje większy błąd prognozy.

Słowa kluczowe

EN

neural networks; hardenability; Jominy test

PL

sieci neuronowe; hartowność; test Jominy'ego

• Wydawca: Institute of Metallurgy and Materials Science of Polish Academy of Sciences ; Committee of Materials Engineering and Metallurgy of Polish Academy of Sciences
• Czasopismo: Archives of Metallurgy and Materials
• Rocznik: 2014
• Tom: Vol. 59, iss. 1
• Strony: 133--136
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Knap M.

• University of Ljubljana, Faculty of Natural Sciences and Engineering, Department of Materials and Metallurgy

autor

Falkus J.

• AGH University of Science and Technology, Faculty of Metals Engineering and Industrial Computer Science, Al. A. Mickiewicza 30, 30-059 Kraków, Poland

autor

Rozman A.

• Metal Ravne D.O.O., Ravne Na Koroškem

autor

Konopka K.

• AGH University of Science and Technology, Faculty of Metals Engineering and Industrial Computer Science, Al. A. Mickiewicza 30, 30-059 Kraków, Poland

autor

Lamut J.

• University of Ljubljana, Faculty of Natural Sciences and Engineering, Department of Materials and Metallurgy

Bibliografia

• [1] M. Knap, J. Falkus, A. Rozman, J. Lamut, The prediction of hardenability using neural networks, Archives of Metallurgy and Materials 53, 3, 509-514 (2008).
• [2] R. Turk, I. Perus, M. Tercelj, New starting points for the prediction of tool wear in hot forging, International Journal of Machine Tools and Manufacture 44, 12-13, 1319-1331 (2004).
• [3] M. Tercelj, I. Perus, R. Turk, Suitability of CAE neural networks and FEMfor prediction of wear on die radii in hot forging, Tribology International 36, 8, 573-583 (2003).
• [4] M. Terčelj, R. Turk, G. Kugler, I. Peruš, Neural network analysis of the influence of chemical composition on surface cracking during hot rolling of AISI D2 tool steel, Computational Material Science.
• [5] W. G. Vermuelen, P. J.van der Wolk, A. P.de Weijer, S.van der Zwaag, Prediction of Jominy Hardness Profiles of Steels Using Artificial Neural Networks, Journal of Materials Engineering Preference 5, 57-63 (1996).
• [6] L. A. Dobrzański, W. Sitek, Application ofaneural network in modeling of hardenability of constructional steels, Journal of Materials Processing Technology 78, 59-66 (1998).
• [7] L. A. Dobrzański, W. Sitek, Designing of the chemical composition of constructional alloy steel, Journal of Materials Processing Technology 89-90, 467-472 (1999).
• [8] L. A. Dobrzański, W. Sitek, The modelling of hardenability using neural networks, Journal of Materials Procesing Technology 92-93, 8-14 (1999).
• [9] Metal Ravne Steel Selector v.3.0: http://www.metalravne.com/selector/selector.html