Kontinuierliche ZTU-Schaubilder spielen bei der Beschreibung des Umwandlungsverhaltens von Stahl eine bedeutende Rolle. Die experimentelle Bestimmung eines solchen Diagramms ist zeitintensiv und teuer. Daher wäre eine Ableitung dieser Diagramme aus der chemischen Zusammensetzung des Stahls und seiner Austenitisierungstemperatur hochinteressant. In der vorliegenden Arbeit wird die Anwendung neuronaler Netze zur Vorausberechnung der Umwandlungsstart- und -endtemperaturen in kontinuierlichen ZTU-Schaubildern beschrieben. Die Daten stammen aus einer einzigen Quelle, dem Atlas kontinuierlicher ZTU-Schaubilder für Vanadinstähle. Drei neuronale Netze mit unterschiedlich vielen verdeckten Knoten (5-10-15) werden trainiert. Die Anzahl der mittleren Knoten beeinflußt die Vorhersagegenauigkeit nicht merklich, daher wurde ein Netz mit 5 gewählt. Es eignete sich recht gut zur Ermittlung der allgemeinen Trends in kontinuierlichen ZTU-Diagrammen. Die Standardabweichung für Start- und Endtemperaturen jeder Umwandlung hing von der Abkühlgeschwindigkeit ab: für hohe und niedrige Abkühlgeschwindigkeiten betrug sie ～ 40℃, im mittleren Bereich stieg sie auf 90℃ (Beginn der Ferritbildung) bzw. 75℃ für andere diffusionsgesteuerte Umwandlungen (Perlite oder Bainit). Die Genauigkeit der so aufgestellten ZTU-Schaubilder wird von der Qualität der für das Training des neuronalen Netzes benutzten Eingangsdaten beschränkt.%Continuous cooling transformation (CCT) diagrams play an important role in the description of the transformation behaviour of steels. The experimental determination of a CCT diagram is a very time consuming and expensive task. It would therefore be very attractive to be able to predict CCT diagrams from the chemical composition of the steel and its austenitising temperature. In this article the use of artificial neural networks for the prediction of the transformation start and finish lines in CCT diagrams is described. The data were selected from a single source: The vanadium steels, atlas of continuous cooling transformation diagrams. Three neural networks with different numbers of hidden nodes (5-10-15) were trained. The number of hidden nodes did not significantly influence the accuracy in the prediction. The network with the least number of hidden nodes (5) was therefore chosen for the evaluation of the performance of the neural networks. This neural network was able to predict the general trends in the CCT diagrams quite well. The relative standard deviation in the prediction of start and end temperatures of each transformation depended on the cooling rate. For the high and low cooling rates it was ～ 40℃, for the intermediate it rose to 90℃ for the ferrite start formation and to 75℃ for the other diffusional transformations (pearlite and bainite). The accuracy of the predicted CCT diagram was primarily restricted by the modest quality of the input data used to train the neural network.
展开▼
