Открытый доступ Открытый доступ  Ограниченный доступ Доступ для подписчиков

Легирование углеродом металломатричных композитов на основе Fe – Cr – Mn – Mo – N – C-сплавов при их получении методом СВС по варианту алюмобаротермии

Максим Сергеевич Коновалов, Иван Сергеевич Коновалов, Владимир Иванович Ладьянов

Аннотация


Исследованы металломатричные композиты на основе Fe – Cr – Mn – Mo – N – C-сплавов, полученные методом самораспространяющегося высокотемпературного синтеза (СВС) по варианту алюмобаротермии. Показана возможность реализации в тигле охлаждения равномерного науглероживания расплава, полученного алюмобаротермическим синтезом. Предложена модель искусственной нейронной сети, позволяющая прогнозировать содержание углерода в исследованных композитах при науглероживании в тигле охлаждения СВС-реактора (средняя ошибка аппроксимации 9 – 14 % в зависимости от метода обучения). Проведено сравнение результатов обучения предложенной модели искусственной нейронной сети оптимизационным алгоритмом Adam и методом Левенберга-Марквардта. Показано, что в условиях ограниченного набора исходных данных эффективным является использование перцептрона с одним скрытым слоем, содержащим три целевых нейрона и один нейрон смещения.

Ключевые слова


металломатричный композит; сплав системы Fe – Cr – Mn – Mo – N – C; легирование углеродом; структура; алюмобаротермия; искусственная нейронная сеть

Полный текст:

PDF

Литература


Коновалов М. С., Ладьянов В. И., Мокрушина М. И., Овчаренко П. Г. Влияние углерода на износостойкость, прочность и твердость композита с матрицей системы Fe – Cr – Mn – Mo – N – C // Химическая физика и мезоскопия. 2023. Т. 25, № 1. С. 78 – 87. DOI: 10.15350/ 17270529.2023.1.8

Dorofeev G., Karev V., Goncharov O. et al. Aluminothermic reduction process under nitrogen gas pressure for preparing high nitrogen austenitic steels // Metall. Mater. Trans. B. V. 50, No. 2. P. 632 – 640. DOI: 10.1007/s11663-018-1499-x

Ладьянов В. И., Дорофеев Г. А., Кузьминых Е. В. и др. Алюминобаротермический синтез высокоазотистой стали // Известия ВУЗов. Черная металлургия. 2019. Т. 62, № 2. С. 154 – 162. DOI: 10.17073/0368-0797-2019-2-154-162

Дорофеев Г. А., Карев В. А., Кузьминых Е. В. и др. К вопросу получения высокоазотистой коррозионно-стойкой стали алюминотермическим методом в среде азота высокого давления // Металлы. 2013. № 1. С. 3 – 14.

Konovalov M. S., Lad’yanov V. I., Mokrushina M. I., Karev V. A. Influence of carbon on the structural-phase composition and hardness of steel ingots of the Fe – Cr – Mo – N – C system obtained by the SHS method under nitrogen pressure // Lett. Mater. 2023. V. 13, No. 1. P. 85 – 89. DOI: 10.22226/ 2410-3535-2023-1-85-89

Соболев В. Ф., Андриянов Н. В., Чичко А. А. Расчет процессов растворения порошка углерода в железоуглеродистых расплавах // Литье и металлургия. 2004. Т. 32, № 4. С. 72 – 75.

Кабишов С. М., Трусова И. А., Ратников П. Э., Корнеев С. В. Определение границ двухфазной зоны углеродистых и легированных сталей // Литье и металлургия. 2015. Т. 79, № 2. С. 82 – 88.

Смирнов Л. А., Гудов А. Г., Бурмасов С. П. и др. Исследование физико-химических характеристик расплавов коррозионностойких сталей, легированных азотом // Известия ВУЗов. Черная металлургия. 2020. Т. 63, № 9. С. 679 – 685. DOI: 10.17073/0368-0797-2020-9-679-685

Лякишев Н. П., Плинер Ю. Л., Игнатенко Г. Ф., Лаппо С. И. Алюминотермия. М.: Металлургия. 1978. 424 с.

