Optimization of materials processing using a hybrid technique based on artificial neural networks

• Autorzy: Kusiak J. , Żmudzki A. , Danielewska-Tułecka A.

Warianty tytułu

PL

Optymalizacja procesów obróbki metali z użyciem techniki hybrydowej opartej o sztuczne sieci neuronowe

• Konferencja: Scientific Seminar Integrated Study on the foundations of Plastic Deformation of Metals PLASTMET'04 (4; 16-19.11.2004; Łańcut, Poland)
• Języki publikacji: EN

Abstrakty

EN

The optimization problems in the field of material processing are very complex. They require a lot of computations, because most of processes are simulated on the base of the Finite Element Method (FEM). In classical optimization approach, every iteration requires time-consuming FEM calculation of the considered problem, which increases the computation time of the optimization procedures. The efficient optimization algorithms of such complex problems should minimize the computation time. The paper presents a new hybrid optimization technique based on the Artificial Neural Network (ANN) modelling. The search of the optimal value is performed not directly on the objective function, but on its values predicted by its ANN metamodel. Such approach does not require FEM recalculations of the whole analyzed problem for each optimization iteration. It allows decreasing the computation time of the optimization procedure. The paper presents the description of the proposed method, its algorithm and examples of application to test optimization problems and the inverse analysis of materials properties.

PL

W zagadnieniach dotyczących procesów obróbki materiałów, problemy optymalizacji są bardzo skomplikowane. Wymagają one bowiem wielu obliczeń numerycznych, co wynika z tego iż większość procesów modeluje się za pomocą Metody Elementów Skończonych (MES). W klasycznym podejściu, każda iteracja metody optymalizacji wymaga czasochłonnych symulacji MES rozważanego problemu, co znacząco zwiększa czas obliczeń. Cecha skutecznego algorytmu optymalizacji powinno byc zmniejszenie tego czasu. W artykule przedstawiono nowa hybrydowa technikę optymalizacji oparta o modelowanie z użyciem Sztucznych Sieci Neuronowych (SSN). Poszukiwanie wartości optymalnej nie jest przeprowadzone bezpośrednio za pomocą zdefiniowanej funkcji celu, ale za pomocą jej wartości wskazanej przez metamodel SSN. Zaprezentowane podejście nie wymaga ponownych obliczeń całego analizowanego problemu za pomocą MES w każdej iteracji algorytmu. Pozwala to na zmniejszenie czasu obliczeń procedury optymalizacji. W artykule zaprezentowano opis proponowanej metodyki, algorytm poszukiwania optimum, oraz przykłady zastosowania do optymalizacji funkcji testowych i do wyznaczania parametrów modelu materiałowego w analizie odwrotnej.

Słowa kluczowe

EN

hybrid technique; artificial neural networks; optimization

PL

technika hybrydowa; sztuczne sieci neuronowe; optymalizacja

• 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: 2005
• Tom: Vol. 50, iss. 3
• Strony: 609--620
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Kusiak J.

• AHG University of Science and Technology, 30-059 Kraków, Al. Mickiewicza 30, Poland

autor

Żmudzki A.

• AHG University of Science and Technology, 30-059 Kraków, Al. Mickiewicza 30, Poland

autor

Danielewska-Tułecka A.

• National-Louis University, 33-300 Nowy Sącz, ul. Zielona 27, Poland

Bibliografia

• [1] J. Kusiak, A technique of tool-shape optimization in large scale problems of metal forming. J. Mat. Proc. Techn. 57, 79-84 (1996).
• [2] J. Kusiak, Approximation-based technique in application to the optimization of metal forming processes Proc. XXIV Vcrformungskundliches Kolloquium, Planneralm, Austria, 167-174(2005).
• [3] L. Fourment, T. T. Do, A. Habbal, M. Bouzaiane, Gradient non-gradient and hybrid algorithms for optimizing 2D and 3D forging sequences, Proc. 8lh Conf. On Material Forming ESAFORM, Cluj-Napoca, Romania, 163-166 (2005).
• [4] M. H. A. Bonte, A. H. van den Boogaard, J. Huetink, Solving optimisation problems in metal forming using Finite Element simulation and mctamodelling techniques, Proc. 1st Invited COST526 Conf. APOMAT, Morschach, Switzerland. 242-251 (2005).
• [5] D. C. Montogomery, Design and Analysis of Experiments, John Wiley & Sons, New York (1991).
• [6] B. V. Mehta, H. Ghulman, R. Gerth, Extrusion Die Design: A New Methodology of Using Design of Experiments as a Precursor to Neural Networks, JOM- e, 51 (9), 1999, http://www.tms.org/pu bs/journals/JOM/9909/Mehta/Mehta-9909.html.
• [7] J. Wray, G. G. R. Green, Neural network, approximation theory and finite precision computations. Neural Networks S, 31-37 (1995).
• [8] J.C. Gelin, O. Ghouati. An Inverse Method for Determining Viscoplastic Properties of Aluminium Alloys, J. Mat. Proc. Techn. 45, 435-440 (1994).
• [9] A. Gavrus, E. Massoni, J. L. Chenot. An Inverse Analysis using a Finite Element Model for Identification of Rheological Parameters, Proc. Metal Forming'96t eds, M. Pietrzyk, J. Kusiak, P. Hartley, I. Pillinger, J. Mat. Proc. Techn. 447- 454 (1996).
• [10] D. Szeliga, J. Gawąd, M. Pietrzyk, Parameters identification of material models based on the inverse analysis. Int. J. Appl. Math. Comput. Sci 14. 4, (2004).
• [11] D. Szeliga, M. Pietrzyk, Identification of Rheological and Tribological Parameters, chapter in the book Metal Forming Science and Practice, eds. Lcnard J.G., Elsevier Science Ltd., Amsterdam 227-258 (2002).
• [12] A. Żmudzki, M. Papaj, R. Kuziak, J. Kusiak, M. Pietrzyk, Validation of the forward-backward uxtrusion test, designed for evaluation of friction coefficient and flow properties of metals alloys deformed in semi-solid state. J.Steel Grips (Suppl. Metal Forming 2004) 2, 541-545 (2004).
• [13] A. Żmudzki, M. Pietrzyk, P. Kotrbacek, J. Horsky, Various plastometric tests for semi solid materials and their numerical simulations, J.Steel Grips (Suppl. Metal Forming 2004) 2, 735-739 (2004).
• [14] A. Żmudzki, M. Papaj, R. Kuziak, J. Kusiak, M. Pietrzyk, Optimum die shape design for evaluation of material properties. Proc. 6th Conf. on Material Forming ESAFORM. Salerno, Italy 139-142 (2003).
• [15] A. Żmudzki, J. Kusiak, Neural Networks Based Optimization in Inverse Analysis, Proc. 1st Invited COST526 Conf. APOMAT, Morschach, Switzerland, 236- 241 (2005).
• [16] M. Pietrzyk, R. Kuziak, Development of the Constitutive Law for Microalloyed Steels Deformed in the TWo Phase Range of Temperatures, Steel GRIPS (Suppl. Metal Forming 2004) 2, 465-470 (2004).