The Prediction of Hardenability using Neural Networks

Abstract

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.

Changes in Hydrogen Content During Steelmaking

“…Because of our experiences with even bigger data bases we decided to use MLP neuronal networks [17][18][19][20]. This method enable us to select most influential parameters at the beginning of the analysis and latter to find rules which can describe how they effect hydrogen content in steel melt.…”

Automatic steel grades design for Jominy profile achievement through neural networks and genetic algorithms

“…Further similar works have been developed by Dobrazanski and Sitek on different constructional steels [32,33] and, more recently, by Knap et al on special microalloyed steel grades [34,35]. On the other hand, Pouraliakbar et al developed a study related to a particular class of pipeline steels by using as input of the NN both some elements of the chemical composition but also other mechanical properties, i.e.…”

Tests of Steel Rheological Properties at Higher Temperatures for Computer Simulation in Procast Software/ Badania Właściwosci Wytrzymałosciowych Stali W Podwyższonych Temperaturach Na Potrzeby Symulacji Komputerowych W Pakiecie ProCAST

“…The determination of elongation of the tested samples allows the graphs to be used for the identification of the elasticity modulus, and for developing a flow stress model for numerical simulations of the steel continuous casting process [10][11].…”