Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Archives of Metallurgy and Materials

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

The Prediction of Hardenability using Neural Networks

Knap M., Falkus J., Rozman A., Konopka K., Lamut J.

Archives of Metallurgy and Materials

2014

Vol. 59, iss. 1

133--136

The objective of the research that has been presented was to model the effect of differences in chemical composition within one steel grade on hardenability, with a very broad and heterogeneous database used for studying hardness predictions. This article presents the second part of research conducted with neural networks. In the previous article [1] the most influential parameters were defined along with their weights and on the basis of these results, an improved model for predicting hardenability was developed. These developed neural networks were applied to model predictions of hardenability for three steel grades VCNMO150, CT270 and 42CrMoS4. The results proved that the correlation between the chemical composition differences within a chosen steel grade and the hardness changes can be modeled. If the database is big enough, predictions would be accurate and of high quality. But for a less comprehensive database, the differences in hardness predictions for various chemical compositions of the steel grade concernedwere observable.

Celem zaprezentowanych poprzednio badań było modelowanie wpływu składu chemicznego wybranego gatunku stali na hartowność. Modelowanie przeprowadzono z wykorzystaniem rozbudowanej bazy danych zawierającej informacje o składzie chemicznym próbek stali oraz wynikach prób hartowności. W artykule przedstawiono drugą część badań przeprowadzonych z wykorzystaniem sieci neuronowych. W poprzedniej pracy [1] określono parametry modelu oraz ich współczynniki wagowe. Na podstawie uzyskanych wyników opracowano ulepszony model do predykcji hartowności stali. Utworzone sieci neuronowe wykorzystano do predykcji hartowności trzech wybranych gatunków stali: VCNM0150, CT270 oraz 42CrMoS4. Otrzymane wyniki wskazują na możliwość modelowania zależności pomiędzy składem chemicznym, a hartownością w ramach danego gatunku stali. Wykorzystanie do uczenia sieci neuronowej wystarczająco dużej liczby rekordów dotyczących wybranego gatunku stali powoduje, że otrzymywane wyniki charakteryzują się dobrą dokładnością. W przypadku mniej wy- czerpującego zbioru danych wykorzystywanego do nauki sieci, otrzymywane wyniki charakteryzuje większy błąd prognozy.

The prediction of hardenability using neuronal networks

Knap M., Lamut J., Rozman A.

Archives of Metallurgy and Materials

2008

Vol. 53, iss. 3

761-766

The data base which was used for developmenł of the model consists from measurements of hardness profile from jominy test samples. It contains almost twenty thousand data vectors with extensive rangę of chemical composition. The model was developed on the basis of neuronal networks and its successfulness was verified. For each of four most infiuential chemical elements (carbon, nickel, chromium and molybdenum) two different diagrams are presented in this work. One gives the information how the change of alloying element infiuences the hardness close to surface. Other shows the change of hardenability with respect to change in chemical composition. In the article it was publicized that, in spite of great variations in chemical compositions of each steel grade and data base it self, very accurate predictions of hardenability can be maid.

Baza danych zastosowana do stworzenia modelu hartowności składała się z pomiarów uzyskanych metodą Jominy'ego. Baza zawierała prawie dwadzieścia tys. rekordów z dużym zakresem zmienności składów chemicznych. Stworzony model został oparty o sztuczne sieci neuronowe i został pozytywnie zweryfikowany. Dla każdego z czterech najsilniej oddziałujących pierwiastków (węgiel, nikiel, chrom i molibden) przedstawiono dwie zależności w postaci wykresów. Pierwsza podaje wpływ zawartości pierwiastka na twardość na powierzchni próbki. Drugi wpływ odległości od czoła próbki i zawartości pierwiastka na hartowność. W pracy wykazano, że pomimo dużego zróżnicowania składów chemicznych różnych grup stali otrzymano zadowalającą dokładność obliczeń modelu.