Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Modelling the hot metal desulfurization process using artificial intelligence methods

Podolska Angelika, Falkus Jan

Archives of Civil Engineering

2024

Vol. 70, nr 2

255--270

The objective of conducted research on the hot metal desulfurization process was to determine the key process parameters that impact the ultimate outcome of desulfurization. As a result, the noticeable outcome of implementing these measures should be the improvement of quality control. In order to determine these parameters, used artificial intelligence methods like as neural networks (ANN). On the basis of the production data collected from the actual metallurgical aggregate for hot metal desulfurization, neural networks were built that used quantitative data (mass of hot metal, mass of used reagents, etc.) and qualitative data (chemical analysis of hot metal). The parameters of the desulfurization process were divided into state parameters and control parameters. From the point of view of the technology of conducting the desulfurization process and building an on-line model, only control parameters can be changed during desulfurization. To describe the problem of predicting change in the sulfur content during the hot metal desulfurization process is sufficient an MLP type neural network with a single hidden layer. Adopting a more complex network structure would probably lead to a loss of the ability to generalise the problem. The research was carried out in STATISTICA Automated Neural Networks SANN.

Budowa i weryfikacja modeli procesu odsiarczania surówki żelaza opartych o sztuczną inteligencję dostarcza bardzo wiele interesujących wyników, które mogą być wykorzystane zarówno w obszarze związanym ze sterowaniem jak i do celów teoretycznej analizy procesu. Wniosek dotyczący analizy teoretycznej w odniesieniu do modeli wykorzystujących sztuczne sieci neuronowe może wydawać się zbyt optymistyczny, bowiem powszechnie uważa się, że modele typu black box nie wzbogacają naszej wiedzy o procesie. W omawianym przypadku mamy jednak do czynienia z sytuacją, w której jednym z kluczowych pytań badawczych jest odpowiedź jak duży wpływ na proces mają czynniki statyczne, a jaki dynamiczne. Przy tak sformułowanym problemie, analiza warstwy wejściowej sieci neuronowej połączona z analizą istotności poszczególnych wielkości wejściowych, umożliwia co najmniej ocenę jakościową. W przeprowadzonych badaniach, dokładność modeli dedykowanych wymienionym w tablicy 3 grupom wytopów jest bardzo zadowalająca. Przewyższa ona dokładność dotychczasowych rozwiązań i może być podstawą do modernizacji istniejącego systemu sterowania. Średni błąd prognozy wyrażony za pomocą wartości błędu bezwzględnego to wynik rzędu 15 ppm dla wytopów o zawartości siarki <100 ppm oraz 25 ppm dla wytopów o siarce końcowej >100ppm. Wyniki te należy traktować jako dokładne ze względu na metodę określania składu chemicznego (Optyczna spektroskopia emisyjna OES) oraz jej zakres błędu pomiarowego.

Evolution of δ phase precipitates in Inconel 625 superalloy additively manufactured by laser powder bed fusion and its modeling with fuzzy logic

Staroń Sylwia, Macioł Piotr, Dubiel Beata, Gola Kewin, Falkus Jan

Archives of Civil and Mechanical Engineering

2023

Vol. 23, no. 2

art. no. e86, 2023

Experimental and modeling studies of the evolution of plate-like δ phase precipitates in Inconel 625 superalloy additively manufactured by the laser powder bed fusion process are performed. The maximum Feret diameter and the number of particles per unit area are used as parameters describing the size and distribution of the δ phase precipitates. On the basis of microstructural analysis and quantitative image analysis, the effect of time and temperature on the development of δ phase precipitates is determined. The distinct differences in the intensity of precipitation, growth, and coarsening of the δ phase precipitates during annealing at temperatures of 700 and 800 °C up to 2000 h are shown. The experimental results are compared with computational data obtained by thermodynamic modeling. Using the experimentally determined parameters of the δ phase precipitates in different variants of annealing, a fuzzy logic-based phase distribution model is designed. Since the quantity of available data was too small to train a model with the machine learning approach, expert knowledge is used to design the rules, while numerical data are used for its validation. Designed rules, as well as reasoning methodology are described. The proposed model is validated by comparing it with the experimental results. It can be used to predict the size and number density of the δ phase precipitates in the additively manufactured Inconel 625, subjected to long-term annealing at temperatures of 700-800 °C. Due to limited experimental data, the quality of assurance is not perfect, but warrants preliminary research.