Prediction of the boroaluminized layer thickness using an artificial neural network

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The application of mathematical models of artificial neural networks for predicting the properties of diffusion layers created by thermal-chemical treatment based on the boroaluminizing process was considered. Formalization and analysis of prediction of experimental results were carried out. It was established that the construction of computer prediction models based on experimental data of boroaluminizing was a solvable problem with high precision when using artificial neural networks of the multilayer perceptron type. Thus, testing the number of hidden layers and the number of neurons in them revealed the highest correlation coefficient R = 0.99993 of the artificial neural network using two hidden layers with ten and six neurons, respectively. The highest efficiency can be achieved using the “hyperbolic tangent” activation function.

Full Text

Restricted Access

About the authors

U. L. Mishigdorzhiyn

Institute of Physical Material Science SB RAS

Author for correspondence.
Email: undrakh@ipms.bscnet.ru
Russian Federation, 670047, Ulan-Ude

B. A. Dyshenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
Russian Federation, 670047, Ulan-Ude

A. P. Semenov

Institute of Physical Material Science SB RAS

Email: dyshenov@gmail.com
Russian Federation, 670047, Ulan-Ude

N. S. Ulakhanov

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
Russian Federation, 670047, Ulan-Ude

B. E. Markhadayev

Institute of Physical Material Science SB RAS

Email: undrakh@ipms.bscnet.ru
Russian Federation, 670047, Ulan-Ude

References

  1. Земсков Г.В., Коган Р.Л. Многокомпонентное диффузионное насыщение металлов и сплавов. М.: Металлургия, 1981. С. 208.
  2. Suwattananont N., Petrova R. // Solid State Sci. 2012. V. 14. P. 1669. https://doi.org/10.1016/j.solidstatesciences.2012.06.008
  3. Cho J.H., Kim T.W., Son K.S., Yoon J.H., Kim H.S., Leisk G.G., Mitton D.B., Latanision R.M. // J. Metals Mater. Int. 2003. V. 9. № 3. C. 303. https://doi.org/10.1007/BF03027051
  4. Tsipas S.A., Omar H., Perez F.H., Tsipas D.N. // Surf. Coat. Technol. 2008. V. 202. № 14. P. 3263. https://doi.org/10.1016/j.surfcoat.2007.11.034
  5. Omar H., Tsipas S.A., Maragoudakis N., Michailidis N. // J. Corros. Eng. Sci. Technol. 2011. V. 46. № 6. P. 697. https://doi.org/10.1179/147842209X12579401586564
  6. Maragoudakis N.E., Stergioudis G., Omar H., Paulidou H., Tsipas D.N. // Mater. Lett. 2002. V. 53. Р. 406. https://doi.org/10.1016/S0167-577X(01)00515-8
  7. Zakhariev Z., Marinov M., Penyashki T., Tsokov Pl. // J. Alloys Compd. 2008. 459. P. 501.
  8. Ouladsaad S., Allaoui O., Daas A. // Indian J. Chem. Technol. 2019. V. 26. P. 239.
  9. Mishigdorzhiyn U.L., Ulakhanov N.S., Milonov A.S., Semenov A.P. // IOP Conf. Ser.: Mater. Sci. Eng. 2020. V. 759. Р. 012017. https://doi.org/10.1088/1757-899X/759/1/012017
  10. Mishigdorzhiyn U., Chen Y., Ulakhanov N., Liang H. // Lubricants. 2020. V. 8. № 3. P. 26. https://doi.org/10.3390/lubricants8030026
  11. Ulakhanov N., Mishigdorzhiyn U. // IOP Conf. Ser.: Mater. Sci. Eng. 2019. V. 684. Р. 012003. https://doi.org/10.1088/1757-899X/684/1/012003
  12. Улаханов Н.С., Мишигдоржийн У.Л. Нейросетевая модель для расчета и прогнозирования толщины упрочненного слоя на поверхности деталей машин // VII Междунар. конф. “Проблемы механики современных машин”, 25–30 июня 2018 г., г. Улан-Удэ, C. 322.
  13. Mishigdorzhiyn U.L., Ulakhanov N.S. // IOP Conf. Ser.: Mater. Sci. Eng. 2018. V. 411. P. 012049. https://doi.org/10.1088/1757-899X/411/1/012049
  14. Sizov I.G., Mishigdorzhiyn U.L., Maharov D.M. // Met. Sci. Heat Treat. 2012. V. 53. № 11–12. P. 592.
  15. Патент 2401319 РФ, МПК С23С 8/72. Способ термоциклического бороалитирования изделий из углеродистых сталей / Восточно-Сибирский гос. технолог. ун-т (№ 2009106319/02). Сизов И.Г., Мишигдоржийн У.Л., Махаров Д.М., Дашиев Ю.Б. // заявл. 24.02.2009; опубл. 10.10.2010. Бюл. № 28. 8 с.
  16. Тараник В.А. // ScienceRise. 2015. Т. 2. № 8. С. 69. https://doi.org/10.15587/23138416.2015.48349
  17. Иванов М.В. // Изв. Самарского науч. центра РАН. 2019. Т. 21. № 5. С. 11.
  18. Интерполяция. Национальный исследовательский университет ИТМО. http://aco.ifmo.ru/el_books/numerical_methods/lectures/glava3.html (дата обращения: 30.06.2023).
  19. Seber G.A.F., Wild C.J. // Nonlinear Regression. New York: John Wiley & Sons, 1989. P. 768.
  20. Подготовка данных к прогнозированию и корректировка прогноза факторами. https://4analytics.ru/planirovanie-i-prognozirovanie-praktika/video-podgotovka-dannix-k-prognozirovaniyu.html (дата обращения: 08.06.2023)
  21. Хайкин С. // Нейронные сети: полный курс. М.: ИД “Вильямс”, 2016. С. 1104.
  22. Рутковская Д., Пилиньский М., Рутковский Л. // Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2013. C. 384.
  23. Bengio Y., Courville A., Vincent P. // IEEE Trans. Pattern Anal. Mach. Intell. 2013. V. 35. № 8. P. 1798.
  24. Нгуен А.Т. Алгоритмическое обеспечение нейронной сети с полиномиальными кусочно-непрерывными функциями активации для обнаружения закономерностей в данных: дис. … канд. тех. наук: 05.13.01. Томск: ТПУ–ТУСУР, 2019. С. 112.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Scheme of packaging of a crucible with a steel sample.

Download (113KB)
Indexing metadata
3. Fig. 2. Microstructures of boron-aluminated layers on steel 20 after heat treatment at 900 (a, b) and 1000°C (c, d) for: a – 2 h, average layer thickness 110 μm; b – 4 h, average thickness 160 μm; c – 2 h, average thickness 180 μm; d – 4 h, average thickness 260 μm.

Download (215KB)
Indexing metadata
4. Fig. 3. Model of a multilayer perceptron.

Download (229KB)
Indexing metadata
5. Fig. 4. Life cycle of a predictive model.

Download (94KB)
Indexing metadata
6. Fig. 5. Data preparation.

Download (95KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».