blackmetИзвестия высших учебных заведений. Черная МеталлургияIzvestiya. Ferrous Metallurgy0368-07972410-2091National University of Science and Technology "MISIS"10.17073/0368-0797-2023-1-70-79blackmet-2481Research ArticleМЕТАЛЛУРГИЧЕСКИЕ ТЕХНОЛОГИИMETALLURGICAL TECHNOLOGIESИсследование сопротивления деформации трубных сталей в лабораторных условиях и по данным промышленных прокаток с использованием инструментов машинного обученияUsing machine learning tools to study flow stress of tube steels under laboratory conditions and according to industrial rolling dataЗинягинА. Г.ZinyaginA. G.

Алексей Геннадиевич Зинягин, к.т.н., доцент, Московский государственный технический университет им. Н.Э. Баумана (МГТУ им. Баумана); главный специалист по инновациям, АО «Выксунс­кий металлургический завод»

Россия, 105005, Моск­ва, 2-я Бауманская ул., 5/1

Россия, 607060, Нижегородская обл., Выкса, ул. Бр. Баташевых, 45

Aleksei G. Zinyagin, Cand. Sci. (Eng.), Assist. Prof., Bauman Moscow State Technical University (Bauman MSTU), Chief Innovation Specialist, JSC “Vyksa Metallurgical Plant”

5/1 Baumanskaya 2-ya Str., Moscow 105005, Russian Federation

45 Br. Batashevykh Str., Vyksa, Nizhny Novgorod Region 607060, Russian Federation

ziniagin_ag@bmstu.ruhttps://orcid.org/0000-0002-8926-0110МунтинА. В.MuntinA. V.

Александр Вадимович Мунтин, к.т.н., доцент кафедры «Оборудование и технологии прокатки», Московский государственный технический университет им. Н.Э. Баумана (МГТУ им. Баумана); заместитель директора по научно-исследовательской деятельности, АО «Выксунский металлургический завод»

Россия, 105005, Моск­ва, 2-я Бауманская ул., 5/1

Россия, 607060, Нижегородская обл., Выкса, ул. Бр. Баташевых, 45

Aleksandr V. Muntin, Cand. Sci. (Eng.), Assist. Prof. of the Chair “Rolling Equipment and Technologies”, Bauman Moscow State Technical University (Bauman MSTU); Deputy Director for Research Activities, JSC “Vyksa Metallurgical Plant”

5/1 Baumanskaya 2-ya Str., Moscow 105005, Russian Federation

45 Br. Batashevykh Str., Vyksa, Nizhny Novgorod Region 607060, Russian Federation

muntin_av@omk.ruКрючкова М. О.KryuchkovaM. O.

Мария Олеговна Крючкова, старший преподаватель

Россия, 607060, Нижегородская обл., Выкса, ул. Бр. Баташевых, 45

Mariya O. Kryuchkova, Senior Lecturer

5/1 Baumanskaya 2-ya Str., Moscow 105005, Russian Federation

mariya.mironova@bmstu.ruМосковский государственный технический университет им. Н.Э. Баумана (МГТУ им. Баумана); АО «Выксунский металлургический завод» (АО «ВМЗ»)РоссияBauman Moscow State Technical University (Bauman MSTU); JSC “Vyksa Metallurgical Plant”Russian FederationАО «Выксунский металлургический завод» (АО «ВМЗ»)РоссияBauman Moscow State Technical University (Bauman MSTU)Russian Federation2023010320236617079Copyright © Зинягин А.Г., Мунтин А.В., Крючкова  М.О., 20232023Зинягин А.Г., Мунтин А.В., Крючкова  М.О.Zinyagin A.G., Muntin A.V., Kryuchkova M.O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://fermet.misis.ru/jour/article/view/2481

Исследование сопротивления деформации различных марок стали является одним из ключевых вопросов для адекватной работы систем автоматизации, позволяющей получать прокат с требуемой точностью по геометрическим характеристикам. Кроме того, знание сопротивления деформации важно при проектировании оборудования прокатных станов. В литературе значения сопротивления деформации в подавляющем большинстве случаев приводятся в виде коэффициентов различных уравнений (например, Хензеля-Шпиттеля). Однако зачастую данные формулы имеют ограничения по диапазону технологических параметров, где они дают приемлемый результат. Следует также учитывать, что на современном прокатном производстве изготавливаются десятки марок сталей, химический состав которых может варьироваться в широком диапазоне в зависимости от конечной толщины проката, требований заказчика или исходя из экономических соображений (наиболее выгодная композиция легирования). Исследование реологических свойств такого количества материалов в лабораторных условиях дорого, долгосрочно и трудозатратно, а литературные источники не обеспечивают полноты данных. В работе показано, что, используя данные с промышленных прокатных станов и методы машинного обучения, возможно получение сведений о реологии материала с удовлетворительной точностью. Это позволяет избегать проведения лабораторных испытаний. Подобные исследования возможны благодаря высокой насыщенности современных прокатных станов различными датчиками и средствами измерений. Проведено сравнение результатов промышленных данных со значениями сопротивления деформации, полученными на установке Gleeble. На основе данного сравнения выполнялось обучение модели на основе градиентного бустинга для учета особенностей технологического процесса при промышленном производстве.

