Título

APLICAÇÃO DE REDE NEURAL PARA CÁLCULO DA TENSÃO DE ESCOAMENTO NA LAMINAÇÃO DE TIRAS A QUENTE DE AÇOS C-MN

APPLICATION OF NET NEURAL FOR CALCULATION OF THE FLOW STRESS IN THE HOT ROLLING OF STRIPS OF THE C-Mn STEELS

Autoria

Vallim, Pedro S. S.; Gorni, Antonio Augusto; Plaut, Ronald Lesley

DOI

10.5151/2594-5297-15729

Downloads

Baixar Artigo 53 Downloads

Resumo

Aplicações de Redes Neurais Artificiais (RNA), também conhecidas como Redes Neurais Adaptativas, usando multicamadas, fluxo de informações direto à frente, algoritmos de treinamento e retro propagação (MFB), foram realizadas para calcular uma importante variável do processo de laminação de tiras no Laminador de Tiras a Quente (LTQ). Esta variável é a tensão de escoamento a quente (TEQ), relacionada ao caso particular da laminação de tiras a quente, de aços C-Mn. Conceitos básicos sobre o passe de laminação são apontados. Fundamentos das redes neurais MFB, sua metodologia, coleta e seleção de dados, arquitetura, treinamento, desempenho e precisão são destacados, objetivando a avaliação dos valores de TEQ para cada cadeira do LTQ. Como uma premissa deste trabalho, as variáveis de entrada são mantidas em um nível simples, sem qualquer cálculo sofisticado ou recursivo, em termos da obtenção de seus valores. Sob estas condições, modelos simplificados foram apresentados para as duas principais variáveis de entrada, respectivamente a temperatura da tira no passe de laminação e o raio achatado dos cilindros de trabalho.

 

Applications of Artificial Neural Networks (ANN), also known as Adaptive Neural Networks, using multi-layers, feed-forward, training and back-propagation algorithms (MFB), are performed to calculate an important variable of strip rolling process in the Hot Strip Mill (HSM). This variable is the hot flow stress (HFS), related to the particular case of the hot strip rolling of the C-Mn steels. Basic concepts about rolling pass are pointed out. Fundamentals of the neural network MFB, its methodology, data collection and selection, net architecture, training, performance and accuracy are highlighted, aiming at the evaluation of the HFS values for each HSM stand. As a premise of this work, the net input variables are kept at a simple level, without any sophisticated or recursive calculations, in terms of the obtainment of their values. Under these conditions, simplified models are presented for the two main input variables, namely the strip temperature in the rolling pass and the flattened working roll radius.

Palavras-chave

Redes neurais; Laminação de tiras a quente; Tensão de escoamento a quente; Força de laminação a quente.

Neural networks; Hot strip rolling; Low carbon steels; Hot flow stress; Hot rolling force.