logo móvil
Contáctanos

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

Descargar PDF

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


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.

Otros recursos que podrían interesarte

    Temas Virtualpro