ПРИМЕНЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ АППРОКСИМАЦИИ СОПРОТИВЛЕНИЯ ДЕФОРМАЦИИ НИКЕЛЕВОГО СПЛАВА

APPLICATION OF NEURAL NETWORK TO APPROXIMATE THE DEFORMATION RESISTANCE OF A NICKEL ALLOY

Alexey Pchelnikov

Head of engineer group, SMK,

Russia, Stupino

АННОТАЦИЯ

Актуальной задачей в обработке металлов давлением является определение сопротивления металлов деформации. Для аналитического решения задачи применяются различные модели, а так же может быть применены искусственные нейронные сети. Применение математических моделей для аппроксимации и экстраполяции экспериментальных данных позволяет использовать их в пользовательском программировании при задании данных в программы для моделирования. Нейронные сети являются обучаемыми моделями и так же, на ряду с остальными моделями, могут применятся в пользовательских программах. Однако, сложная структура сетей усложняет их применение. В данной работе рассмотрена возможность применения простой нейронной сети для аппроксимации экспериментальных данных сопротивления деформации сплава 901.

ABSTRACT

An urgent task in the processing of metals by pressure is to determine the flow stress of metals. Various models are used for the analytical solution of the problem, and artificial neural networks can also be used. The use of mathematical models for approximation and extrapolation of experimental data makes it possible to use them in user programming when setting data in modeling programs. Neural networks are trainable models and, along with other models, can also be used in user programs. However, the complex structure of networks complicates their application. In this paper, the possibility of using a simple neural network to approximate the experimental data of the deformation resistance of alloy 901 is considered.

Ключевые слова: сплав 901, сопротивление деформации, нейронная сеть.

Keywords: alloy 901, flow stress, neural network.

Получение полуфабрикатов из различных металлических сплавов путем пластической деформации является наиболее распространенным способом получения полуфабрикатов. В процессе деформации материал заготовки испытывает напряжения, величина которых приводит к пластическому изменению формы. При этом величина напряжений будет зависеть от условий деформирования (температуры, степени и скорости деформации).

Корректное значение сопротивления позволяет точно определить переход материала от упругой к пластической деформации и усилие. Значения сопротивления деформации в широких диапазонах условий широко используются для описания реологических параметров материала при моделировании процессов в различных программах для моделирования технологических процессов ковки, штамповки, прокатки, прессования и др. Наиболее распространенными программами в настоящее время является программы Qform, Deform, PamStamp, Forge, Autoform, и др.

Определение значения сопротивления деформации является актуальной задачей при моделировании различных процессов пластической деформации полуфабрикатов.

Сопротивление деформации определяют различными способами: сжатием образца, его кручением или растяжением. Для этого используют пластометры, универсальные испытательные машины и др. Расширение диапазона применимости экспериментальных данных возможно проводить с помощью аппроксимации по известным моделям. Это позволит экстраполировать результаты экспериментальных данных на более широкий диапазон значений. С этой целью исследователи используют различные модели [1-7].

Так же для аппроксимации различных данных, в том числе и сопротивления деформации могут быть использованы искусственные нейронные сети. Так, например, в работе [8] показано использование нейронных сетей для прогнозирования напряжений течения сплава Fe-30Mn-10Al-1,1C-4Mo.

Целью данной работы является определить возможность использования простой нейронной сети для аппроксимации данных, которую возможно после обучения внести в пользовательские подпрограммы программных комплексов типа Qform, Deform и др. для моделирования процессов.

Для примера рассмотрена нейронная сеть в виде простого персептрона с двумя скрытыми слоями, структура которой графически показана на рис. 1. Функция активации нейронов – функция «relu», которая хорошо подходит для задач аппроксимации данных. Данная функция имеет линейную зависимость, ограниченную в диапазоне от -1 до 1 (рис.2).

