The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

• Autorzy: Spicka I. , Heger M. , Franz J.

Warianty tytułu

PL

Matematyczno-fizyczne modele oraz wykorzystywanie sieci neuronowych do prognozowania czasu ochładzania próbek o zróżnicowanych wymiarach

• Konferencja: International Conference "Development Trends in Mechanization of Foundry Processes" (5 ; 14-16 October 2010 ; Inwałd, Poland)
• 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. To obtain more general results, when above mentioned exploration of TCC, coupling with the numerical solutions of partial differential equations of the heat fields together with their initial and boundary conditions solutions can be used. The initial conditions in the most cases are unique or they can be with the sufficient precision determined, whereas the boundary conditions of heat transfer equations are usually wary hard to set. So some potential methods of boundary conditions determining and some difficulties by their time behavior settings can be illustrated, too. The advantages of both methods can be mixed and sufficient speedy and accuracy solution may be got.

PL

Zaprezentowana metoda wykorzystuje podobieństwo pomiędzy krzywymi chłodzenia dla próbek z tego samego materiału, różniących się cechami geometrycznymi. Dopasowanie skali czasu dla poszczególnych próbek prowadzi do zbieżności z tzw. "ogólna krzywa" dla danego materiału, która można wyznaczyć metodami statystycznymi. Ta operacja jest określana jako definiowanie współczynnika przekształcenia czasu TTC dla próbek o określonych kształtach (wymiarach), to będzie możliwe wyznaczenie z wystarczająca dokładnością współczynnika TTC dla próbek o odmiennych kształtach (wymiarach). Umożliwi to, poprzez przekształcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chłodzenia, a także czasu osiągnięcia zadanej temperatury. W celu osiągnięcia bardziej ogólnych wyników wspomniana wcześniej metoda TTC połączono z analizą numeryczną cząstkowych równań różniczkowych opisujących pole temperatury z uwzględnieniem warunków początkowych i brzegowych. Warunki poczaąkowe w większości przypadków są jednoznacznie określone lub mogą być określone z zadawalającą dokładnością, natomiast warunki brzegowe wymiany ciepła są zwykle trudne do ustalenia. Przedstawione zostały wybrane metody określenia warunków brzegowych oraz trudności związane z określeniem charakterystyk czasowych. Zalety obu metod mogą być łaczone w celu osiągnięcia zadawalającej szybkości i dokładności rozwiązania.

Słowa kluczowe

EN

cooling down of materials; temperature prediction; artificial neural network; boundary condition; numerical heat transfer equation

PL

ochładzanie materiałów; temperatura przewidywana; sztuczne sieci neuronowe; warunek brzegowy; wymiana ciepła

• 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: 2010
• Tom: Vol. 55, iss. 3
• Strony: 921--926
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Spicka I.

autor

Heger M.

autor

Franz J.

• CSC. VSB – TECHNICAL UNIVERSITY OF OSTRAVA, FACULTY OF METALLURGY AND MATERIALS ENGINEERING, CZECH REPUBLIC

Bibliografia

• [1] M. Heger, J. Franz, 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: VSB-TU, 341-346, Ostrava 2002.
• [2] Z. Jancikova, Umele neuronove sitev materialovem inzenyrstvi, monografie, GEP ARTS, ISBN 80-248-1174-X Ostrava 2006.
• [3] M. Heger, J. David, Neuronek - program pro vyuku neuronovych sıti. In Sbornik seminare XXVI. ASˇR 2001 Instrumets and Control, ISBN 80-7078-890-9, Ostrava 2001.
• [4] M. Heger, J. Franz, J. David, Numeric Function Approximation With Utilization of Artificial Intelligence Elements, 4 th International Carpatian Control Conference - ICCC’2003, ISBN 80-7099-509-2, 695-698, Kosice, 2003.
• [5] P. Hasek, Tabulky pro tepelnou techniku. 2. Vydani. Ostrava: edicnistredisko VSB Ostrava, 1997.
• [6] B. Majakovskij, Empiriceskije formuly dla vyrazenija temperaturnoj zavisimosti teplofizoceskich svojst stali. STAL, 1, 87-89 (1971).
• [7] I. Spicka, M. Heger, Simulations of heat processes into Matlab program, In PROCESS CONTROL 2008, Kouty nad Desnou, C153 a-1 -7, ISBN 978-80-7395-077-4 Czech Republic 2008.
• [8] M. Heger, I. Spicka, J. Franz, Vyuztı prvku umele inteligence pro predikci casu chladnuti kovovych vzorku pred tvarenim, Hutnicke listy, c 2., LXI, 73-75. ISSN 0018-8069 (2008).