Modelling of melt-spinning process of amorphous tapes using the artificial neural networks (ANN)

• Autorzy: Krupa M. , Szota M. , Gawroński J.
• Języki publikacji: EN

Abstrakty

EN

The possibility of using artificial neural networks for modelling processes of production amorphous materials is presented. The moulding conditions of amorphous tapes are particularly interesting in modelled process. These conditions have a direct influence on thickness and width of produced tapes. The amorphous tapes are received using melt-spinning method. This method is based on casting of inductive molten material into rotating with high speed copper drum. The copper drum is water-cooled. The considered proces is realized in inert gas atmosphere, for example argon. The modelled proces is very important, because of amorphous materials properties depend on moulding conditions. The amorphous tapes have a thickness in range 50÷100 um and width from 2 to 5 mm. Using neural networks for modelling process of moulding amorphous tapes by use of melt-spinning method is caused by following net features: lack of mathematical algorithms describing influence of input parameters changes on modelling materials properties, the ability to learning and adaptation, ability to self-optimization of net structure, high speed of calculations and parallel realization of mathematical operations. In this paper the method of neural network learning and testing, the way of limiting net structure and minimizing learning and testing error are presented. The designed model of neural structure is multilayer perceptron network (MLP).

PL

W pracy przedstawiono możliwości zastosowania sztucznych sieci neuronowych do modelowania procesów wytwarzania materiałów amorficznych. W modelowanym procesie szczególnie interesujące są warunki formowania, które mają bezpośredni wpływ na grubość oraz szerokość taśm amorficznych. Taśmy amorficzne są otrzymywane za pomocą metody melt-spinningu, która polega na odlewaniu stopionego indukcyjnie materiału na obracającym się z dużą prędkością bębnie miedzianym chłodzonym wodą. Proces jest przeprowadzany w atmosferze gazu ochronnego, np. argonu. Modelowanie procesu wytwarzania jest bardzo istotne, ponieważ właściwości otrzymywanych materiałów amorficznych w dużej mierze zależą od warunków formowania. Opisaną metodą wytwarzane są taśmy amorficzne o grubości 50÷100 um oraz szerokości 2÷5 mm. Zastosowanie sztucznych sieci neuronowych do modelowania procesu odlewania taśm amorficznych za pomocą metody melt-spinningu wynika z: braku matematycznych algorytmów opisujących badany problem, zdolności sieci do uczenia się oraz adaptacji z wykorzystaniem zadanych zbiorów treningowych, możliwości optymalizacji struktury neuronowej, dużej szybkości obliczeń oraz równoległej realizacji złożonych operacji matematycznych. W pracy zastosowano automatyczną metodę uczenia projektowanej sieci neuronowej oraz weryfikacji jej poprawności. Ponadto przedstawiono algorytm minimalizacji błędu uczenia oraz optymalizacji opracowanej struktury neuronowej. Odpowiednio przygotowany model może dostarczyć wiele informacji dotyczących parametrów procesu wytwarzania taśm amorficznych oraz ich właściwości. Projektowany model struktury neuronowej stanowi perceptronowa sieć warstwowa (ang. MLP - multilayer perceptron network).

Słowa kluczowe

EN

amorphous tapes; melt spinning method; artificial neural networks

PL

taśmy amorficzne; melt-spinning; sztuczne sieci neuronowe (SSN)

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Inżynieria Materiałowa
• Rocznik: 2011
• Tom: Vol. 32, nr 4
• Strony: 490--494
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Krupa M.

autor

Szota M.

autor

Gawroński J.

• Wydział Inżynierii Procesowej, Materiałowej i Fizyki Stosowanej, Politechnika Częstochowska,

Bibliografia

• [1] http://archiwum.wiz.pl.
• [2] http://www.przegląd-techniczny.pl.
• [3] Zbroszczyk J.: Amorficzne i nanokrystaliczne stopy żelaza. Wydawnictwo Politechniki Częstochowskiej, Częstochowa (2007).
• [4] Lachowicz H.: Magnetyki amorficzne. Wiedza i życie. Warszawa (1983).
• [5] http://www.mstd.nrl.navy.mil.
• [6] http://www.fizyka.wip.pcz.pl.
• [7] Marquardt D. W.: Generalized inverses, ridge regression, biased linear estimation and nonlinear estimation. Technometrics 12 (1970) 591÷612.
• [8] Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa (1993).
• [9] http://www.republika.pl.
• [10] Krawiec K.: Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, Poznań (2004).
• [11] Jankowski N.: Ontogeniczne sieci neuronowe w zastosowaniu do klasyfikacji danych medycznych. Praca doktorska pod kierunkiem prof. Włodzimierza Ducha, Katedra Metod Komputerowych Uniwersytetu Mikołaja Kopernika, Toruń (1999).
• [12] Levenberg K.: A method for the solution of certain nonlinear problems in least squares. Quart. Appl. Math. 2 (1944) 164÷168.
• [13] Marquardt D. W.: An algorithm for least squares estimation of nonlinear parameters. J. SIAM 11 (1963) 431÷441.
• [14] http://kik.pcz.pl.
• [15] Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowanie. Akademicka Oficyna Wydawnicza PLJ, Warszawa (1994).