CC BY
73
INFLUENCE OF THE RESTORER'S NATURE IN THE REACTIONS OF SOLVENT SYNTHESIS BY BURNING ON THE PARAMETERS OF THE COMBUSTION PROCESS AND PHYSICO-CHEMICAL PROPERTIES OF THE PRODUCED PRODUCTS
In this paper, the possibility of synthesizing nano-sized nickel and copper chromite powders by the SHS method in solutions has been studied. The effect of the type of reducing agent (fuel) in the mixture of the initial components on the parameters of the burning process of the solutions (time and temperature of combustion) and the properties of the synthesized products was studied. The main regularities of the influence of various types of reducing agents have been revealed and recommendations have been made for the use of reducing agents for the synthesis of powders with the required properties.
Keywords: Nanopowder, combustion process, reductant type, copper and nickel chromites, solution self-propagating high-temperature synthesis.
УДК 681.3
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ХАРАКТЕРИСТИК ПЛАСТИЧНОСТИ ГОРЯЧЕКАТАНЫХ
ЛИСТОВЫХ СТАЛЕЙ Шкатов Валерий Викторович, д.т.н., профессор (e-mail: shkatov@mail.ru) Шкатов Виктор Валерьевич, к.т.н., доцент Липецкий государственный технический университет, г.Липецк, Россия
(e-mail: shkatov1981@bk.ru)
Проведена оценка эффективности использования регрессионного анализа и нейронных сетей несколько типов (многослойный персептрон, сеть радиальных базисных функций, генеральная регрессионная нейронная сеть) для прогнозирования зависимости относительного удлинения горячекатаных полос из углеродистых и низколегированных сталей от их химического состава и параметров структуры.
Эффективность использования инструментов управления технологией производства металлопродукции в первую очередь определяется точностью и адекватностью синтезированных моделей технологического процесса. Точность традиционно используемых регрессионных моделей не всегда достаточна для описания сложных связей, таких, например, как связь состава и структуры стали с характеристиками ее механических свойств.
Нейронные сети (в дальнейшем НС) в настоящий момент используются во многих областях технических и гуманитарных наук, где требуется решать задачи прогнозирования, классификации или управления. С каждым годом объем исследований, проводимых с НС, увеличивается. НС применяются в промышленности, медицине, финансах, георазведке, биологии, кибернетике [1-3]. В работах [4-5] изучена эффективность применения НС для описания связи прочностных характеристик сталей и их химическим
составом и параметрами структуры, показано преимущество НС по сравнению с регрессионным анализом.
В настоящей работе проведено сравнение результатов прогноза относительного удлинения листового проката из углеродистых низколегированных сталей с использованием регрессионного анализа и НС.
Для оценки эффективности этих методов был использован массив экспериментальных данных, содержащий информацию о химическом составе, параметрах структуры и результатах определения относительного удлинения 85 при испытаниях на растяжение металла 59052 полос из более чем 50 марок углеродистых и низколегированных сталей, прокатанных на широкополосном стане горячей прокатки. Диапазоны изменения содержания химических элементов, характеристик структуры, толщины полос и относительного удлинения сталей 85 приведены в таблице 1.
Таблица 1
Характеристики массива данных горячекатаных полос_
Параметр Минимальное значение Максимальное значение Среднее значение
Содержание С, % 0,007 0,24 0,10
Содержание Mn, % 0,12 1,68 0,41
Содержание Si, % 0,008 0,66 0,11
Содержание S, % 0,007 0,05 0,017
Содержание P, % 0,007 0,036 0,014
Содержание № % 0,008 0,11 0,025
Содержание О-, % 0,01 0,15 0,029
Содержание % 0,01 0,27 0,049
Содержание Л1, % 0,013 0,12 0,046
Содержание N % 0,002 0,009 0,005
Диаметр зерна феррита, мкм 6,22 23,95 11,3
Объемная доля феррита, доли 0,63 1,00 0,89
Объемная доля перлита, доли 0,00 0,37 0,11
Объемная доля бейнита, доли 0,00 0,04 9,1 -10-4
Степень сфероидизации перлита 2,7-10-5 1,00 0,15
Толщина полосы, мм 1,2 9,8 3,14
Относительное удлинение 55,% 23,5 50,0 36,3
Характеристики структуры металла (размер зерна феррита, объемную долю феррита, объемную доля перлита и степень его сфероидизации и другие параметры) были рассчитаны с использованием математических моделей формирования структуры в линии широкополосного стана горя-
чей прокатки [6, 7] на основе данных о содержании химических элементов в стали и параметрах прокатки.
При сравнительном анализе эффективности регрессионной и нейросете-вых моделей анализировали влияние 22 факторов: содержание углерода, марганца, кремния, серы, фосфора, никеля, хрома, меди, алюминия, бора, мышьяка, азота, размер зерна феррита, объемная доля наклепанного феррита и степень его наклепа, объемная доля перлита, степень сфероидиза-ции перлита, объемная доля, размер дисперсных частиц нитридов и расстояние между ними, содержание азота в несвязанном состоянии и толщина полосы.
