This paper presents the findings of research conducted concerning the determination of thermal boundary conditions for the steel continuous casting process within the primary cooling zone. A cast slab -with dimensions of 1100 mm×220 mmwas analysed, and models described in references were compared with the authors' model. The presented models were verified on the basis of an industrial database. The research problem was solved with the finite element method using the ProCAST software package.Keywords: continuous casting of steel, heat transfer coefficient, numerical modelling, ProCAST W pracy przedstawiono wyniki badań dotyczących wyznaczenia termicznych warunków brzegowych dla procesu ciągłego odlewania stali w obszarze strefy pierwotnego chłodzenia. Analizie poddano wlewek płaski o wymiarach 1100×220 mm. W obliczeniach porównano modele opisane w literaturze wraz z modelem własnym. Zaprezentowane modele zweryfikowano na podstawie przemysłowej bazy danych. Zadanie zostało rozwiązane metodą elementów skończonych z zastosowaniem pakietu oprogramowania ProCAST.

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.Keywords: neural networks, hardenability, Jominy testCelem 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: VCNMO150, 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 wyczerpującego zbioru danych wykorzystywanego do nauki sieci, otrzymywane wyniki charakteryzuje większy błąd prognozy.

No abstract

Data processing algorithms are important parts of modern measurement systems. These algorithms are often delivered to the user as complex program and their numerical structure is not known. Therefore also influence of algorithm on processed data accuracy is not known. One of the methods to evaluate uncertainty propagation through algorithm is based on matrix form of algorithm. Coefficient matrix of algorithm represents its numerical operations and it is a basis to algorithm accuracy evaluation. The paper presents a method how to identify this coefficient matrix when algebraic form of the algorithm is known or is difficult to use. Identified matrix form of algorithm is then used to estimate uncertainty propagation through exemplary algorithms. Results are compared with experiments.

No abstract