Time Prediction of Cooling Down Low Range Specimen with Neural Network Exploitation

• Autorzy: Hager M. , Schindler I.
• Języki publikacji: EN

Abstrakty

EN

The method exploits sufficient similarity between cooling down curves of individual specimens from the same material but when specimens vary in geometric shape. Time scale altering for individual specimens leads from practical point of view to coincidence of all curves with so called "general curve" for given material which is calculated from measured values by means of statistic methods. This operation can be denoted as a definition of time transformation coefficient (TTC) (for known specimens). If an artificial neural network learns itself to assign time transformation coefficient to known dimensions of specimens, it is then with sufficient accuracy able to determine time transformation coefficient even for specimens with different shapes, for which it has not been learnt. By backward time transformation is then possible to predict probable time course of the cooling down curve and accordingly also the moment of accomplishment of given temperature.

PL

Zaprezentowana metoda wykorzystuje podobieństwo pomiędzy krzywymi chłodzenia dla próbek z tego samego materiału, różniących się cechami geometrycznymi. Z praktycznego punktu widzenia dopasowanie skali czasu dla poszczególnych próbek prowadzi do zbieżności z tzw. "ogólną krzywą" dla danego materiału, którą można wyznaczyć metodami statystycznymi. Ta operacja jest określana jako definiowanie współczynnika przekształcenia czasu (TTC). Jeśli sztuczna sieć neuronowa nauczy się przyporządkowywać współczynnik przekształcenia czasu TTC dla znanych wymiarów próbek, to będzie możliwe wyznaczenie z wystarczającą dokładnością współczynnika TTC dla próbek o różnych kształtach. Umożliwi to, poprzez przekształcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chłodzenia, a także czasu osiągnięcia zadanej temperatury.

Słowa kluczowe

EN

cooling down of materials; temperature prediction; artificial neural network

PL

procesy chłodzenia materiałów; przewidywanie temperatury; sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Hutnik, Wiadomości Hutnicze
• Rocznik: 2008
• Tom: Vol. 75, nr 8
• Strony: 478--480
• Opis fizyczny: Bibliogr. 4 poz., rys., tab.

Twórcy

autor

Hager M.

autor

Schindler I.

• VSB - Technical University of Ostrava, Faculty of Metallurgy and Materials Engineering, Czech Republic,

Bibliografia

• 1. Heger M., Franz J.: Monitoring of Highly Heated Material Flow for Increasing Reliability and Quality of Production Control Systems in Metallurgy, 3 th International Carpatian Control Conference – ICCC’2002, Ostrava: VŠB-TU Ostrava, 2002, pp. 341-346
• 2. Jančíková Z.: Umělé neuronové sítě v materiálovém inženýrství, monografie, GEP ARTS Ostrava, 2006, ISBN 80- 248-1174-X
• 3. Heger M., David J.: Neuronek – program pro výuku neuronových sítí. In Sborník semináře XXVI. ASŘ 2001 Instrumets and Control, Ostrava, 2001, ISBN 80-7078-890-9
• 4. Heger M., Franz J., David J.: Numeric Function Approximation With Utilization of Artificial Intelligence Elements, 4 th International Carpatian Control Conference – ICCC’2003, Košice, 2003, ISBN 80-7099-509-2, pp. 695-698