Prediction of the boroaluminized layer thickness using an artificial neural network

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅或者付费存取

详细

The application of mathematical models of artificial neural networks for predicting the properties of diffusion layers created by thermal-chemical treatment based on the boroaluminizing process was considered. Formalization and analysis of prediction of experimental results were carried out. It was established that the construction of computer prediction models based on experimental data of boroaluminizing was a solvable problem with high precision when using artificial neural networks of the multilayer perceptron type. Thus, testing the number of hidden layers and the number of neurons in them revealed the highest correlation coefficient R = 0.99993 of the artificial neural network using two hidden layers with ten and six neurons, respectively. The highest efficiency can be achieved using the “hyperbolic tangent” activation function.

全文:

受限制的访问

作者简介

U. Mishigdorzhiyn

Institute of Physical Material Science SB RAS

编辑信件的主要联系方式.
Email: undrakh@ipms.bscnet.ru
俄罗斯联邦, 670047, Ulan-Ude

B. Dyshenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
俄罗斯联邦, 670047, Ulan-Ude

A. Semenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
俄罗斯联邦, 670047, Ulan-Ude

N. Ulakhanov

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
俄罗斯联邦, 670047, Ulan-Ude

B. Markhadayev

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
俄罗斯联邦, 670047, Ulan-Ude

参考

  1. Земсков Г.В., Коган Р.Л. Многокомпонентное диффузионное насыщение металлов и сплавов. М.: Металлургия, 1981. С. 208.
  2. Suwattananont N., Petrova R. // Solid State Sci. 2012. V. 14. P. 1669. https://doi.org/10.1016/j.solidstatesciences.2012.06.008
  3. Cho J.H., Kim T.W., Son K.S., Yoon J.H., Kim H.S., Leisk G.G., Mitton D.B., Latanision R.M. // J. Metals Mater. Int. 2003. V. 9. № 3. C. 303. https://doi.org/10.1007/BF03027051
  4. Tsipas S.A., Omar H., Perez F.H., Tsipas D.N. // Surf. Coat. Technol. 2008. V. 202. № 14. P. 3263. https://doi.org/10.1016/j.surfcoat.2007.11.034
  5. Omar H., Tsipas S.A., Maragoudakis N., Michailidis N. // J. Corros. Eng. Sci. Technol. 2011. V. 46. № 6. P. 697. https://doi.org/10.1179/147842209X12579401586564
  6. Maragoudakis N.E., Stergioudis G., Omar H., Paulidou H., Tsipas D.N. // Mater. Lett. 2002. V. 53. Р. 406. https://doi.org/10.1016/S0167-577X(01)00515-8
  7. Zakhariev Z., Marinov M., Penyashki T., Tsokov Pl. // J. Alloys Compd. 2008. 459. P. 501.
  8. Ouladsaad S., Allaoui O., Daas A. // Indian J. Chem. Technol. 2019. V. 26. P. 239.
  9. Mishigdorzhiyn U.L., Ulakhanov N.S., Milonov A.S., Semenov A.P. // IOP Conf. Ser.: Mater. Sci. Eng. 2020. V. 759. Р. 012017. https://doi.org/10.1088/1757-899X/759/1/012017
  10. Mishigdorzhiyn U., Chen Y., Ulakhanov N., Liang H. // Lubricants. 2020. V. 8. № 3. P. 26. https://doi.org/10.3390/lubricants8030026
  11. Ulakhanov N., Mishigdorzhiyn U. // IOP Conf. Ser.: Mater. Sci. Eng. 2019. V. 684. Р. 012003. https://doi.org/10.1088/1757-899X/684/1/012003
  12. Улаханов Н.С., Мишигдоржийн У.Л. Нейросетевая модель для расчета и прогнозирования толщины упрочненного слоя на поверхности деталей машин // VII Междунар. конф. “Проблемы механики современных машин”, 25–30 июня 2018 г., г. Улан-Удэ, C. 322.
  13. Mishigdorzhiyn U.L., Ulakhanov N.S. // IOP Conf. Ser.: Mater. Sci. Eng. 2018. V. 411. P. 012049. https://doi.org/10.1088/1757-899X/411/1/012049
  14. Sizov I.G., Mishigdorzhiyn U.L., Maharov D.M. // Met. Sci. Heat Treat. 2012. V. 53. № 11–12. P. 592.
  15. Патент 2401319 РФ, МПК С23С 8/72. Способ термоциклического бороалитирования изделий из углеродистых сталей / Восточно-Сибирский гос. технолог. ун-т (№ 2009106319/02). Сизов И.Г., Мишигдоржийн У.Л., Махаров Д.М., Дашиев Ю.Б. // заявл. 24.02.2009; опубл. 10.10.2010. Бюл. № 28. 8 с.
  16. Тараник В.А. // ScienceRise. 2015. Т. 2. № 8. С. 69. https://doi.org/10.15587/23138416.2015.48349
  17. Иванов М.В. // Изв. Самарского науч. центра РАН. 2019. Т. 21. № 5. С. 11.
  18. Интерполяция. Национальный исследовательский университет ИТМО. http://aco.ifmo.ru/el_books/numerical_methods/lectures/glava3.html (дата обращения: 30.06.2023).
  19. Seber G.A.F., Wild C.J. // Nonlinear Regression. New York: John Wiley & Sons, 1989. P. 768.
  20. Подготовка данных к прогнозированию и корректировка прогноза факторами. https://4analytics.ru/planirovanie-i-prognozirovanie-praktika/video-podgotovka-dannix-k-prognozirovaniyu.html (дата обращения: 08.06.2023)
  21. Хайкин С. // Нейронные сети: полный курс. М.: ИД “Вильямс”, 2016. С. 1104.
  22. Рутковская Д., Пилиньский М., Рутковский Л. // Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2013. C. 384.
  23. Bengio Y., Courville A., Vincent P. // IEEE Trans. Pattern Anal. Mach. Intell. 2013. V. 35. № 8. P. 1798.
  24. Нгуен А.Т. Алгоритмическое обеспечение нейронной сети с полиномиальными кусочно-непрерывными функциями активации для обнаружения закономерностей в данных: дис. … канд. тех. наук: 05.13.01. Томск: ТПУ–ТУСУР, 2019. С. 112.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Scheme of packaging of a crucible with a steel sample.

下载 (113KB)
索引源数据
3. Fig. 2. Microstructures of boron-aluminated layers on steel 20 after heat treatment at 900 (a, b) and 1000°C (c, d) for: a – 2 h, average layer thickness 110 μm; b – 4 h, average thickness 160 μm; c – 2 h, average thickness 180 μm; d – 4 h, average thickness 260 μm.

下载 (215KB)
索引源数据
4. Fig. 3. Model of a multilayer perceptron.

下载 (229KB)
索引源数据
5. Fig. 4. Life cycle of a predictive model.

下载 (94KB)
索引源数据
6. Fig. 5. Data preparation.

下载 (95KB)
索引源数据

版权所有 © Russian Academy of Sciences, 2024