Using neural networks application for prediction of parameters of carbonizing process in fluidized bed

• Autorzy: Szota M. , Jasiński J.

Warianty tytułu

PL

Zastosowanie sieci neuronowych do prognozowania parametrów procesu nawęglania w złożu fluidalnym

• Konferencja: Inżynieria Powierzchni, INPO 2008 ( VII; 02-05.12.2008; Wisła-Jawornik, Polska)
• Języki publikacji: EN

Abstrakty

EN

This paper presents neural network model used for designing the assumed curve of hardness after carbonizing steel in fluidized bed. This process is very complicated and difficult as multi-parameters changes are non linear and car drive cross structure is non homogeneous [1÷2]. This fact and lack of mathematical algorithms describing this process makes modeling required curve of hardness by traditional numerical methods difficult or even impossible. In this case it is possible to try using artificial neural network [3÷7]. The neural network structure was designed and prepared by choosing input and output parameters of process. The method of learning and testing neural network, the way of limiting nets structure and minimizing learning and testing error are discussed. Such prepared neural network model, after putting expected values of assumed hardness curve in output layer, can give answers to a lot of questions about parameters of carbonizing process in fluidized bed. This paper presents different conception modeling of carbonizing process parameters and obtain assumed material's properties after carbonizing in fluidized bed. The specially prepared neural networks model could be a help for engineering decisions and may be used in designing carbonizing process in fluidized bed as well as in controlling changes of this process.

PL

Praca prezentuje model neuronowy zastosowany do projektowania oczekiwanych rozkładów twardości stali po nawęglaniu w złożu fluidalnym. Proces ten jest bardzo skomplikowany, jednoczesne zmiany wielu jego parametrów mają charakter nieliniowy, a struktura stali, z której są wykonane obrabiane elementy, jest niejednorodna. Fakt ten oraz brak algorytmów matematycznych opisujących ten proces czyni zastosowanie tradycyjnych metod do modelowania parametrów nawęglania w złożu bardzo trudnym, a niejednokrotnie niemożliwym. W tym przypadku uzasadniona jest próba zastosowania sieci neuronowych do modelowania tego procesu. Odpowiednio zaprojektowana sieć neuronowa może sprawnie służyć do projektowania parametrów procesu nawęglania w złożu fluidalnym. W artykule zaprezentowano nietypową koncepcję modelowania parametrów procesu nawęglania i otrzymywania wcześniej zakładanych właściwości materiału po tym procesie. Odpowiednio przygotowany model neuronowy może być pomocny przy podejmowaniu decyzji inżynierskiej i może być stosowany do kontroli poprawności przebiegu procesu nawęglania.

Słowa kluczowe

PL

model neuronowy; proces nawęglania w złożu fluidalnym; twardość stali; nawęglanie w złożu fluidalnym; modelowanie parametrów procesu nawęglania

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Inżynieria Materiałowa
• Rocznik: 2008
• Tom: Vol. 29, nr 6
• Strony: 877--880
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Szota M.

autor

Jasiński J.

• Instytut Inżynierii Materiałowej, Politechniki Częstochowskiej,

Bibliografia

• [1] Jasinski J.: Oddziaływanie zloża fluidalnego na procesy nasycania dyfuzyjnego warstwy wierzchniej stali, Wydawnictwo WIPMiFS, Czestochowa (2003).
• [2] Jasinski J., Jeziorski L., Kubara M.: Carbonitriding of steel In fluidized beds, Heat Traetment of Metals 12 2 (1988).
• [3] Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydaw. Politechniki Warszawskiej, Warszawa (2003).
• [4] Rutkowski L.: Sieci neuronowe i neurokomputery, Wydawnictwo Politechniki Częstochowskiej, Częstochowa (1996).
• [5] Trzaska J., Dobrzanski L. A.: Application of neural networks for designing the chemical composition of steel with the assumed hardness after cooling from the austenitising temperature, Journal of Materiale Processing Technology 164-165 (2005).
• [6] Sitek W., Dobrzanski L. A.: Application of genetic method in materials’ design, Journal of Materials Processing Technology 164-165, (2005).
• [7] Dobrzanski L. A., Kowalski M., Madejski J.: Methodology of the mechanical properties prediction for the metallurgical products from the engineering steels Rusing the Artificial Intelliegence methods, Journal of Materials Processing Technology 164-165 (2005).
• [8] Rogalski Z.: Obróbka cieplna fluidalna – stan techniki, część 1, Inżynieria Powierzchni nr 2, Warszawa (2000).
• [9] Babul T., Nakonieczny A., Obuchowicz Z., Orzechowski D., Jasinski J., Jeziorski L., Fraczek T., Torbus R.: Przemysłowe zastosowanie wizualizacji i sterowania komputerowego piecami do obróbki cieplnej i cieplno-chemicznej, Inżynieria Materiałowa 5 (2002).
• [10] Jasinski J., Jeziorski L., Fraczek T., Torbus R., Chrząstek P., Babul T., Nakonieczny A., Obuchowicz Z.: Komputerowy system sterowania i wizualizacji procesami F-A/O-D w wersji laboratoryjnej, Inżynieria Materiałowa 5 (2002).
• [11] Jasinski J.: System wizualizacji i sterowania procesow obróbki cieplnochemicznej w wersji laboratoryjnej, Biuletyn Automatyki ASTOR, Automatyka, Sterowanie i Organizacja Produkcji, Kraków (2004).
• [12] Haykin S.: Neural networks, a comprehensive foundation, Macmillan College Publishing Company, New York (1994).
• [13] Son J. S., Lee D. M., Kim I. S., Choi S. G.: A study on on-line learning neural networks for prediction for rolling force in hot-rolling mill, Journal of Materials Processing Technology 164-165 (2005).
• [14] Svietlicznyj D., Pietrzyk M., On-line Model of Thermal Roll Profile during Hot Rolling, Metall. Foundry Eng. 1 27 (2001).
• [15] Kusiak J., Pietrzyk M., Svietlicznyj D., Application of artificial neural network in on-line control pf hot flat folling processes, Int. Journal Engineering Simulation 1 3 (2000).