Studying the flow stress of various steel grades is one of the key issues for the viable operation of automation systems which support the production of rolled products with the required precision based on geometrical properties. A knowledge of flow stress is also important for the design of rolling mill equipment. The properties of flow stress are published mainly in the form of coefficients of various equations (for instance, the Hansel–Spittel equation). However, these equations are quite often limited in terms of process variables where they provide accessible result. It also should be taken into account that the existing rolling industry fabricates tens of steel grades, the chemical composition of which can vary in wide range depending on final thickness of the rolled products, customer requirements, or on the basis of economic considerations. Studies of the rheological properties of such amount of materials under laboratory conditions is expensive, time and labor consuming and published data does not provide data completeness. This work demonstrates that, using data from industrial rolling mills and methods of machine learning, it is possible to obtain data on material rheology with satisfactory precision. This allows laboratory studies to be avoided. Similar studies are possible due to high intensity of various sensors and instrumentation in modern rolling mills. The results of industrial data were compared with flow stress measured by   Gleeble. On the basis of this comparison the model was trained using gradient boosting in order to consider peculiarities of industrial production process.

сопротивление деформациирасчет усилия прокаткилинейная регрессиямашинное обучениеградиентный бустингGleebleистинное напряжениеистинная деформацияуравнение Хензеля-Шпиттеляflow stresscalculation of rolling forcelinear regressionmachine learninggradient boostingGleebletrue stresstrue strainHenzel-Spittel equationИсследования проводились в рамках программы стратегического академического лидерства Российской Федерации «Приоритет-2030» и научного проекта ПРИОР/СН/НУ/22/СП5/26 «Создание инновационных цифровых инструментов для применения прикладного искусственного интеллекта и продвинутого статистического анализа больших данных в технологических процессах производства металлургической продукции».The research was carried out within the framework of the program of strategic academic leadership of the Russian Federation “Priority-2030” and the scientific project PRIOR/SN/NU/22/SP5/26 “Creation of innovative digital tools for the use of applied artificial intelligence and advanced statistical analysis of big data in the technological processes of production of metallurgical products”.ReferencesХензель А., Шпиттель Т. Расчет энергосиловых параметров в процессах обработки металлов давлением. Москва: Металлургия; 1982: 360.Hensel A., Spittel T. Kraft- und Arbeitsbedarf bildsamer Form­gebungsverfahren. Leirzig: Verlag; 1978. (In Germ.).Никитин Г.С. Теория продольной непрерывной прокатки. Москва: МГТУ им. Баумана; 2009: 203.Nikitin G.S. Theory of Longitudinal Continuous Rolling. Moscow: Bauman MSTU; 2009: 203. (In Russ.).Мунтин А.В., Куренков Ю.М., Колесников А.Г. Современные технологические решения и оборудование для производства ультратонкой горячекатаной полосы. Произ­водство проката. 2016; (8): 13–21.Muntin A.V., Kurenkov Yu.M., Kolesnikov A.G. С Modern technological solutions and equipment for the production of ultra-thin hot-rolled strip. Proizvodstvo prokata. 2016; (8): 13–21. (In Russ.).Мунтин А.В. Передовые технологии совмещенного процесса непрерывного литья тонких слябов и горячей прокатки стальной полосы. Металлург. 2018; (9): 43–51.Muntin A.V. Advanced technology of combined thin slab continuous casting and steel strip hot rolling. Metallurgist. 2019; 62 (9–10): 900–910. https://doi.org/10.1007/s11015-019-00747-5Vannucci M., Colla V., Dimatteo A. Improving the estimation of mean flow stress within hot rolling of steel by means of different artificial intelligence techniques. IFAC Proceedings Volumes. 2013; 46(9): 945–950. https://doi.org/10.3182/20130619-3-RU-3018.00326Vannucci M., Colla V., Dimatteo A. Improving the estimation of mean flow stress within hot rolling of steel by means of different artificial intelligence techniques. IFAC Proceedings Volumes. 2013; 46(9): 945–950. https://doi.org/10.3182/20130619-3-RU-3018.00326Thakur S.K., Das A.K., Jha B.K. Development of an integrated flow stress and roll force models for plate rolling of microalloyed steel. Steel Research International. 