Praca przedstawia próbę stworzenia nowego narzędzia, służącego do przewidywania pęknięć w procesach odkształcania metali. W rozprawie opisano zjawisko pękania oraz modele pękania występujące w przeróbce plastycznej. Przeprowadzony został przegląd literaturowy, w którym pokazano, iż narzędzia sztucznej inteligencji są stosowane zarówno w metalurgii jak i podczas wykrywania pękania w procesach przeróbki plastycznej. Opisano badania wstępne, których celem było zbadanie możliwości zastosowań sztucznych sieci neuronowych do klasyfikacji pęknięć oraz dokonano oceny i analizy porównawczej otrzymanych wyników. W wyniku przeprowadzonej analizy dokonano wyboru sieci dającej najlepsze wyniki klasyfikacji przy przewidywaniu pęknięć w próbie SICO. Zostało opracowanych kilka modeli z dziedziny sztucznej inteligencji, a mianowicie: sztuczne sieci neuronowe MLP (multi layer perceptron), sieci o radialnych funkcjach bazowych RBF (radial basis function), probabilistyczne sieci neuronowe PNN (probabilistic neural network) oraz naiwny klasyfikator bayesowski NBC (naive Bayes classifier). Modele te zostały opracowane w oparciu o wyniki przeprowadzonych i opisanych symulacji komputerowych próby SICO. Wyniki symulacji, które obejmowały obliczenia pól naprężeń, odkształceń, temperatur oraz prędkości odkształcenia stanowiły zbiory uczące, walidacyjne i testujące. Do klasyfikacji parametru pękania został zastosowany program STATISTICA Neural Networks, który zawiera probabilistyczne sieci neuronowe (PNN) jak również pozostałe modele opisane w pracy (MLP, RBF, NBC). Przedstawiono cele oraz tezę pracy, która ma potwierdzić iż probabilistyczne sieci neuronowe mogą być skutecznym narzędziem do przewidywania pęknięcia w procesach przeróbki plastycznej. W pracy dokonano opisu budowy i działania poszczególnych sieci: MLP, RBF i PNN. Podsumowano ich działanie i wyodrębniono proces ich uczenia w zależności od zastosowanej funkcji aktywacji. Praca przedstawia opis procesu ściskania osiowosymetrycznej próbki cylindrycznej oraz model numeryczny tego procesu. Przedstawiono nowy model sieci probabilistycznej, który przewiduje prawdopodobieństwo występowania pęknięć w czasie procesu ściskania próbki cylindrycznej ze stopu miedzi. Dokonano porównania sieci MLP, RBF oraz PNN. Wszystkie sieci poprawnie zaklasyfikowały momenty pęknięć lecz dla sieci PNN uzyskano najmniej błędnie zaklasyfikowanych przykładów. Opracowany model probabilistycznych sieci neuronowych zastosowano do przewidywania pęknięć podczas kucia różnych odkuwek ze stopu miedzi w temperaturze 8200C i 9000C. Model sieci probabilistycznych dla odkuwek nie przewidział występowania pęknięcia, co pokrywa się z danymi uzyskanymi w literaturze [Pietrzyk (2010)]. Natomiast probabilistyczne sieci neuronowe zastosowane jak wyżej do kucia odkuwek w temperaturze 6000C, przewidziały miejsca pęknięcia oraz oszacowały
prawdopodobieństwo pęknięcia. Opracowany model sieci probabilistycznej został również zastosowany do bardziej złożonego procesu jakim jest odkształcanie obwiedniowe, co wykazało iż sieci te można stosować nie tylko do przewidywania pęknięć podczas kucia swobodnego ale również kucia matrycowego i bardziej złożonego.
W pracy przedstawiono próbę SICO, w której spęczane były próbki ze stopu Inconel. Opracowane sieci probabilistyczne zastosowano w przypadku kucia łopatek, które stosowane są w silnikach lotniczych. Korzystając z publikacji [Cheng Lv (2008)] dotyczących kucia łopatek, przeprowadzono symulację, numeryczną w programie Forge3, w którym zaimplementowano model sieci probabilistycznych określający prawdopodobieństwo pęknięcia. Na podstawie zbudowanego modelu probabilistycznych sieci neuronowych, została napisana w języku programowania Visual C# 2010 Express aplikacja modelu przewidującego pękanie. W pracy przedstawiono podsumowanie i wnioski z opracowanego modelu zastosowanego do przewidywania pęknięć w procesach przeróbki plastycznej tj. kucia swobodnego oraz matrycowego.
The doctoral dissertation presents an attempt to create a new tool for predicting ductile fractures in the metal deformation processes. The dissertation describes the occurrence ductile fracture and ductile fractures criteria appearing in metal forming.
Literature review shows that artificial intelligence tools are used in metallurgy as well as for detection of cracking during plastic working processes. The main goal of the preliminary study was recognizing possibility of using artificial neural networks to classification ductile fractures and also for comparison and evaluation of the results. Analysis which selected the network giving the best classification results in predicting fractures in a attempt SICO was performed. Several models from artificial intelligence area was investigated: MLP (multi layer perceptron ), RBF ( radial basis function ), PNN ( probabilistic neural network ) and NBC ( naïve Bayes classifier ). These models were created on the basis of the results of the computer simulations of SICO test. The results of simulation, which included the calculation of the stress field, strain, temperature and strain rate were used as collections of inputs for learning, validation and testing of neural network Program STATISTICA, program Neural Networks as well as other models described in the work (MLP, RBF, NBC) were used for the classification of fracture parameter, which includes probabilistic neural network ( PNN ). The main goal of this work was to confirm that the probabilistic neural networks can be useful tool to predict the ductile fracture in the plastic working processes. The dissertation described the construction and operation of the various networks such: MLP, RBF and PNN as well their functioning and selected learning process depending upon the activation function. The paper presents a description of the process of compression axisymmetric cylindrical sample and a numerical model of the process. A new probabilistic network model, which provides the probability of ductile fracture occur during the compression tests the cylindrical copper samples was presented. The comparison test was performed for MLP,
RBF and PNN networks. All the networks correctly classified the fractures moments however. The PNN network achieved the best results. Developed probabilistic neural network model was used to predict ductile fractures during forging process for various geometries from copper alloy at a temperature of 820°C and 900°C. Probabilistic network model for forgings not predicted the occurrence of fractures, what confirming the data from literature [ Pietrzyk (2010)]. In contrast, probabilistic neural networks used for the some forging process at 600°C, have provided the area of fractures and estimated the probability of fractures. The probabilistic network model was also used for more complicated process like circumferential deformation , what shows that the networks can be used to predict fractures during more complicated forging.
The paper presents a SICO test, in which samples from Inconel alloy were upset. Developed probabilistic networks are used for forging blades I of a plane engines. Numerical simulation of the blades forging were performed using program Forge3. The probabilistic network model defining the probability of fractures was implemented using the publication [ Lv Cheng (2008 )]. Application of the model for prediction of fractures was based on the constructed probabilistic model of neural network and was written on the language Visual C# 2010 Express. The paper presents a summary conclusions of the developed model used for prediction of fractures in the plastic working processes.
