Optymalizacja składu chemicznego stali szybkotnących z wykorzystaniem metod sztucznej inteligencji

Głównym celem wykonanych badań było opracowanie metodyki optymalizacji składu chemicznego stali szybkotnących ze względu na wymagane własności, w tym twardość i odporność na pękanie wyrażoną wartością współczynnika KIc, jako głównych własności gwarantujących wysoką trwałość i jakość narzędzi. Zadanie to wymagało opracowania modeli twardości i odporności na pękanie. W przypadku twardości opracowano model regresyjny oraz model sieci neuronowych umożliwiające obliczanie twardości stali wyłącznie na podstawie składu chemicznego stali i parametrów obróbki cieplnej, tj. temperatury austenityzacji i odpuszczania. W przypadku odporności na pękanie opracowany został model sieci neuronowych umożliwiający obliczanie współczynnika KIc na podstawie składu chemicznego stali i parametrów obróbki cieplnej. Opracowane modele materiałowe zostały wykorzystywane do projektowania składu chemicznego stali, posiadającej pożądane właściwości. Opracowana do tego celu metodyka wykorzystuje algorytmy ewolucyjne wielokryterialnej optymalizacji składu chemicznego stali szybkotnących.

---

The main objective of this study was development the methodology to optimize the chemical composition of high speed steel because of the required properties, including hardness and fracture toughness KIc as the main properties that ensure high durability and quality of tools. This task required the development of models of hardness and fracture toughness. In the case of hardness regression model and neural network model for calculation of the hardness have been developed. These models enabled calculation of steel’s hardness on the basis of chemical composition of steel and heat treatment parameters, ie, austenitizing temperature and tempering. In the case of fracture toughness has been developed neural network model that allows calculation of the coefficient KIc on the basis of chemical composition of steel and heat treatment parameters. Materials models developed have been used to design the chemical composition of steel, having the required properties. Developed for this purpose, the methodology uses evolutionary algorithms to optimize the chemical composition of high-speed steels.