Prediction of the boroaluminized layer thickness using an artificial neural network

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The application of mathematical models of artificial neural networks for predicting the properties of diffusion layers created by thermal-chemical treatment based on the boroaluminizing process was considered. Formalization and analysis of prediction of experimental results were carried out. It was established that the construction of computer prediction models based on experimental data of boroaluminizing was a solvable problem with high precision when using artificial neural networks of the multilayer perceptron type. Thus, testing the number of hidden layers and the number of neurons in them revealed the highest correlation coefficient R = 0.99993 of the artificial neural network using two hidden layers with ten and six neurons, respectively. The highest efficiency can be achieved using the “hyperbolic tangent” activation function.

Texto integral

Acesso é fechado

Sobre autores

U. Mishigdorzhiyn

Institute of Physical Material Science SB RAS

Autor responsável pela correspondência
Email: undrakh@ipms.bscnet.ru
Rússia, 670047, Ulan-Ude

B. Dyshenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
Rússia, 670047, Ulan-Ude

A. Semenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
Rússia, 670047, Ulan-Ude

N. Ulakhanov

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
Rússia, 670047, Ulan-Ude

B. Markhadayev

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
Rússia, 670047, Ulan-Ude

Bibliografia

  1. Земсков Г.В., Коган Р.Л. Многокомпонентное диффузионное насыщение металлов и сплавов. М.: Металлургия, 1981. С. 208.
  2. Suwattananont N., Petrova R. // Solid State Sci. 2012. V. 14. P. 1669. https://doi.org/10.1016/j.solidstatesciences.2012.06.008
  3. Cho J.H., Kim T.W., Son K.S., Yoon J.H., Kim H.S., Leisk G.G., Mitton D.B., Latanision R.M. // J. Metals Mater. Int. 2003. V. 9. № 3. C. 303. https://doi.org/10.1007/BF03027051
  4. Tsipas S.A., Omar H., Perez F.H., Tsipas D.N. // Surf. Coat. Technol. 2008. V. 202. № 14. P. 3263. https://doi.org/10.1016/j.surfcoat.2007.11.034
  5. Omar H., Tsipas S.A., Maragoudakis N., Michailidis N. // J. Corros. Eng. Sci. Technol. 2011. V. 46. № 6. P. 697. https://doi.org/10.1179/147842209X12579401586564
  6. Maragoudakis N.E., Stergioudis G., Omar H., Paulidou H., Tsipas D.N. // Mater. Lett. 2002. V. 53. Р. 406. https://doi.org/10.1016/S0167-577X(01)00515-8
  7. Zakhariev Z., Marinov M., Penyashki T., Tsokov Pl. // J. Alloys Compd. 2008. 459. P. 501.
  8. Ouladsaad S., Allaoui O., Daas A. // Indian J. Chem. Technol. 2019. V. 26. P. 239.
  9. Mishigdorzhiyn U.L., Ulakhanov N.S., Milonov A.S., Semenov A.P. // IOP Conf. Ser.: Mater. Sci. Eng. 2020. V. 759. Р. 012017. https://doi.org/10.1088/1757-899X/759/1/012017
  10. Mishigdorzhiyn U., Chen Y., Ulakhanov N., Liang H. // Lubricants. 2020. V. 8. № 3. P. 26. https://doi.org/10.3390/lubricants8030026
  11. Ulakhanov N., Mishigdorzhiyn U. // IOP Conf. Ser.: Mater. Sci. Eng. 2019. V. 684. Р. 012003. https://doi.org/10.1088/1757-899X/684/1/012003
  12. Улаханов Н.С., Мишигдоржийн У.Л. Нейросетевая модель для расчета и прогнозирования толщины упрочненного слоя на поверхности деталей машин // VII Междунар. конф. “Проблемы механики современных машин”, 25–30 июня 2018 г., г. Улан-Удэ, C. 322.
  13. Mishigdorzhiyn U.L., Ulakhanov N.S. // IOP Conf. Ser.: Mater. Sci. Eng. 2018. V. 411. P. 012049. https://doi.org/10.1088/1757-899X/411/1/012049
  14. Sizov I.G., Mishigdorzhiyn U.L., Maharov D.M. // Met. Sci. Heat Treat. 2012. V. 53. № 11–12. P. 592.
  15. Патент 2401319 РФ, МПК С23С 8/72. Способ термоциклического бороалитирования изделий из углеродистых сталей / Восточно-Сибирский гос. технолог. ун-т (№ 2009106319/02). Сизов И.Г., Мишигдоржийн У.Л., Махаров Д.М., Дашиев Ю.Б. // заявл. 24.02.2009; опубл. 10.10.2010. Бюл. № 28. 8 с.
  16. Тараник В.А. // ScienceRise. 2015. Т. 2. № 8. С. 69. https://doi.org/10.15587/23138416.2015.48349
  17. Иванов М.В. // Изв. Самарского науч. центра РАН. 2019. Т. 21. № 5. С. 11.
  18. Интерполяция. Национальный исследовательский университет ИТМО. http://aco.ifmo.ru/el_books/numerical_methods/lectures/glava3.html (дата обращения: 30.06.2023).
  19. Seber G.A.F., Wild C.J. // Nonlinear Regression. New York: John Wiley & Sons, 1989. P. 768.
  20. Подготовка данных к прогнозированию и корректировка прогноза факторами. https://4analytics.ru/planirovanie-i-prognozirovanie-praktika/video-podgotovka-dannix-k-prognozirovaniyu.html (дата обращения: 08.06.2023)
  21. Хайкин С. // Нейронные сети: полный курс. М.: ИД “Вильямс”, 2016. С. 1104.
  22. Рутковская Д., Пилиньский М., Рутковский Л. // Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2013. C. 384.
  23. Bengio Y., Courville A., Vincent P. // IEEE Trans. Pattern Anal. Mach. Intell. 2013. V. 35. № 8. P. 1798.
  24. Нгуен А.Т. Алгоритмическое обеспечение нейронной сети с полиномиальными кусочно-непрерывными функциями активации для обнаружения закономерностей в данных: дис. … канд. тех. наук: 05.13.01. Томск: ТПУ–ТУСУР, 2019. С. 112.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Scheme of packaging of a crucible with a steel sample.

Baixar (113KB)
Metadados
3. Fig. 2. Microstructures of boron-aluminated layers on steel 20 after heat treatment at 900 (a, b) and 1000°C (c, d) for: a – 2 h, average layer thickness 110 μm; b – 4 h, average thickness 160 μm; c – 2 h, average thickness 180 μm; d – 4 h, average thickness 260 μm.

Baixar (215KB)
Metadados
4. Fig. 3. Model of a multilayer perceptron.

Baixar (229KB)
Metadados
5. Fig. 4. Life cycle of a predictive model.

Baixar (94KB)
Metadados
6. Fig. 5. Data preparation.

Baixar (95KB)
Metadados

Declaração de direitos autorais © Russian Academy of Sciences, 2024