Warianty tytułu
Optimization of high speed steel chemical composition using artificial intelligence methods
Języki publikacji
Abstrakty
Głównym celem wykonanych badań było opracowanie metodyki optymalizacji składu chemicznego stali szybkotnących ze względu na wymagane własności, w tym twardość i odporność na pękanie wyrażoną wartością współczynnika KIc, jako głównych własności gwarantujących wysoką trwałość i jakość narzędzi. Zadanie to wymagało opracowania modeli twardości i odporności na pękanie. W przypadku twardości opracowano model regresyjny oraz model sieci neuronowych umożliwiające obliczanie twardości stali wyłącznie na podstawie składu chemicznego stali i parametrów obróbki cieplnej, tj. temperatury austenityzacji i odpuszczania. W przypadku odporności na pękanie opracowany został model sieci neuronowych umożliwiający obliczanie współczynnika KIc na podstawie składu chemicznego stali i parametrów obróbki cieplnej. Opracowane modele materiałowe zostały wykorzystywane do projektowania składu chemicznego stali, posiadającej pożądane właściwości. Opracowana do tego celu metodyka wykorzystuje algorytmy ewolucyjne wielokryterialnej optymalizacji składu chemicznego stali szybkotnących.
The main objective of this study was development the methodology to optimize the chemical composition of high speed steel because of the required properties, including hardness and fracture toughness KIc as the main properties that ensure high durability and quality of tools. This task required the development of models of hardness and fracture toughness. In the case of hardness regression model and neural network model for calculation of the hardness have been developed. These models enabled calculation of steel’s hardness on the basis of chemical composition of steel and heat treatment parameters, ie, austenitizing temperature and tempering. In the case of fracture toughness has been developed neural network model that allows calculation of the coefficient KIc on the basis of chemical composition of steel and heat treatment parameters. Materials models developed have been used to design the chemical composition of steel, having the required properties. Developed for this purpose, the methodology uses evolutionary algorithms to optimize the chemical composition of high-speed steels.
Czasopismo
Rocznik
Tom
Strony
109--114
Opis fizyczny
Bibliogr. 8 poz., rys., tab.
Twórcy
autor
- Instytut Materiałów Inżynierskich i Biomedycznych, Politechnika Śląska, ul. Konarskiego 18A, 44-100 Gliwice, wojciech.sitek@polsl.pl
Bibliografia
- 1. Ljungberg L. Y., Edwards K. L.: Design, materials selection and marketing of successful products, Materials & Design, 2003, vol. 24, s. 519-529
- 2. Olson G. B.: Computational design of hierarchically structured materials, Science, 1997, Vol. 277, s. 1237-1242.
- 3. Olson G. B.: Designing a new materials world, Science, 2000, vol. 288, s. 993-998
- 4. Dobrzański L.A., Zarychta A., Ligarski M., Hajduczek E.: Znaczenie Nb i Ti jako pierwiastków stopowych w stalach szybkotnących W-Mo-V, Zakład Materiałów Narzędziowych i Technik Komputerowych w Metaloznawstwie, Politechnika Śląska, Gliwice, 1994
- 5. Dobrzański L.A., Zarychta A., Hajduczek E., Ligarski M.: Obróbka cieplna stali szybkotnących W Mo-V i W-V z dodatkiem Ti, Zakład Materiałów Narzędziowych i Technik Komputerowych w Metaloznawstwie, Politechnika Śląska, Gliwice, 1997
- 6. Norma PN EN ISO 4957:2004, Stale narzędziowe, 2004.
- 7. http://www.erasteel.com/us/produits/hss.php
- 8. Sitek W.: Methodology of high-speed steels design using the artificial intelligence tools, Journal of Achievements in Materials and Manufacturing Engineering, 39/2, 2010, s. 115-160
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-63f98dab-684e-42e3-ae02-63e128313686
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.