МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ХИМИКО-ТЕРМИЧЕСКОЙ ОБРАБОТКИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

АННОТАЦИЯ

В представленной работе рассматриваются методы моделирования процессов, связанных с термической и химико-термической обработкой материалов. Методы моделирования классифицируются на две основные группы: физические и статистические. Физические методы основаны на фундаментальных законах и теориях, тогда как статистические применяются в случаях с недостаточной информацией о процессе и при необходимости анализа больших объемов данных. Особое внимание уделяется использованию методов интеллектуального анализа данных и искусственных нейронных сетей для моделирования нелинейных процессов. В работе приведены примеры использования нейронных сетей, включая модель многослойного перцептрона, для анализа процесса вакуумной цементации и прогнозирования свойств науглероживаемого слоя.

ABSTRACT

In the present paper, methods for modeling processes related to thermal and chemical-thermal treatment of materials are considered. Modeling methods are classified into two main groups: physical and statistical. Physical methods are based on fundamental laws and theories, whereas statistical methods are used in cases with insufficient information about the process and when it is necessary to analyze large amounts of data. Special attention is paid to the use of data mining methods and artificial neural networks for modeling nonlinear processes. The paper provides examples of using neural networks, including a multilayer perceptron model, to analyze the vacuum carburizing process and predict the properties of the carburized layer.

Ключевые слова: моделирование, физические методы, статистические методы, термическая обработка, химико-термическая обработка, интеллектуальный анализ данных, вакуумная цементация, нелинейное моделирование.

Keywords: modeling, physical methods, statistical methods, heat treatment, thermochemical treatment, data mining, vacuum carburizing, nonlinear modeling.

Что важно для практического использования инструментов поддержки технологических процессов, так это то, что их можно использовать в режиме реального времени. Необходимо контролировать процесс в реальном режиме и устранять при обнаружении каких-либо нарушений, посредством автоматического проектирования и инициирования поправок. Это требует использования быстрых алгоритмов и методов расчета, и основной целью данной статьи является систематизация методов моделирования на основе интеллектуального анализа данных, а также изучение и оценка применимости машинного обучения при химико-термической обработке.

Woɫowiec E. [1] при моделировании химико-термической обработки (ХТО) дает основания для классификации методов моделирования на две отдельные группы: физические и статистические. Каждая группа имеет свои собственные области применения (рис. 1). Методы постоянно совершенствуются и применяются для моделирования различных процессов и корреляций, как при производстве первичного материала, так и при его дальнейшей обработке методами материаловедения.

Физические методы основаны на фундаментальных законах и теориях, которые описывают физическую природу процесса. Поэтому основным допущением в этом виде моделирования является полное понимание явления и возможность его описания с использованием физической модели и математических уравнений, как при моделировании термодинамических явлений на основе уравнений Гиббса, так и в программном обеспечении ThermoCalc и MTDATA, которое успешно применяется в термодинамических расчетах в различных системах.

Рисунок 1. Классификация методов моделирования химико-термической обработки [1]

Однако, когда знание о процессе является неполным, традиционные методы анализа данных и аналитический подход недостаточны. Это относится к ситуациям, когда необходим анализ большого объема данных и необходимо учитывать ряд параметров, которые могут оказать существенное влияние на особенности процесса или на обрабатываемый элемент. Кроме того, как и в случае неравновесных процессов, отношения между параметрами процесса и характеристиками обрабатываемого изделия неизвестны, и рискованно делать предположения о типе их взаимосвязи друг с другом (например, о том, что они линейны). Такие случаи требуют гибкого подхода и использования "интеллектуальных" методов обучения. В результате методы, широко известные как методы интеллектуального анализа данных или, в более широком смысле, методы KDD (Knowledge Discovery in Databases – Обнаружение сведений в базах данных), становятся все более популярными; они включают в себя использование методов интеллектуального анализа данных, а также методов, связанных с базами данных [1].

Кроме того, имеются четыре ключевые особенности, которые отличают интеллектуальный анализ данных от традиционного статистического анализа данных [1]. Это:

1) Способность анализировать большие массивы данных.

2) Ориентация на практические результаты и приложения, а не на разработку и тестирование теорий.

3) Применение методов, которые способны воспроизводить практически любые отношения между переменными.

4) Начальное использование существующих данных.

Оценка качества модели основана на тестовом образце, обычно взятом из экспериментальной базы данных.

Искусственные нейронные сети (NN – Neural Networks) – это тип метода DM (data mining). Они похожи на нервную систему человека и широко используются в нелинейном моделировании. Использование ANN (Automatic Neural Networks) не очень распространено в термической и химико-термической обработке из-за необходимости сбора обширных баз данных, но они представляют всё больший интерес для исследователей из-за их способности выходить за рамки обычных математических методов. Интерес к нейронным сетям означает, что в ближайшем будущем мы, вероятно, увидим быстрый рост их числа.

