МОДЕЛИРОВАНИЕ ПРОДУКТОВ РАСПАДА ПЕРЕОХЛАЖДЕННОГО АУСТЕНИТА В ТРУБНЫХ СТАЛЯХ С ПОМОЩЬЮ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕК-ТА
DOI:
https://doi.org/10.32339/0135-5910-2024-1-38-47Ключевые слова:
термическая обработка, моделирование, машинное обучениеАннотация
Показан процесс построения моделей машинного обучения для предсказания микроструктур трубных сталей после непрерывного охлаждения, включая сборку и подготовку данных, в качестве источника которых служат термокинетические диаграммы распада переохлажденного аустенита. Приведены статистики промежуточных и конечных данных, а также алгоритмы их преобразования. Рассмотрены оценки моделей машинного обучения для выбранных микроструктур. Предложены способ генерации данных в условиях малой выборки и введение оценочного признака величины зерна. Проведена валидация моделей и интерпретация значимости признаков. Показано практическое использование моделей для построения термокинетических диаграмм распада аустенита и анализа результатов моделирования.
Библиографические ссылки
Urtsev V. N., Shmakov A. V., Urtsev N. V. etc. Phenomenological Model of Austenite Decomposition Kinetics
in Low-Carbon Low-Alloy High-Strength Steels // Steel in Translation. 2020. V. 50. P. 496–500. DOI:
3103/S0967091220070153.
Xie Q., Suvarna M., Li J. etc. Online prediction of mechanical properties of hot rolled steel plate using machine
learning // Materials & Design. 2021. V. 197. 109201. DOI: 10.1016/j.matdes.2020.109201.
Bhattacharyya T., Singh S. B., Dey S. etc. Microstructural prediction through artificial neural network (ANN) for
development of transformation induced plasticity (TRIP) aided steel // Materials Science and Engineering: A.
V. 565. P. 148‒157. DOI: 10.1016/j.msea.2012.11.110.
Isasti N., García-Riesco P. M., Jorge-Badiola D. etc. Modeling of CCT Diagrams and Ferrite Grain Size Prediction in Low Carbon Nb‒Mo Microalloyed Steels // ISIJ International. 2015. V. 55. № 9. P. 1963‒1972. DOI:
2355/isijinternational.ISIJINT-2015-036.
Umemoto M., Nishioka N., Tamura I. Prediction of hardenability from isothermal transformation diagrams //
Journal of Heat Treating. 1981. V. 2. № 2. P. 130–138. DOI:10.2355/isijinternational1966.22.629.
Umemoto M., Komatsubara N., Tamura I. Prediction of hardenability effects from isothermal transformation
kinetics // Journal of Heat Treating. 1980. V. 1. № 3. P. 57–64. DOI: 10.1007/BF02833039.
Lee J.-Y., Kim M., Lee Y.-K. Design of high strength medium-Mn steel using machine learning // Materials
Science and Engineering. 2022. V. 843. 143148. DOI: 10.1016/j.msea.2022.143148.
Cui C., Cao G., Li X. etc. A strategy combining machine learning and physical metallurgical principles to predict
mechanical properties for hot rolled Ti micro-alloyed steels // Journal of Materials Processing Technology. 2023.
V. 311. 117810. DOI: 10.1016/j.jmatprotec.2022.117810.
Lu Q., Lui S., Li W., Jin X. Combination of thermodynamic knowledge and multilayer feedforward neural networks for accurate prediction of MS temperature in steels // Materials & Design. 2020. V. 192. 108696. DOI:
1016/j.matdes.2020.108696.
Zhang Y., Ling C. A strategy to apply machine learning to small datasets in materials science // Npj Computational Materials. 2018. V. 4. 25. DOI: 10.1038/s41524-018-0081-z.
Lancaster F. Metallurgy of Welding. — Abington, Cambridge: Abington Pub., 1999. — 468 p.
Gafarov M., Okishev K., Makovetskiy A. Predicting the Hardness of Pipe Steels Using Machine Learning Methods // 2022 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM),
P. 1051−1056.
Окишев К. Ю., Гафаров М. Ф., Павлова К. П. и др. Построение и анализ моделей предсказания пределов
текучести трубных сталей после термической обработки с помощью методов машинного обучения // Кузнечно-штамповочное производство. Обработка материалов давлением. 2022. № 10. С. 10−17.
Попова Л. Е., Попов А. А. Диаграммы превращения аустенита в сталях и бета-раствора в сплавах титана.
Справочник термиста. — 3-е изд., перераб. и доп. — М.: Металлургия, 1991. — 503 с.
Vander Voort G. F. Atlas of Time-Temperature Diagrams for Irons and Steels. — ASM International, 1991. — 766 p.
Atlas zur Wärmebehandlung der Stähle // Zusammenarbeit mit dem Werkstoffausschuss des Vereins Deutscher
Eisenhüttenleute. Max-Planck-Institute für Eisenforschung. 1954. V. 2. Verlag Stahleisen. — 252 p.
Krauss G. Steels: Processing, Structure, and Performance. — ASM International, Materials Park, Ohio. 2005. — 613 p.
Maaten L. J. P., Hinton G. E. Visualizing High-Dimensional Data Using t-SNE // Journal of Machine Learning
Research. 2008. V. 9. P. 2579−2605.
Schubert E., Sander J., Ester M. etc. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN
// ACM Transactions on Database Systems (TODS). 2017. V. 42. № 3. P. 19. DOI: 10.1145/3068335.
URL: http://jmatpro.ru/ (дата обращения: 09.08.2023).
Окишев К. Ю. Расчет диаграмм изотермического распада аустенита в конструкционных сталях // Вестник
ПНИПУ. Машиностроение, материаловедение. 2020. № 2. С. 82–89.
Cahn J. W. The kinetics of grain boundary nucleated reactions // Acta Metallurgica. 1956. V. 4. №. 5. P. 449–
DOI:10.1016/0001-6160(56)90041-4.
URL: https://scikit-learn.org/stable/ (дата обращения: 12.08.2023).
URL: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (дата обращения: 12.08.2023).
Ojala M., Gemma C. Permutation Tests for Studying Classifier Performance // The Journal of Machine Learning
Research. 2010. V. 11. P. 1833–1863. DOI:10.5555/1756006.1859913.
URL: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html (дата обращения: 12.08.2023).
Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистике. —
М.: Высшая Школа, 1979. — 400 с.
Efron B. Bootstrap Methods: Another Look at the Jackknife // The Annals of Statistics. 1979. V. 7. P. 1‒26. DOI:
1214/aos/1176344552.
Брейман Л. «Случайные леса» // Машинное обучение. 2001. Т. 45. № 1. С. 5−32.
ГОСТ 5639−82. Стали и сплавы. Методы выявления и определения величины зерна. — М.: Издательство
стандартов, 2003. — 21 с.
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2024 ЧЕРНАЯ МЕТАЛЛУРГИЯ. Бюллетень научно-технической и экономической информации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.
