The study of the thermal state of the metal in the production of the hot rolled strips in «Deform 3D»

Levykina, A. G.; Chabonenko, A. A.; Shkatov, V. V.; Mazur, Igor P.

doi:10.1088/1742-6596/1134/1/012034

Cited by 2 publications

(2 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Although computing technology was still rapidly developing during this time, it was difficult to implement changes suggested by these applications quickly the way real-time systems are able to today (7,8) . It has since become more common to use neural networks to process various datatypes, including time series data and images, which has led to a broader scope of applications such as prediction of roll force and other mechanical properties (9,10) , gearbox fault diagnosis (11) , and temperature control (12) . In the last decade, Convolutions Neural Networks (CNNs) and transfer learning have become increasingly popular in image classification: In the last decade, many applications of this technology in the steel industry have focused on the classification of steel surface defect images (13)(14)(15)(16) .…”

Section: Use Of Neural Network Technologies In the Steel Industrymentioning

confidence: 99%

Pre-Trained CNN for Classification of Time Series Images of Anti-Necking Control in a Hot Strip Mill

Latham

Giannetti

2021

The Proceedings of the 9th IIAE International Conference on Industrial Application Engineering 2020

View full text Add to dashboard Cite

The steel industry is highly competitive, and companies must make the most of their current resources to maximise efficiency and, therefore, profitability. In the age of Industry 4.0, data is one of the most valuable resources available and, with appropriate processing and analysis, can improve the quality and adaptability of various applications. One such application is the monitoring and classification of Anti-Necking Control in a Hot Strip Mill. This paper proposes a deep learning approach to this application through the use of a pre-trained Convolutional Neural Network. The proposed system binarily classifies the timing of Anti-Necking Control strokes and has been optimised using grid search optimisation in conjunction with k-fold cross validation to determine an optimal time series image classification model.

show abstract

Section: Use Of Neural Network Technologies In the Steel Industrymentioning

confidence: 99%

Pre-Trained CNN for Classification of Time Series Images of Anti-Necking Control in a Hot Strip Mill

Latham

Giannetti

2021

The Proceedings of the 9th IIAE International Conference on Industrial Application Engineering 2020

View full text Add to dashboard Cite

show abstract

“…Сравнение Алгоритм моделирования процесса горячей прокатки в линии стана принят на основе разработанной модели, представленной в работе [14]. Толщина сляба на входе в 1-ю клеть составляет 250 мм.…”

Section: проведение исследований с помощью математического моделированияunclassified

Study on a Thermal State of Steel Using Methods of Physical and Mathematical Modeling

Levykina¹,

Gorbunov²,

Pozdnyakova³

et al. 2021

VNMSTU

View full text Add to dashboard Cite

Липецкий государственный технический университет, Липецк, Россия Аннотация. В процессе горячей прокатки важным фактором является тепловое состояние металла в линии стана. Разработка рациональных температурно-скоростных режимов нагрева слябов и производства полос требует проведения большого количества экспериментов, времени и затрат. В связи с чем для решения задач, направленных на получение готовых изделий с заданным набором свойств, необходим современный подход в проведении исследований. Одним из таких методов является совместное использование физического и математического моделирования. В данной работе представлены результаты экспериментальных исследований процесса нагрева металла образцов, изготовленных из слябов текущего производства, с целью уточнения теплофизических коэффициентов стали 17ГС. Нагрев производили в муфельной печи ступенчато с выдержкой для достижения однородной температуры по объему образца, в результате были получены графики зависимости температуры по времени. На основании результатов физического моделирования в программном комплексе «Deform 3D» разработана математическая модель нагрева металла, повторяющая лабораторные исследования, с целью проверки адекватности модели. Используя полученные результаты исследований, проведено моделирование теплового состояния металла в линии стана горячей прокатки. Моделирование осуществляли в два этапа: первый -нагрев сляба перед горячей прокаткой, второй -горячая прокатка в черновой группе клетей. Сравнение поверхностных температур, полученных при моделировании, с показаниями пирометра за 5-й клетью показала разницу, не превышающую 15ºС, что свидетельствует об адекватности модели. Разработанная математическая модель адекватна и может быть использована для моделирования теплового состояния металла при формировании неоднородности свойств на длинномерных изделиях.

show abstract

The study of the thermal state of the metal in the production of the hot rolled strips in «Deform 3D»

Cited by 2 publications

References 2 publications

Pre-Trained CNN for Classification of Time Series Images of Anti-Necking Control in a Hot Strip Mill

Pre-Trained CNN for Classification of Time Series Images of Anti-Necking Control in a Hot Strip Mill

Study on a Thermal State of Steel Using Methods of Physical and Mathematical Modeling

Contact Info

Product

Resources

About