پيش‌بيني نيرو و گشتاور در فرآيند نورد داغ ورق با استفاده از شبكه عصبي مصنوعي و روش المان محدود

Predication of roll force and roll torque in hot strip rolling process using artificial neural networks and finite element method

در اين مطالعه، به بررسي اثرات پارامتر‌هاي مختلف فرآيند نورد داغ و پيش بيني نيرو و گشتاور نورد با استفاده از مدل‌هاي شبكه عصبي مصنوعي و المان محدود سه بعدي پرداخته شده است. براي اين منظور داده هاي به‌دست آمده از شبيه سازي المان محدود سه‌بعدي براي آموزش و ارزيابي شبكه، وارد شبكه عصبي مي شوند و پس از آموزش و ارزيابي، شبكه قادر خواهد بود كه نيرو و گشتاور نورد را پيش بيني كند. نتايج پيش بيني شده از شبيه‌سازي المان محدود براي اعتبار سنجي با نتايج تجربي مقايسه شده است كه نتايج به دست آمده از تطابق خوبي برخوردار بوده است. به اين ترتيب براي ايجاد مدل‌ شبيه‌سازي المان محدود و مدل شبكه عصبي مصنوعي به ترتيب از دو نرم‌افزار آباكوس و متلب استفاده شده است. الگوريتم و تابع آموزش به‌كار رفته در اين مدل به ترتيب الگوريتم پس انتشار خطا و لونبرگ- ماركورت بوده است. در اينجا پارامترهاي مختلف و مهم فرآيند نورد داغ شامل دماي اوليه ورق، ضريب انتقال حرارت بين ورق و غلتك‌هاي‌كاري، كاهش ضخامت ورق، ضخامت اوليه ورق و سرعت نورد مورد بررسي قرار گرفته است. نتايج به دست آمده از شبكه عصبي مصنوعي حاكي از آن مي‌باشد كه مي‌توان با تغيير پارامتر‌هاي مختلف فرآيند نورد داغ، مقادير نيرو و گشتاور را در كمترين زمان ممكن با دقت بالا پيش‌بيني نمود.

This paper introduces an artificial neural network (ANN) application to a hot strip mill to improve the model’s prediction ability for rolling force and rolling torque, as a function of various process parameters. To obtain a data basis for training and validation of the neural network, numerous three dimensional finite element simulations were carried out for different sets of process variables. Experimental data were compared with the finite element predictions to verify the model accuracy. Thus the ABAQUS and MATLAB soft wares are used to simulate the finite element method and an artificial neural network, respectively. The back-propagation algorithm and Levenberg–Marquardt Training function were used in the artificial neural network. The input variables are selected to be, initial temperature of the strip, interface heat-transfer coefficient between strip and work roll, percentage of thickness reduction, initial thickness and rolling speed. The resulted ANN model is feasible for on-line control and rolling schedule optimization and can be easily and rapidly predicted the roll force and roll torque.