Modeling of microhardness of carbonized chosen car parts using an artificial neural network tool

This paper presents the possibility of using neural networks model for designing a carbonizing process in a fluidized bed. This process is complex and difficult as multi-parameter changes are non-linear and a car drive cross structure is non-homogeneous. This fact and lack of mathematical algorithms describing this process make modeling properties of drive elements by traditional numerical methods difficult or even impossible. In this case, it is possible to use an artificial neural network. Using neural networks for modeling of carbonizing in a fluidized bed is caused by several net features: non-linear character, the ability to generalize the results of calculations different from the learning data set, lack of need of mathematical algorithms describing influence of input parameters changes on modeling materials properties. The neural network structure is designed and specially prepared by choosing input and output parameters of the process. The method of neural network learning and testing, the way of limiting net structure and minimizing learning and testing error are discussed. Such prepared neural network model, after putting desirable values of car cross driving properties in the output layer, can give answers to a lot of questions about carbonizing process in a fluidized bed. The practical implications of the neural network models are the possibility of using them to build control system capable of on- line process control and supporting engineering decision in real time. The originality of this research is a new idea to obtain desirable materials properties after carbonizing in a fluidized bed. The specially prepared neural network model could be a help for engineering decisions and may be used in designing carbonizing process in a fluidized bed as well as in controlling changes of this process.

---

Praca to prezentuje możliwości zastosowania modelu na bazie sztucznej sieci neuronowej do modelowania nawęglania w złożu fluidalnym. Proces ten jest skomplikowany i wielo-parametryczny, a zmiany poszczególnych jego parametrów są nieliniowe. Fakt ten oraz brak algorytmów matematycznych opisujących wpływ parametrów procesu nawęglania na właściwości mechaniczne elernentów po nawęglaniu utrudnia, a niejednokrotnie uniemożliwia zastosowanie tradycyjnych metod symulacji numerycznej. W tym przypadku, było uzasadnionym podjęcie próby zastosowania sztucznej inteligencji do modelowania tego procesu. Przedstawiona w pracy struktura sztucznej sieci neuronowej została zaprojektowana dla wybranych parametrów oraz wielkości modelowanych procesu nawęglania w złotż fluidalnym. W pracy zostaly omówione metody uczenia i testowania sztucznej sieci neuronowej, redukcji jej struktury oraz minimalizacji błędu uczenia i testowania. Model neuronowy przygotowany w omówiony sposób może odpowiedzieć na wiele pytań dotyczących parametrów procesu nawęglania. W przyszłości istnieje możliwość zastosowania opisanego modelu do budowy systemu wspomagającego decyzje intżnierską i kontrolującego proces nawęglania w czasie rzeczywistym.