Possibilities of neural networks using in the design, simulation and verification of the controlled gas nitriding process

• Autorzy: Michalski J. , Mruk R. , Wach P. , Burdyński K.

Identyfikatory

DOI

10.15199/28.2017.4.4

Warianty tytułu

PL

Możliwości wykorzystania sieci neuronowych w projektowaniu, symulacji i weryfikacji procesów regulowanego azotowania gazowego

• Języki publikacji: EN

Abstrakty

EN

The article presents the possibility of neural networks application to design and simulate the growth kinetics of class 1 nitrided layers in steel 32CDV13 and 42CrMo4 (40HM), using data obtained from analytical models. The study analyses unidirectional multilayer neural networks with one hidden layer, with approximation properties. The algorithm developed takes into account the average thickness of the layer of iron nitride. This parameter is most frequently used for the classification of nitrided layers, especially for anticorrosion layers. As a result of research and discussion stated: the neural networks with approximating properties used allowed to build models, well-fitted to the data obtained using analytical models, taught structures of neural networks can be used in systems estimating the results of the nitriding process. The duration of the first stage of the process and the value of the potential in the second degree determine the thickness of the iron nitride layer obtained after the nitriding process. The value of the potential in the second stage also determines the intensity of limiting the thickness of the iron nitride layer. Nitriding decreases the impact strength of steel regardless of the thickness of the subsurface iron nitride layer. The iron nitride layer on the steel increases its resistance to frictional wear. Its resistance to friction wear increases with the increase of the thickness of this layer.

PL

Celem pracy była ocena możliwości wykorzystania sieci neuronowych do projektowania i symulacji kinetyki wzrostu warstw azotowanych na stalli 32CDV13 i 42CrMo4 (40HM), wykorzystując dane uzyskane z modeli analitycznych. W części weryfikacji eksperymentalnej, określenie udarności i odporności na zużycie przez tarcie tych stali po procesie regulowanego azotowania gazowego.

Słowa kluczowe

EN

nitriding process; neural network; impact strength test; wear tests

PL

proces azotowania; sieć neuronowa; badania udarności; badania zużycia; tarcie

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Inżynieria Materiałowa
• Rocznik: 2017
• Tom: Vol. 38, nr 4
• Strony: 177--182
• Opis fizyczny: Bibliogr. 19 poz., fig., tab.

Twórcy

autor

Michalski J.

• Instytut Mechaniki Precyzyjnej w Warszawie

autor

Mruk R.

• Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

autor

Wach P.

• Instytut Mechaniki Precyzyjnej w Warszawie

autor

Burdyński K.

• Instytut Mechaniki Precyzyjnej w Warszawie

Bibliografia

• 1. Conrado E., Gorla C., Davoli P., Boniardi M.: A comparison of bending fatigue strength of carburized and nitrided gears for industrial applications. Engineering Failure Analysis 78 (2017) 41÷54.
• 2. Norma AMS 2759/10A: Automated gaseous nitriding controlled by nitriding potential.
• 3. Langenhan B., Spies H. J.: Einfluss der Nitrierbedingungen auf Morphologie und Struktur von Verbindungsschichten auf Vergütungsstählen. HTM 7 (1992) 337÷343.
• 4. Maldzinski L., Liliental W., Tymowski G., Tacikowski J.: New possibilities for controlling gas nitriding process by simulation of growth kinetics of nitride layers. Surface Engineering 15 (1999) 377÷384.
• 5. Belmonte T., Goune M., Michel H.: Numerical modelling of interstitial diffusion in binary systems, application to iron nitriding. Mat. Sci. Eng. A 302 (2001) 246÷257.
• 6. Keddam M., Djeghlal M. E., Barrallier L., Salhi E.: Computer simulation of nitrided layers growth for pure iron. Computational Materials Science 29 (2004) 43÷48.
• 7. Somers M. A. J., Mittemeijer E. J.: Layer growth kinetics on gaseous nitriding of pure iron: Evaluation of diffusion coefficients for nitrogen in iron nitrides. Metallurgical and Materials Transactions A 28 (1995) 57÷74.
• 8. Keddam M., Djeghlal M. E., Barrallier L.: A diffusion model for simulation of bilayer growth (ε/γ′) of nitrided pure iron. Mat. Sci. Eng. A 378 (2004) 475÷478.
• 9. Keddam M.: Surface modification of the pure iron by the pulse plasma nitriding: Application of a kinetic model. Mat. Sci. Eng. A 462 (2007) 169÷173.
• 10. Özdemir B. İ., Lippmann N.: Modelling and simulation of surface reactions and reactive flow of a nitriding process. Surface and Coatings Technology 219 (2013) 151÷162.
• 11. Ratajski J., Olik R., Suszko T., Dobrodziej J., Michalski J.: Design, control and in situ visualization of gas nitriding processes. Sensors 10 (2010) 218÷240.
• 12. Yetim A. F., Codur M. Y., Yazici M.: Using of artificial neural network for the prediction of tribological properties of plasma nitrided 316L stainless steel. Materials Letters 158 (2015) 170÷173.
• 13. Filetin T., Żmak I., Novak D.: Determining nitriding parameters with neural networks. Journal of ASTM International 5 (2005) 1÷11.
• 14. Dobrodziej J., Mazurkiewicz A., Wojutyński Ratajski J., Michalski J.: Komputerowe wspomaganie modelowania procesów termo-dyfuzyjnych oraz procesów PVD z wykorzystaniem logiki rozmytej. Problemy Eksplo¬atacji 2 (2008) 45÷61.
• 15. Wach P., Michalski J., Burdyński K.: Wytwarzanie warstw azotowanych o zwiększonej odporności korozyjnej na stali niestopowej. Inżynieria Powierzchni 1 (2016) 24÷29.
• 16. PN-EN-10045-1, 1994. Próba udarności sposobem Charpy’ego. Metoda badania.
• 17. PN-83/H-04302, Metale. Badania wytrzymałościowe metali. Próba tarcia w układzie trzy wałeczki–stożek.
• 18. Michalski J., Burdyński K., Wach P., Łataś Z., Tacikowski J.: Projektowanie długookresowych procesów azotowania gazowego na przykładzie stali 32CDV13. Inżynieria Materiałowa 6 (2008) 760÷764.
• 19. Mońka G., Tacikowski J., Michalski J.: Wpływ kulowania na wybrane właściwości mechaniczne azotowanej stali 42CrMo4 (40HM). Inżynieria Powierzchni 3 (2016) 4÷11.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).