M. F. Gafarov, K. Yu. Okishev
MODELING THE PROOF STRENGTH OF PIPE STEELS TEMPERED WITH THE APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS
DOI: 10.17804/2410-9908.2024.1.018-027 The paper demonstrates the results of modeling the proof strength in pipe steels improved by tempering heat treatment. The main types of models used in this study are described, and information about the pros and cons of different approaches to modeling the target variable is summarized. Empirical equations relating hardness to yield strength and tensile strength are given. The role of the parameter n in these equations is indicated. The reasons for choosing the applied set of independent variables in the models are explained. The distribution of the target variable in the data sample is shown, and information about the feature space used for each of the models is provided. A general description of the source data is given. The structure of the main data sample is studied by the DBSCAN clustering method and the t-SNE dimension reduction algorithm. The reason for splitting the sample into clusters is substantiated in the context of reducing the spread of the predicted value of proof strength. The effectiveness of splitting the sample is estimated by using the measure of the spread of n. Various regression models for predicting yield strength are compared. It is shown that the regression model based on gradient boosting over the decision trees (LightGBM) has the smallest prediction error among the models considered. The permutation significance of the features of the model with the smallest prediction error is determined, the calculated significance of the features being compared with that from the metallurgical theory. The validity of the obtained prediction models is evaluated in view of the significance of the features and the metric estimate used in this study. The hypothesis of using a proxy variable (n) obtained from theoretical calculations as a predictor in the yield strength prediction model is tested. It is demonstrated that the application of the grouping method together with the parameter n makes it possible to obtain satisfactory prediction results on a smaller feature space.
Keywords: heat treatment of steels, machine learning, mathematical modeling, proof strength, pipe steels Bibliography:
- Gulyaev, A.P. Metallovedenie [Physical Metallurgy]. Metallurgiya Publ., Moscow, 1986, 544 p. (In Russian).
- Xie, Q., Suvarna, M., Li, J., Zhu, X., Cai, J., and Wang, X. Online prediction of mechanical properties of hot rolled steel plate using machine learning. Materials & Design, 2021, 197, 109201. DOI: 10.1016/j.matdes.2020.109201.
- Bhattacharyya, T., Singh, S.B., Dey, S., Bhattacharyya, S., Bleck, W., and Bhattacharjee, D. Microstructural prediction through artificial neural network (ANN) for development of transformation induced plasticity (TRIP) aided steel. Materials Science and Engineering: A, 2013, 565 (10), 148‒157. DOI: 10.1016/j.msea.2012.11.110.
- Okishev, K.Yu. Calculation of TTT diagrams of isothermal austenite decomposition in struc-tural steels. Vestnik PNIPU. Mashinostroenie, Materialovedenie, 2020, 22 (2), 82–89. DOI: 10.15593/2224-9877/2020.2.10. (In Russian).
- Pavlina, E.J. and Van Tyne, C.J. Correlation of yield strength and tensile strength with hardness for steels. Journal of Materials Engineering and Performance, 2008, 17, 888–893. DOI: 10.1007/s11665-008-9225-5.
- Lee, J.-Y., Kim, M., and Lee, Y.-K. Design of high strength medium-Mn steel using machine learning. Materials Science and Engineering: A, 2022, 843, 143148. DOI: 10.1016/j.msea.2022.143148.
- Cui, C., Cao, G., Li, X., Gao, Z., Liu, J., and Liu, Z. A strategy combining machine learning and physical metallurgical principles to predict mechanical properties for hot rolled Ti micro-alloyed steels. Journal of Materials Processing Technology, 2023, 311, 117810. DOI: 10.1016/j.jmatprotec.2022.117810.
- Gafarov, M., Okishev, K., and Makovetskiy, A. Predicting the hardness of pipe steels using machine learning methods. In: 2022 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2022, 1051‒1056. DOI: 10.1109/ICIEAM54945.2022.9787169.
- Okishev, K.Yu., Gafarov, M.F., Pavlova, K.P., Makoveckiy, A.N., and Gafarova, E.A. Construction and analysis of models for predictions of flow limits of pipe steel after thermal treatment using methods of machine learning. Kuznechno-Shtampovochnoe Proizvodstvo. Obrabotka Materialov Davleniem, 2022, 10, 10‒17. (In Russian).
- Available at: https://scikit-learn.org/stable/modules/sgd.html#regression
- Cahoon, J.R., Broughton, W.H., and Kutzak, A.R. The determination of yield strength from hardness measurements. Metallurgical and Materials Transactions, 1971, 2, 1979–1983. DOI: 10.1007/BF02913433.
- Van der Maaten, L.J.P. and Hinton, G.E. Visualizing high-dimensional data using t-SNE. Journal of Machine Learning Research, 2008, 9, 2579–2605.
- Schubert, E., Sander, J., Ester, M., and Kriegel, H.P. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Transactions on Database Systems (TODS), 2017, 42 (3), 1–21. DOI: 10.1145/3068335.