Рисунок 1. Структура нейронной сети

Рисунок 2. Схематичное изображение функции активации «relu»

В качестве обучающей выборки использовались данные сопротивления деформации, полученные путем испытаний образцов на сжатие на установке Gleeble 3800. Испытания были проведены при температуре 950 и 1050˚С, при скоростях 0.05, 0.1, 0.3 и 0.5 с-1. Испытания на осадку проводились до степени деформации 50%. Результаты испытаний образцов приведены на рисунках 3 и 4.

Рисунок 3. Экспериментальные значения сопротивления деформации сплава 901 при температуре 1050°С

Рисунок 4. Экспериментальные значения сопротивления деформации сплава 901 при температуре 950°С

Все кривые на диаграммах имеют выгнутую вверх форму. По ним хорошо видно увеличение напряжений течения до степени деформации 0,2-0,3, практически при всех скоростях деформации и последующем снижении напряжений при начале динамической рекристаллизации.

Обучение нейронной сети проводилось методом обратного распространения ошибки. В результате обучения нейронная сеть сформировала зависимость сопротивления деформации от температуры, скорости и степени деформации. Результат обучения сети имеет погрешности (рис.5).  В сравнении, например, с результатами эксперимента на определение напряжений течения при 950˚С (рис.6). Из кривых видно, что при обучении нейронной сети имеется значительное отклонение расчетных значений от экспериментальных в областях малых степеней деформации. Это может быть связано с недостаточным количеством слоев сети, что не позволило воспроизвести такой, достаточно, нелинейный график.

Рисунок 5. Диаграмма соотношения расчетных и экспериментальных значений сопротивления деформации при температуре 950°С

Рисунок 6. Диаграммы расчетных и экспериментальных значений сопротивления деформации при температуре 950°С

Таким образом показано, что применение искусственных нейронных сетей для аппроксимации и прогнозирования значений сопротивления деформации сети с простой структурой и малым количеством скрытых слоев, которые легко перенести в другие программы, имеет весьма ограниченное применение и небольшую точность аппроксимации.

Список литературы:

1. Dmytro Svytlichnyy, Jaroslav Novak, Nikolay Biba Lukasz Lach  Flow stress models for deformation under varying condition – finite elemente method simulation // Int J Adv Manuf Technol. 2016. DOI 10.1007/s00170-016-8506-7
2. Аль-Кхузаи А.С.О., Выдрин А.В., Широков В.В. Исследование сопротивления металла пластической деформации стали марки 32Г2У в широком диапазоне изменения температур // Вестник МГТУ им. Г.И. Носова. 2020. Т.18. №1. С 23-30. DOI: 10.18503/1995-2732-2020-18-1-23-30
3. Аль-Кхузаи А.С.О., Широков В.В., Выдрин А.В. Расчет сопротивления пластической деформации с учетом его разупрочнения при непрерывной пркатке // Черная металлургия Т.76. №3. 2020. С. 258-262
4. Перунов Г.П. Иванович Ю.В. Исследование сопротивления деформации непрерывнолитой колесной стали // Инновации в материаловедении и металлургии. Материалы 1-ой международной интерактивной научно-практической конференции. 2012. С. 102-104
5. Митасов В. . Совершенствование процесса расчета сопротивления деформации при горячей листовой прокатке на основе методики Л.В. Андреюка. [Электронный ресурс] //Конференция «Студенческая весна 2007: Технологии обработки давлением» / МГТУ им. Н.Э Баумана. – Электрон. дан. – М.: МГТУ, 2007. – 1 электрон. опт. диск (CD-R). – Систем. требования: ПЭВМ, ОС Windows. – Режим доступа: studvesna.ru?go=articles&id=127 (дата обращения: 11.04.2023).– Загл. с экрана.
6. Тюленев Г.Г. Аналитическая зависимость сопротивления деформации металла от температуры, скорости и степени деформации // Сталь. 1972. №6 С. 825-828
7. Николаев В.А, Куприков В.О. Точность формул расчета напряжения течения металла при горячей деформации. Сталь 2017. №1 С. 39-44
8. Чурюмов А.Ю. Расчет напряжений течения сталей с применением искусственной нейронной сети // Актуальные проблемы физического металловедения сталей и сплавов. 2022. С. 252-256.