Процессы вакуумной цементации, проводимые выше предельной концентрации , приводят к образованию карбидов [2, 3, 4]. Эти карбиды постепенно растворяются на стадии диффузии углерода; однако кинетика как образования, так и растворения следует индивидуальным закономерностям, тесно связанным с химическим составом [5].

Исследование нейронных сетей начинается с анализа процесса вакуумной цементации (ВЦ) и выявления значимых параметров процесса [6, 7]. Исходя из этого, было определено, что нейронная сеть должна получать следующие входные параметры: температура обработки (Temp), время стадии насыщения углеродом (Carb), время стадии диффузии (Diff), химический состав материала (C, Si, Mn, Cr, Ni, Mo, Al, V, Cu), а также расстояние анализируемого места в образце от поверхности образца (x). Выходные параметры представляют собой свойства науглероживаемого слоя: концентрация углерода на поверхности образца в процентах (Cp), процентное содержание углерода и карбидов на анализируемой глубине образца (C_x и MeC) (рис. 2).

Рисунок 2. Нейронная модель для анализа количества осадков карбида после процесса ВЦ [8]

При разработке нейронной сети необходимо, чтобы сеть обладала экстраполирующими свойствами, т. е. она должна правильно предсказывать случаи, которые не содержатся в обучающем наборе. Вышеприведенное условие подсказывает выбор сети MLP (MultiLayer Perceptron – Многослойный перцептрон Румельхарта) [8].

Еще одним этапом построения сети является определение правильного количества слоев и нейронов в слоях, а также выбор правильных функций активации. На основе теорем Колмогорова и Кибенко предполагается, что для решения задачи достаточно одного скрытого слоя.

Скрытый слой должен содержать не менее 5 и не более 20 нейронов. С этой целью в работе [8] было протестировано несколько десятков архитектур с различным количеством скрытых нейронов и различными функциями активации (тестирование касалось линейных, сигмоидальных, тангенсоидальных и экспоненциальных функций). Веса сетей были инициированы случайными значениями, а затем сети были обучены с использованием метода самого наискорейшого спуска, метода BFGS (метод Бройдена-Флетчера-Гольдфарба-Шанно) и метода сопряженного градиента. Обучение проводилась как со снижением веса, так и без него.

Функцией активации для скрытых нейронов была синусоидальная функция, а для выходных нейронов – экспоненциальная функция.

Обобщая методы моделирования, можно сказать, что выбор модели зависит от поставленной задачи. Традиционные методы могут быть успешными при моделировании явлений, которые хорошо известны и описываются аналитическими уравнениями Фика. При правильном выборе граничных условий обычные модели охватывают весь спектр параметров. Однако правильный выбор коэффициентов имеет ключевое значение для корректности модели.

Явления, которые не могут быть описаны математическими уравнениями, могут быть обработаны с использованием статистических методов, включая методы интеллектуального анализа данных (data mining).

Список литературы:

1. Woɫowiec E. Methods of data mining for modelling of low-pressure heat treatment / Journal of Achievements in Materials and Manufacturing // Engineering. 2017. V. 85. № 1. P. 31–40.
2. Semenov M. Y. et al. Determination of Carbon Potential and Carbon Mass Transfer Coefficient During Vacuum Carburizing of Steel //Metal Science and Heat Treatment. – 2024. – С. 1-5.
3. Semenov M. Yu. et al. Kinetics of carbon and nitrogen mass transfer in ionized atmospheres //Mechanical engineering and computer technology. – 2012. – No. 09. – p. 32.
4. Semenov M. Y. Control of the structure of cemented layers of heat-resistant steels. Part I // Metallurgy and heat treatment of metals. – 2013. – No. 5. – pp. 31–38.
5. Semenov M. Y. et al. Carbon mass transfer regularities at case-hardening in low-pressure atmosphere and boundary conditions of simulator // Vestnik Bryanskogo gosudarstvennogo tekhnicheskogo universiteta. – 2016. – pp. 102-107.
6. Sadriddin A. et al. Modern Technology for Producing Brake Pads for Vehicles // Universum: технические науки. – 2024. – Т. 6. – №. 6 (123). – С. 50–53.
7. Wolowiec E., Kula P., Kolodziejczyk L. et al. Mathematical modeling of the vacuum carburizing process // 5th International Conference on Thermal Process Modeling and Computer Simulation American Society for Metals. 2014. P. 34–38.
8. Wołowiec E., Kula P. The application of artificial neural networks in optimization of heat treatment processes of steel // Journal of Applied
   Computer Science. 2011. V. 19. No. 1. P. 161 – 169.