Zastosowanie sieci neuronowych do prognozowania wykresów CTPc

W pracy przedstawiono metodykę modelowania zależności między składem chemicznym i temperaturą austenityzowania, a kinetyką przemian przechłodzonego austenitu podczas chłodzenia ciągłego, z wykorzystaniem sieci neuronowych. Opracowany model umożliwia obliczenie kompletnego wykresu CTPc dla stali o znanym składzie chemicznym i analizę oddziaływania poszczególnych pierwiastków na charakterystyczne punkty oraz krzywe przemian austenitu przechłodzonego, a także twardość uzyskaną w wyniku chłodzenia. Pozwala również na prognozowanie struktury uzyskanej w stali w wyniku chłodzenia z określoną szybkością z temperatury austenityzowania, przez ilościowy opis udziałów procentowych ferrytu, perlitu, bainitu oraz martenzytu z austenitem szczątkowym.

---

The paper presents the methodology of modelling using the neural networks of the relationship between the chemical composition and austenitizing temperature, and the supercooled austenite transformation kinetics during the continuous cooling. The model worked out makes it possible to calculate a complete CCT diagram for the steel with a known chemical composition and analysis of the influence of particular elements on the characteristic points and transformation curves of the supercooled austenite, and also the hardness resulting from cooling. It makes also possible forecasting of the structure developed in steel as a result of cooling at a particular rate, by the quantitative description of the percentages of ferrite, pearlite, bainite, and martensite with the retained austenite.