Для поиска оптимальной формы уравнения регрессии применяли метод последовательного исключения факторов [8]. Критериями для исключения фактора служили статистическая значимость коэффициента уравнения регрессии при факторе (по критерию Стьюдента), значения коэффициента множественной корреляции и величина остаточной дисперсии. Полученное уравнение регрессии согласуются с экспериментом с достоверностью не ниже 95% (по критерию Фишера) и имеет следующий вид:
5з= 21,59-1,75[Мп]-11,33[81] -74,34[Р]-279,99[АБ] - 4,84[Щ-
-0,219 Кр(1-е)-0,113 da "1/2-3де+19,40^
где [Мп], [81], [Р], [Аб], [Щ - содержание марганца, кремния, фосфора, мышьяка и несвязанного азота, %; V, - объемная доля перлита, %;
e - степень сфероидизации перлита, доли; da - средний размер зерна феррита, мкм; h - толщина полосы, мм.
Среднеквадратичная ошибка прогноза 85 по полученному уравнению регрессии равна 3,09 %.
На том же массиве данных была проведена оценка эффективности применения НС для прогнозирования относительного удлинения по химическому составу и параметрам структуры горячекатаной полосовой стали.
Структурная идентификация нейросетевой модели состоит в выборе используемых функций активаций нейронов, количество слоев, количество нейронов в каждом скрытом слое. Строго определенной процедуры для выбора функций активаций, количества нейронов и количества слоев в сети нет [1,2].
Используемые для построения НС выборки были разбиты на обучающую и проверочную. Для увеличения достоверности получаемых НС моделей данные между выборками распределялись случайным образом. Дополнительно к этому сеть обучалась образцами, поступающими на ее входы, в случайном порядке с целью устранения возможности появления нежелательных эффектов (осцилляция и схождение к локальному минимуму). Для всех типов сетей исходные данные нормировались на диапазон [0;1] для исключения влияния размерности входных параметров.
При прогнозе свойств стали были использованы несколько типов сетей: многослойный персептрон (MLP); сеть радиальных базисных функций (RBF); генеральная регрессионная нейронная сеть (GRNN).
Для многослойного персептрона исследовалось влияние количества нейронов в слое, количества слоев, скорости обучения, количества эпох обучения, также проводилась оценка вклада факторов в точность аппроксимации. На сети радиальных базисных функций изучалось влияние количества нейронов в первом скрытом слое, способа установки радиальных весов и порогов. Для генеральной регрессионной нейронной сети оценивалось влияние количества нейронов в скрытом слое и сглаживания.
■ Обучающая выборка
■ Проверочная выборка
MLP
RBF GRNN
Тип сети
Рисунок 1 - Результаты прогнозирования твердости горячекатаных сталей
нейронными сетями различных типов
Результаты обучения НС и прогнозирования относительного удлинения сталей по обученным нейронным сетям разных типов приведены на рисунке 1. Лучший результат получен на генеральной регрессионной нейронной сети с 700 нейронами в скрытом слое и параметром сглаживания 0,1. Данная НС обеспечивает среднеквадратичную ошибку прогноза относительного удлинения равную 1,91%, что в 1,6 раза меньше ошибки прогноза 85 по уравнению регрессии.
Заключение
Проведена оценка эффективности применения нейронных сетей для решения задачи прогнозирования относительного удлинения по химическому составу и параметрам структуры листового проката из углеродистых и низколегированных сталей. Показано, что нейронная сеть способна с высокой точностью описать связь химического состава и структуры с характеристиками пластичности сталей.
Работа проведена в рамках выполнения государственного задания Министерства образования и науки России по проекту № 11.1446.2017/ПЧ.
Список литературы
1. Хайкин С. Нейронные сети. Полный курс. - М.: ООО «И. Д. Вильямс», 2006. 1104с.
2. Оссовский С. Нейронные сети для обработки информации. - М.: Финансы и статистика, 2004. 344 с.
3. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. - М.: ООО «И. Д. Вильямс», 2001. 290 с.
4. Шкатов В.В., Богомолов И.В., Шкатов В.В. Прогнозирование предела текучести горячекатаных полосовых сталей. В сборнике: Инновации, качество и сервис в технике и технологиях Сборник научных трудов 5-ой Международной научно-практической конференции. Ответственный редактор: Горохов А.А.. Курск, 2015. С. 357-361.
5. Шкатов В.В., Мазур И.П., Шкатов В.В. Прогнозирование твердости горячекатаных листовых сталей с использованием нейросетевых моделей // Современные материалы, техника и технологии. 2017. № 7 (15). С. 103-107.
7. Шкатов В.В., Мазур И.П., Кавалек А., Жучкова Т.С. Модель кинетики статической рекристаллизации аустенита в углеродистых и низколегированных сталях при горячей прокатке // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2017. Т. 15. № 2. С. 69-68.
7. Шкатов В.В., Франценюк Л.И., Богомолов И.В. Математическое моделирование структурообразования при горячей прокатке стали. Сталь. 1995. № 8. С. 64-69.
8. Львовский Е.Н. Статистические методы построения эмпирических формул. М.: Высш. шк., 1988. 239 с.
Shkatov Valery Viktorovich, professor
(e-mail: shkatov@mail.ru)
Lipetsk state technical university, Lipetsk, Russia
Shkatov Victor Valerevich, associate professor
(e-mail: shkatov1981@bk.ru)
Lipetsk state technical university, Lipetsk, Russia
APPLICATION OF NEURAL NETWORKS FOR PREDICTING THE CHARACTERISTICS OF PLASTICITY HOT-ROLLED SHEET STEEL Abstract. The efficiency of regression analysis and neural networks of several types (multilayer perceptron, radial basis network, general regression neural network) was estimated to predict the dependence of the elongation of hot-rolled strips of carbon and low-alloy steels on their chemical composition and structure parameters.
Keywords: neural networks, prediction, elongation, steel, hot rolling, chemical composition, structure.
