Attempt of neural modelling of castings crystallisation control process

• Autorzy: Tadeusiewicz R. , Grabska-Chrząstowska J. , Połcik H.

Warianty tytułu

PL

Próba neuronowego modelowania procesu sterowania krystalizacją odlewów

• Języki publikacji: EN

Abstrakty

EN

The paper presents a successful attempt to create a neural model for a casting process. Neural network, following the training process, is able to predict selected effects of casting cooling (as a number of metal crystals in certain point of the casting), based on the data referring to the cooling method (the casting is cooled with water, the flow of which is controlled according to a set time algorithm). Various structures of neural networks used for solving the problem in question have been illustrated and the results obtained have been discussed. After creating several successful versions of a straight model, an attempt was made to set up a reverse model, it is such model in which expected control result is supplied to the input of the neural network (here, the number of crystals in a casting), and the network is expected to generate output signal stating how the cooling of the casting should be controlled to accomplish that objective. This has proven impossible, and the relevant reasons and circumstances have been presented.

PL

W artykule zaprezentowano udaną próbę stworzenia neuronowego modelu procesu odlewniczego. Sieć neuronowa po procesie uczenia jest w stanie przewidzieć wybrane efekty chłodzenia odlewu (w postaci liczby kryształów metalu występujących w określonym punkcie odlewu) na podstawie danych dotyczących sposobu chłodzenia odlewu (odlew jest chłodzony wodą, której przepływ sterowany jest według zadawanego wzorca czasowego). W pracy pokazano różne struktury sieci neuronowych używanych do rozwiązywania postawionego problemu oraz przedyskutowano uzyskiwane przy ich pomocy wyniki. Po stworzeniu kilku udanych wersji modelu prostego podjęto próbę stworzenia modelu odwrotnego, to znaczy takiego, w którym na wejście sieci neuronowej podawany jest oczekiwany wynik sterowania (tu - ilość kryształów w odlewie) i oczekuje się, ze sieć na swoim wyjściu wyprodukuje sygnał określający, jak należy sterować chłodzeniem odlewu, żeby ten cel osiągnąć. To zadanie okazało się niemożliwe do zrealizowania, przy czym w artykule dokładnie pokazano przyczyny i okoliczności tej niemożliwości.

Słowa kluczowe

EN

casting; casting cooling; neural network; neural model; cooling control; reverse model

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2008
• Tom: Vol. 8, No. 2
• Strony: 58--69
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Tadeusiewicz R.

autor

Grabska-Chrząstowska J.

autor

Połcik H.

• Akademia Górniczo-Hutnicza, al Mickiewicza 30, 30-059 Kraków, Poland,

Bibliografia

• Cho, S., Cho, Y., Yoon, S., 1997, Reliable Roll Force Prediction in Cold Mill Using Multiple Neural Networks. IEEE Transactions on Neural Networks, 8 (4), 874-882.
• Dixit, U. S.. Chandra, S. A., 2003, Neural Network Based Methodology for the Prediction of Roll Force and Roll Torque In Fuzzy Form For Cold Fiat Rolling Process. The International Journal of Advanced Manufacturing Technology, 22 (l 1-12), 883-889.
• Jansen, M., Broese, E., Feldkeller, B., Poppe, T., 1999, How Neural Networks Are Proving Themselves in Rolling Mill Process Control, Siemens Newsletter: Metals, Mining and More. [Online].
• Larkiola, J., Myllykoski, P., Korhonen, A. S., Cser, L., 1998, The Role of Neural Networks in the Optimization of Rolling Process, Journal of Materials Processing Technology, 80-81, 16-23.
• Lee, D.M., Choi, S.G., 2004, Application of On-line Adaptable Neural Network for the Force Set-up of a Plate Mill. Engineering Applications of Artificial Intelligence, 17, 557-565.
• Lula, P., Paliwoda-Pękosz, G., Tadeusiewicz, R., 2007, Methodology for artificial intelligence and applications in economy and management, University of Economics, Kraków.
• Morris, A.J., Martin, E.B., 1998, Neural Networks: Panacea or Pragmatic Solution? In: Applications of Artificial Neural Network Systems in the Steel Industry, Brussels, Luxembourg: European Communities, 9-42.
• Pican, N., Alexandre, F., Bresson, P., 1998, Artificial Neural Networks for the Presetting of a Steel Temper Mill. In: Applications of Artificial Neural Network Systems in the Steel Industry, Brussels, Luxembourg, European Communities, 253-259.
• Pichler, R., Pfaffermayr, M., 1996, On-Line Optimisation of the Rolling Process: A Case of Neural Networks, Steel Times, 224, 310-311.
• Połcik H., Kluska-Nawarecka S., Bieniasz S.: Selected Problems of Computer Aided Control of Solidification Casting Process, Naukowyj Żurnal 4.2007 "BICHNIK", Chemiczeskogo Nacjonalnogo Univeristeta, Chmielnickij, 2007. No4, T.2 (94).
• Szaleniec, M., Goclon, J., Witko, M., Tadeusiewicz, R., 2006, Application of artificial neural networks and DFT-based parameters for prediction of reaction kinetics of ethyl-benzene dehydrogenase. Journal of Computer-Aided Molecular Design, 20 (3), 145-157
• Tadeusiewicz, R., Gąciarz, T., Borowik, B., Leper, B., 2007, Discovering properties of neural networks using applications in C# language, Polish Academy of Arts and Science, Kraków.
• Zhao, Q.-L., Liu, X.-H., Wang, G.-D., Xu, J., An, H.-W., 2005, Neural Network Friction Model for Cold Strip Rolling, International Journal of lron and Steel Research, 12 (4), 35-39.