کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
857956 1470745 2014 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Process-structure-microstructure Relationship in Hot Strip Rolling of Steels Using Statistical Data Mining
ترجمه فارسی عنوان
رابطه ی فرایند- ساختار- میکروساختار در نورد نوار داغ فولاد با استفاده از استخراج داده های آماری
کلمات کلیدی
نورد گرم؛ نوارها؛ تکامل مواد؛ داده کاوی آماری؛ ریزساختار
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2.پیش زمینه

3.MICROL- چارچوب

شکل 1. چارچوب مدل هماهنگ شده

4.MICROL-پیمانه های اندازه گیری

4.1پیمانه ی اندازه گیری تغییر شکل

4.2پیمانه ی اندازه گیری گرمایش

4.3پیمانه ی اندازه گیری میکروساختار

5.نصب و کالیبراسیون

جدول 1. ترکیب شیمیایی مواد ( برحسب %wt )

جدول 2. نتایج مدل های MARS

6.تایید و به کار اندازی

شکل 2. خطاها از MICROL وقتی اختلاف در سیستم در نظر گرفته شود و وقتی از آن چشم پوشی شود

7.نتایج
ترجمه چکیده
از مدل های ریاضی به صورت گسترده ای در پیش بینی ویژگی های مکانیکی و میکروساختاری نورد داغ نوار استفاده شده است. برای پیش بینی دقیق این مشخصات، لازم است مدل هایی ساخته شوند که بتوانند وضعیت ترمومکانیکی ماده و سیر تکاملی آن را در طول فرایند ارزیابی کنند. این مقاله روند ساخت مدل های ترکیب شده ای را نشان می دهد که از تنظیمات آسیابی ( یا خرد کن: milling ) و داده های به هنگام نیروگاه، از جمه ترکیب شیمیایی، نیروها و دماها استفاده می کنند و آنها را با روابط تجربی مربوط به سیر تکاملی ماده منطبق می سازند تا بتوانند ویژگی های کیفی آنها را پیش بینی کنند. این اطلاعات با مدل های استخراج داده های آماری غیرخطی ترکیب می شوند تا ابزار آن لاینی ساخته شود که بتواند ویژگی های یک سیم پیچ را پیش بینی کند. در اینجا مورد تحقیقاتی نیروگاه فولاد مطرح می شود تا روش اجرا، کالیبراسیون و تایید این مدل با درجات مختلفی از مواد نشان داده شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی (عمومی)
پیش نمایش مقاله
رابطه ی فرایند- ساختار- میکروساختار در نورد نوار داغ فولاد با استفاده از استخراج داده های آماری
چکیده انگلیسی

Mathematical models have been widely used for prediction of microstructure and mechanical properties in hot rolling of strip. To accurately predict these characteristics, it is necessary to create models that can replicate thermomechanical state of material and its evolution during processing. This paper presents development of a hybrid model that uses mills setting and real time plant data such as chemical composition; forces and temperatures; and integrates them with empirical relationships of material evolution to predict quality attributes. This information is combined with non-linear statistical data mining models to create online tool that predicts properties of individual coil. Case study from Steel Plant is presented that illustrates implementation, calibration and validation of this model across different materials grades.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Engineering - Volume 81, 2014, Pages 90-95