Моделирование и разработка составов литейных износостойких сталей нейросетевым методом

• Автор: Тухватулин, Ильдар Халитович
• Шифр специальности: 05.16.04
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Магнитогорск
• Количество страниц: 191 с. : ил

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА 1. Состояние вопроса

1.1. Существующие методы синтеза сплавов.

1.2. Методы выбора легирующих комплексов.

1.3. Анализ возможности применения нейросетей для разработки новых сплавов.

1.3.1. Краткая характеристика нейронных

1.3.2. Задачи, решаемые на основе нейронных сетей.

1.3.3. Преимущества нейронных сетей.

1.4. Влияние легирования и структуры на износостойкость сталей.

1.5. Постановка цели и задач работы

ГЛАВА 2. Методика проведения исследований
2.1. Используемый нейросетевой алгоритм
2.2. Проведение опытных плавок.
2.3. Проведение испытаний на относительную износостойкость
2.4. Определение химического состава, изучение механических свойств и структуры сплавов
ГЛАВА 3. Исследование литых сплавов тройных систем с целыо выбора легирующих комплексов для
новых составов.
3.1. Сплавы системы КеСМп
3.2. Сплавы системы РеСМ
3.3. Сплавы системы РеССг
3.4. Сплавы системы РеСБ1.
3.5. Сплавы системы РеСМо
3.6. Сплавы системы РеСТ1
3.7. Обработка объединенных данных по тройным системам.
Выводы.
ГЛАВА 4. Исследование влияния легирования на
механические свойства и износостойкость аустенитных сталей.
4.1. Проведение планируемого эксперимента
4.2. Проведение исследований с помощью нейросетей
4.3. Исследование связи износостойкости с механическими свойствами стали.
4.4. Опробование технологии кокильного литья
зуба ковша экскаватора.
Выводы.
ГЛАВА 5. Разработка износостойких сталей с помощью
нейросетевых экспертных систем.
5.1. Создание нейросетевых экспертных систем.
5.2. Разработка износостойких сталей
5.3. Опытнопромышленное опробование.
Выводы.
ОБЩИЕ ВЫВОДЫ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Однако для достоверного описания зависимости свойства сплава от его химического состава необходимо учитывать совместное взаимодействие элементов, которые могут как усиливать влияние друг друга, так и оказывать противоположное влияние. В идеале нужно было бы учитывать парное, тройное и т. Изменения факторов при оптимизации производятся в небольших пределах, так как широкие интервалы варьирования состава не позволяют получить адекватные регрессионные уравнения. Это еще один серьезный недостаток регрессионного анализа, не позволяющий получать математические модели для широких пределов изменения химического состава сплавов. При проведении полного факторного эксперимента для п факторов и двух уровней число экспериментов будет 2П. Однако при разработке многокомпонентных сплавов полный факторный эксперимент может стать экономически нецелесообразным из-за огромного числа опытов. Выходом может стать дробный факторный эксперимент, при котором все взаимодействия факторов или их часть условно заменяются новыми факторами. Обозначив число замененных взаимодействий как р> получим количество экспериментов 2п_р. Однако даже в этом случае число необходимых опытов может быть большим. К тому же нет гарантии, что в результате планируемого эксперимента будет найден требуемый оптимальный состав сплава; тогда приходится ставить новый эксперимент с другим нулевым уровнем до тех пор, пока не будут получены удовлетворительные результаты. Все вышесказанное показывает, что применяемые в настоящее время методы синтеза сплавов имеют серьезные недостатки. Из-за сложности влияния различных факторов применяемые математические методы не позволяют выявлять закономерности изменения свойств сплавов в зависимости от изменения их химического состава в широких пределах и режимов термической обработки; с их помощью можно получить адекватные зависимости лишь в узких пределах варьирования химического состава. Поэтому накопленная информация по сплавам, в частности, по сталям, не находит широкого применения для автоматизации синтеза сплавов из-за низкой точности получаемых моделей. Экспертные системы на основе формальной логики применяются лишь в узких предметных областях с хорошо структурированными знаниями, например, в классификации неисправностей конкретного типа оборудования, фармакологии, анализе химсостава проб и т. Источник знаний в них представлен в виде формализованного опыта эксперта, выраженного в виде логических правил и фактов, отклонение от которых не допускается. Для успешной работы таких систем в них должен быть заложен полный объем знаний в данной области. Однако опыт специалистов, не поддающийся формализации, невозможно заложить в эти системы, поэтому возникновение нестандартных ситуаций, не предусмотренных экспертом, заводит их в тупик при принятии решений. В то же время, в синтезе сплавов определяющими являются как раз опыт и знания специалистов. Однако, на современном уровне развития науки проблема не является неразрешимой. В настоящее время интенсивно развивается такое мощное направление моделирования, обработки информации и создания экспертных систем для решения трудноформализуемых задач, как нейроинформатика, основой которой являются искусственные нейронные сети, получившие свое название благодаря структурному и информационному сходству с биологическими нейронными сетями [-]. Биологический нейрон имеет тело, совокупность отростков - дендритов, по которым в нейрон поступают входные сигналы, и отросток - аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрита и аксона называется синапсом. Формальные нейроны, используемые в нейроинформатике, представляют собой упрощенную математическую модель [-] или электронную схему [, -], позволяющие моделировать основные свойства биологических нейронов, необходимые для возникновения адаптивных и преобразовательных свойств (аналогичных их биологическим прототипам) в искусственных нейронных сетях. Наиболее приближаются к биологическим нейронным сетям по возможностям искусственные нейросети нового поколения - самоадаптирующиеся нейронные сети [, -]. Стандартная схема формального нейрона представлена на рис. VI/! Рис.