Enfoque basado en Redes Neuronales Recurrentes (RNN) para predecir el esfuerzo de flujo medio en el laminado industrial
Autores: Zinyagin, Alexey G.; Muntin, Alexander V.; Tynchenko, Vadim S.; Zhikharev, Pavel I.; Borisenko, Nikita R.; Malashin, Ivan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Estudio
Datos
Molinos de placas industriales
Tensión de flujo
Grados de acero
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
Este estudio aborda el uso de datos de molinos de placas industriales para calcular el esfuerzo de flujo medio de diferentes grados de acero. Valores precisos de esfuerzo de flujo pueden optimizar la tecnología de laminado, pero la literatura existente a menudo proporciona coeficientes como los de la ecuación de Hensel-Spittel para un número limitado de grados de acero, mientras que en la producción moderna, la composición química puede variar según el grosor, los requisitos del cliente y factores económicos, lo que hace necesario realizar estudios de laboratorio costosos y laboriosos. Esta investigación demuestra que aprovechar los datos de los molinos de laminado industriales y emplear métodos de aprendizaje automático (ML) puede predecir el comportamiento reológico del material sin una extensa investigación de laboratorio. Se emplean dos enfoques de modelado: arquitecturas de Unidad Recurrente Gated (GRU) y Memoria a Largo y Corto Plazo (LSTM). El modelo que comprende una capa GRU y dos capas completamente conectadas, cada una con 32 neuronas, ofrece el mejor rendimiento, logrando un Error Cuadrático Medio (RMSE) de 7.5 MPa para el esfuerzo de flujo predicho de tres grados de acero en el conjunto de validación.
Descripción
Este estudio aborda el uso de datos de molinos de placas industriales para calcular el esfuerzo de flujo medio de diferentes grados de acero. Valores precisos de esfuerzo de flujo pueden optimizar la tecnología de laminado, pero la literatura existente a menudo proporciona coeficientes como los de la ecuación de Hensel-Spittel para un número limitado de grados de acero, mientras que en la producción moderna, la composición química puede variar según el grosor, los requisitos del cliente y factores económicos, lo que hace necesario realizar estudios de laboratorio costosos y laboriosos. Esta investigación demuestra que aprovechar los datos de los molinos de laminado industriales y emplear métodos de aprendizaje automático (ML) puede predecir el comportamiento reológico del material sin una extensa investigación de laboratorio. Se emplean dos enfoques de modelado: arquitecturas de Unidad Recurrente Gated (GRU) y Memoria a Largo y Corto Plazo (LSTM). El modelo que comprende una capa GRU y dos capas completamente conectadas, cada una con 32 neuronas, ofrece el mejor rendimiento, logrando un Error Cuadrático Medio (RMSE) de 7.5 MPa para el esfuerzo de flujo predicho de tres grados de acero en el conjunto de validación.