- Available at: https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.iqr.html
- Available at: https://lightgbm.readthedocs.io/en/stable/
- Available at: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html
М. Ф. Гафаров, К. Ю. Окишев
МОДЕЛИРОВАНИЕ УСЛОВНОГО ПРЕДЕЛА ТЕКУЧЕСТИ ТРУБНЫХ СТАЛЕЙ ПОСЛЕ УЛУЧШЕНИЯ С ПОМОЩЬЮ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В статье демонстрируются результаты моделирования условного предела текучести в трубных сталях после термообработки улучшением. Описываются основные типы моделей, использующиеся в работе, обобщается информация о плюсах и минусах разных подходов к моделированию целевой переменной. Приводятся эмпирические уравнения связи твердости, предела текучести и предела прочности. Указывается роль параметра n в приведенных уравнениях. Объясняются причины выбора применяемого набора независимых переменных в моделях. Показывается распределение целевой переменной в выборке данных, приводится информация о признаковом пространстве, использованном для каждой из рассмотренных моделей. Представлено общее описание исходных данных. Исследуется структура основной выборки данных с помощью метода кластеризации DBSCAN и алгоритма снижения размерности t-SNE. Обосновывается причина дробления выборки на кластеры в контексте снижения разброса прогнозируемой величины условного предела текучести. Оценивается эффективность разбиения выборки с помощью меры разброса введенного параметра n. Проводится сравнение различных регрессионных моделей прогнозирования предела текучести. Показывается, что регрессионная модель на основе градиентного бустинга над деревьями решений (LightGBM) имеет наименьшую ошибку прогнозирования среди рассмотренных моделей. Определяется перестановочная значимость признаков модели с наименьшей ошибкой прогнозирования, приводится сравнение вычисленной значимости признаков с данными металлургической теории. Оценивается валидность полученных моделей прогнозирования с учетом значимости признаков и метрической оценки, используемой в данной работе. Проверяется гипотеза об использовании прокси-переменной (параметра n), полученной на основе теоретических выкладок, в качестве предиктора модели предсказания предела текучести. Демонстрируется, что использование метода группировки совместно с параметром n позволяет получать удовлетворительные результаты прогнозирования на меньшем признаковом пространстве.
Ключевые слова: термообработка сталей, машинное обучение, математическое моделирование, условный предел текучести, трубные стали Библиография:
- Гуляев А. П. Металловедение : учебник для вузов. – 6-е изд., перераб. и доп. – М. : Металлургия, 1986. – 544 с.
- Online prediction of mechanical properties of hot rolled steel plate using machine learning / Q. Xie, M. Suvarna, J. Li, X. Zhu, J. Cai, X. Wang // Materials & Design. – 2021. – Vol. 197. – P. 109201. – DOI: 10.1016/j.matdes.2020.109201.
- Microstructural prediction through artificial neural network (ANN) for development of transformation induced plasticity (TRIP) aided steel / T. Bhattacharyya, S. B. Singh, S. Dey, S. Bhattacharyya, W. Bleck, D. Bhattacharjee // Materials Science and Engineering: A. – 2013. – Vol. 565. – P. 148‒157. – DOI: 10.1016/j.msea.2012.11.110.
- Окишев К. Ю. Расчет диаграмм изотермического распада аустенита в конструкцион-ных сталях // Вестник ПНИПУ. Машиностроение, материаловедение. – 2020. – № 2. – С. 82‒89. – DOI: 10.15593/2224-9877/2020.2.10.
- Pavlina E. J., Van Tyne C. J. Correlation of yield strength and tensile strength with hardness for steels // Journal of Materials Engineering and Performance. – 2008. – Vol. 17. – P. 888–893. – DOI: 10.1007/s11665-008-9225-5.
- Lee J.-Y., Kim M., Lee Y.-K. Design of high strength medium-Mn steel using machine learning // Materials Science and Engineering: A. – 2022. – Vol. 843. – P. 143148. – DOI: 10.1016/j.msea.2022.143148.
- A strategy combining machine learning and physical metallurgical principles to predict me-chanical properties for hot rolled Ti micro-alloyed steels / C. Cui, G. Cao, X. Li, Z. Gao, J. Liu, Z. Liu // Journal of Materials Processing Technology. – 2023. – Vol. 311. – P. 117810. – DOI: 10.1016/j.jmatprotec.2022.117810.
- Gafarov M., Okishev K., Makovetskiy A. Predicting the hardness of pipe steels using machine learning methods // 2022 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). – 2022. – P. 1051‒1056. – DOI: 10.1109/ICIEAM54945.2022.9787169.
- Построение и анализ моделей предсказания пределов текучести трубных сталей по-сле термической обработки с помощью методов машинного обучения / К. Ю. Оки-шев, М. Ф. Гафаров, К. П. Павлова, А. Н. Маковецкий, Е. А. Гафарова // Кузнечно-штамповочное производство. Обработка материалов давлением. – 2022. – № 10. –C. 10‒17.
- URL: https://scikit-learn.org/stable/modules/sgd.html#regression
- Cahoon J. R., Broughton W. H., Kutzak A. R. The Determination of yield strength from hardness measurements // Metallurgical and Materials Transactions. – 1971. – Vol. 2. – P. 1979–1983. – DOI: 10.1007/BF02913433.
- Van der Maaten L. J. P., Hinton G. E. Visualizing high-dimensional data using t-SNE // Journal of Machine Learning Research. – 2008. – Vol. 9. – P. 2579‒2605.
- DBSCAN revisited, revisited: why and how you should (still) use DBSCAN / E. Schubert, J. Sander, M. Ester, H. P. Kriegel // ACM Transactions on Database Systems (TODS). – 2017. – Vol. 42 (3). – P. 1–21. – DOI: 10.1145/3068335.
- URL: https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.iqr.html
- URL: https://lightgbm.readthedocs.io/en/stable/
- URL: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html
Библиографическая ссылка на статью
Gafarov M. F., Okishev K. Yu. Modeling the Proof Strength of Pipe Steels Tempered with the Application of Artificial Intelligence Methods // Diagnostics, Resource and Mechanics of materials and structures. -
2024. - Iss. 1. - P. 18-27. - DOI: 10.17804/2410-9908.2024.1.018-027. -
URL: http://dream-journal.org/issues/2024-1/2024-1_431.html (accessed: 21.11.2024).
|