Golmohammadi M., Aryanpour M. Analysis and evaluation of machine learning applications in materials design and discovery // Mater. Today Commun. 2023. V. 35. 105494. DOI: 10.1016/j.mtcomm.2023.105494

Rickman J. M., Lookman T., Kalinin S. V. Materials informatics: From the atomic-level to the continuum // Acta Mater. 2019. V. 168. P. 473 – 510. DOI: 10.1016/j.actamat. 2019.01.051

Aniceto J. P. S., Zêzere B., Silva C. M. Predictive models for the binary diffusion coefficient at infinite dilution in polar and nonpolar fluids // Materials. 2021. V. 14. P. 542. DOI: 10.3390/ma14030542

Galimzyanov B. N., Doronina M. A., Mokshin A. V. Arrhenius crossover temperature of glass-forming liquids predicted by an Artificial Neural Network // Materials. 2023. V. 16, No. 1127. DOI: 10.3390/ma16031127

Ruiting Hao, Qiwei Han, Lu Li, Xiaorong Yang. DAmcqrnn: An approach to censored monotone composite quantile regression neural network estimation // Inf. Sci. 2023. V. 638, No. 118986. DOI: 10.1016/j.ins.2023.118986

Hans Weytjens, Jochen De Weerdt. Learning uncertainty with artificial neural networks for predictive process monitoring // Appl. Soft Comput. 2022. V. 125. No. 109134. DOI: 10.1016/j.asoc.2022.109134

Годунов А. И., Шишков С. В., Баланян С. Т., Аль Сафтли Ф. Х. Разработка алгоритма оптимизации обучения нейронной сети при определении количества нейронов в скрытом слое в целях повышения вероятности распознавания образов наземной цели // Надежность и качество сложных систем. 2021. № 4(36). С. 106 – 118. DOI: 10.21685/2307-4205-2021-4-12

Abiodun O. I., Jantan A., Omolara A. E. et al. State-of-the-art in artificial neural network applications: A survey // Heliyon. 2018. V. 4, No. 11. e00938. DOI: 10.1016/j.heliyon. 2018.e00938

Бердник В. В., Мухамедяров Р. Д. Применение метода нейронных сетей для решения обратной задачи теплопереноса // Теплофизика высоких температур. 2003. Т. 41, № 6. С. 942 – 947.

Chumachenko K., Iosifidis A., Gabbouj M. Feedforward neural networks initialization based on discriminant learning // Neural Netw. 2022. V. 146. P. 220 – 229. DOI: 10.1016/ j.neunet.2021.11.020

Hongmei Shao, Gaofeng Zheng. Convergence analysis of a back-propagation algorithm with adaptive momentum // Neurocomputing. 2011. V. 74, No. 5. P. 749 – 752. DOI: 10.1016/j.neucom.2010.10.008

Qian Kang, Qinwei Fan, Jacek M. Zurada. Deterministic convergence analysis via smoothing group Lasso regularization and adaptive momentum for Sigma-Pi-Sigma neural network // Inf. Sci. 2021. V. 553. P. 66 – 82. DOI: 10.1016/j.ins. 2020.12.014

Полуянович Н. К., Дубяго М. Н. Алгоритм обучения искусственной нейронной сети факторного прогнозирования ресурса изоляционных материалов силовых кабельных линий // Известия ЮФУ. Технические науки. 2021. № 2(219). С. 59 – 73. DOI: 10.18522/2311-3103-2021-2-59-73

Fabiana R. de Oliveira, Fabrícia R. de Oliveira. A locally convergent inexact projected Levenberg-Marquardt-type algorithm for large-scale constrained nonsmooth equations // J. Comput. Appl. Math. 2023. V. 427. 115121. DOI: 10.1016/ j.cam.2023.115121

Shiv Ram Dubey, Satish Kumar Singh, Bidyut Baran Chaudhuri. Activation functions in deep learning: A comprehensive survey and benchmark // Neurocomputing. 2022. V. 503. P. 92 – 108. DOI: 10.1016/j.neucom.2022.06.111

Daniel Florek, Marek Miłosz. Comparison of an effectiveness of artificial neural networks for various activation functions // J. Comput. Sci. 2023. V. 26. P. 7 – 12. DOI: 10.35784/ jcsi.3069

Stefan Elfwing, Eiji Uchibe, Kenji Doya. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning // Neural Netw. 2018. V. 107. P. 3 – 11. DOI: 10.1016/j.neunet.2017.12.012




DOI: https://doi.org/10.30906/mitom.2024.3.35-42

© Издательский дом «Фолиум», 1998–2024