論文の概要: Machine Learning-Based Generalized Model for Finite Element Analysis of
Roll Deflection During the Austenitic Stainless Steel 316L Strip Rolling
- arxiv url: http://arxiv.org/abs/2102.02470v1
- Date: Thu, 4 Feb 2021 08:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 18:43:33.003648
- Title: Machine Learning-Based Generalized Model for Finite Element Analysis of
Roll Deflection During the Austenitic Stainless Steel 316L Strip Rolling
- Title（参考訳）: オーステナイト系ステンレス鋼316Lストリップ圧延におけるロール偏向の有限要素解析のための機械学習に基づく一般化モデル
- Authors: Mahshad Lotfinia and Soroosh Tayebi Arasteh
- Abstract要約: オーステナイト系ステンレス鋼(ASS 316L)の冷間変形は、冷間変形時にATS 316Lを硬化させる。
冷間圧延時のASS 316Lの流れ応力をより正確に予測するために機械学習(ML)手法を提案する。
これは、FEMとMLアプローチを用いて、圧延板の動的流れ応力とSIMを考慮したASS 316Lの最初のモデルである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the strip rolling process, a considerable amount of the forces of the
material pressure cause elastic deformation on the work-roll, i.e., the
deflection process. The uncontrollable amount of the work-roll deflection leads
to the high deviations in the permissible thickness of the plate along its
width. In the context of the Austenitic Stainless Steels (ASS), due to the
instability of the Austenite phase in a cold temperature, cold deformation
leads to the production of Strain-Induced Martensite (SIM), which improves the
mechanical properties. It leads to the hardening of the ASS 316L during the
cold deformation, which causes the Strain-Stress curve of the ASS 316L to
behave non-linearly, which distinguishes it from other categories of steels. To
account for this phenomenon, we propose to utilize a Machine Learning (ML)
method to predict more accurately the flow stress of the ASS 316L during the
cold rolling. Furthermore, we conduct various mechanical tensile tests in order
to obtain the required dataset, Stress316L, for training the neural network.
Moreover, instead of using a constant value of flow stress during the
multi-pass rolling process, we use a Finite Difference (FD) formulation of the
equilibrium equation in order to account for the dynamic behavior of the flow
stress, which leads to the estimation of the mean pressure, which the strip
enforces to the rolls during deformation. Finally, using the Finite Element
Analysis (FEA), the deflection of the work-roll tools will be calculated. As a
result, we end up with a generalized model for the calculation of the roll
deflection, specific to the ASS 316L. To the best of our knowledge, this is the
first model for ASS 316L which considers dynamic flow stress and SIM of the
rolled plate, using FEM and an ML approach, which could contribute to the
better design of the tolls.
- Abstract（参考訳）: ストリップ圧延の過程では、材料圧のかなりの力がワークロールの弾性変形、すなわち偏向過程を引き起こす。
ワークロール偏向の制御不能な量は、その幅に沿ってプレートの許容厚さの高い偏差につながります。
オーステナイト系ステンレス鋼 (ASS) は, 低温におけるオーステナイト相の不安定性から, 冷間変形によりひずみ誘起マルテンサイト (SIM) が生成し, 機械的特性が向上する。
これは、冷間変形中にASS 316Lが硬化し、ASS 316Lのひずみ応力曲線が非線形に振る舞うようになり、鋼の他のカテゴリと区別される。
そこで本研究では,冷間圧延におけるASS316Lの流れ応力をより正確に予測するための機械学習(ML)手法を提案する。
さらに,ニューラルネットワークのトレーニングに必要なデータセットである stress316l を得るために,様々な機械的引張試験を行う。
さらに、マルチパスローリングプロセス中にフロー応力の一定値を使用する代わりに、平衡方程式の有限差分(FD)定式化を使用して、フロー応力の動的挙動を考慮し、ストリップが変形中にロールに強制する平均圧力の推定につながります。
最後に、有限要素分析(FEA)を使用して、ワークロールツールの偏向を計算します。
その結果、ASS 316Lに特有のロール偏向の計算のための一般化されたモデルが出来上がります。
私たちの知る限りでは、これはFEMとMLアプローチを使用して圧延プレートの動的フロー応力とSIMを考慮するASS 316Lの最初のモデルであり、通行料のより良い設計に寄与することができます。
関連論文リスト
- SeWA: Selective Weight Average via Probabilistic Masking [51.015724517293236]
より良く、より高速な収束を達成するためには、ほんの数ポイントしか必要としないことを示す。
離散選択問題を連続的な部分集合最適化フレームワークに変換する。
両凸画像チェックポイントの値よりもシャープなSeWAの安定性境界を導出する。
論文 参考訳（メタデータ） (2025-02-14T12:35:21Z) - RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [95.32315448601241]
本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。
RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。
その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
論文 参考訳（メタデータ） (2025-02-13T06:44:33Z) - Modelling of automotive steel fatigue lifetime by machine learning method [0.0]
この問題は、3.75-1アーキテクチャを持つMLP(Multi-Layer Perceptron)ニューラルネットワークによって解決された。
提案モデルは精度が高く,平均絶対パーセンテージ誤差(MAPE)は0.02%から4.59%であった。
論文 参考訳（メタデータ） (2025-01-19T19:46:48Z) - Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳（メタデータ） (2024-03-04T07:09:54Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳（メタデータ） (2023-12-05T18:59:41Z) - Use of Deep Neural Networks for Uncertain Stress Functions with
Extensions to Impact Mechanics [9.73713941604395]
本研究では、不確実性を捉えるために、量子回帰を伴う状態関数としてストレスをモデル化するためのディープニューラルネットワークアプローチを提案する。
これらのモデルを、微分方程式を用いて一軸衝撃力学に拡張し、ユースケースを実証し、この不確実性を考慮したストレス関数を実装するためのフレームワークを提供する。
論文 参考訳（メタデータ） (2023-11-03T00:12:24Z) - SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。
実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
論文 参考訳（メタデータ） (2023-10-01T21:19:12Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Static, dynamic and stability analysis of multi-dimensional functional
graded plate with variable thickness using deep neural network [0.0]
本研究の目的は,多方向機能グレード(FG)プレートの中央偏向,自然周波数,臨界座屈荷重の解析と予測である。
材料特性はプレートの3方向を通してスムーズかつ連続的に変化すると仮定される。
論文 参考訳（メタデータ） (2023-01-14T11:37:01Z) - Data-driven Aerodynamic Analysis of Structures using Gaussian Processes [0.0]
本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。
このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。
提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
論文 参考訳（メタデータ） (2021-03-20T11:22:24Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。