2022; 93(2): 2100479. https://doi.org/10.1002/srin.202100479Thakur S.K., Das A.K., Jha B.K. Development of an integrated flow stress and roll force models for plate rolling of microalloyed steel. Steel Research International. 2022; 93(2): 2100479. https://doi.org/10.1002/srin.202100479Murugesan M., Yu J., Jung K., Cho S., Bhandari K.S., Chung W., Lee C. Supervised machine learning approach for modeling hot deformation behavior of medium carbon steel. Steel Research International. 2023; 93(1): 2200188. https://doi.org/10.1002/srin.202200188Murugesan M., Yu J., Jung K., Cho S., Bhandari K.S., Chung W., Lee C. Supervised machine learning approach for modeling hot deformation behavior of medium carbon steel. Steel Research International. 2023; 93(1): 2200188. https://doi.org/10.1002/srin.202200188Aghasafari P., Abdi H., Salimi M. Artificial neural network modeling of flow stress in hot rolling. ISIJ International. 2014; 54(4): 872–879. https://doi.org/10.2355/isijinternational.54.872Aghasafari P., Abdi H., Salimi M. Artificial neural network modeling of flow stress in hot rolling. ISIJ International. 2014; 54(4): 872–879. https://doi.org/10.2355/isijinternational.54.872Bagheripoor M., Bisadi H. Application of artificial neural networks for the prediction of roll force and roll torque in hot strip rolling process. Applied Mathematical Modelling. 2013; 37(7): 4593–4607. https://doi.org/10.1016/j.apm.2012.09.070Bagheripoor M., Bisadi H. Application of artificial neural networks for the prediction of roll force and roll torque in hot strip rolling process. Applied Mathematical Modelling. 2013; 37(7): 4593–4607. https://doi.org/10.1016/j.apm.2012.09.070Murugesan M., Sajjad M., Jung D.W. Hybrid machine learning optimization approach to predict hot deformation beha­vior of medium carbon steel material. Metals. 2019; 9(12): 1315. https://doi.org/10.3390/met9121315Murugesan M., Sajjad M., Jung D.W. Hybrid machine learning optimization approach to predict hot deformation beha­vior of medium carbon steel material. Metals. 2019; 9(12): 1315. https://doi.org/10.3390/met9121315Moon I.Y., Jeong H.W., Lee H.W., Kim S.-J., Oh Y.-S., Jung J., Oh S., Kang S.-H. Predicting high temperature flow stress of nickel alloy A230 based on an artificial neural network. Metals. 2022; 12(2): 223. https://doi.org/10.3390/met12020223Moon I.Y., Jeong H.W., Lee H.W., Kim S.-J., Oh Y.-S., Jung J., Oh S., Kang S.-H. Predicting high temperature flow stress of nickel alloy A230 based on an artificial neural network. Metals. 2022; 12(2): 223. https://doi.org/10.3390/met12020223Cao G.-M., Gao Z.-W., Gao X.-Y. Predicting flow stress of Ni steel based on machine learning algorithm. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2022; 236(8): 4253–4266. https://doi.org/10.1177/09544062211048175Cao G.-M., Gao Z.-W., Gao X.-Y. Predicting flow stress of Ni steel based on machine learning algorithm. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2022; 236(8): 4253–4266. https://doi.org/10.1177/09544062211048175Lin Y.C., Zhang J., Zhong J. Application of neural networks to predict the elevated temperature flow behavior of a low alloy steel. Computational Materials Science. 2008; 43(4): 752–758. https://doi.org/10.1016/j.commatsci.2008.01.039Lin Y.C., Zhang J., Zhong J. Application of neural networks to predict the elevated temperature flow behavior of a low alloy steel. Computational Materials Science. 2008; 43(4): 752–758. https://doi.org/10.1016/j.commatsci.2008.01.039Stendal J.A., Bambach M., Eisentraut M., Sizova I., Weiß S. Applying machine learning to the phenomenological flow stress modeling of TNM-B1. Metals. 2019; 9(9): 220. https://doi.org/10.3390/met9020220Stendal J.A., Bambach M., Eisentraut M., Sizova I., Weiß S. Applying machine learning to the phenomenological flow stress modeling of TNM-B1. Metals. 2019; 9(9): 220. https://doi.org/10.3390/met9020220Versino D., Tonda A., Bronkhorst C.A. Data driven modeling of plastic deformation. Computer Methods in Applied Mechanics and Engineering. 2017; 318: 981–1004. https://doi.org/10.1016/j.cma.2017.02.016Versino D., Tonda A., Bronkhorst C.A. Data driven modeling of plastic deformation. Computer Methods in Applied Mechanics and Engineering. 2017; 318: 981–1004. https://doi.org/10.1016/j.cma.2017.02.016Wang L.-y., Li L., Zhang Zh.-h. Accurate descriptions of hot flow behaviors across β transus of Ti-6Al-4V alloy by intelligence algorithm GA-SVR. Journal of Materials Engineering and Performance. 2016; 25: 3912–3923. https://doi.org/10.1007/s11665-016-2230-1Wang L.-y., Li L., Zhang Zh.-h. Accurate descriptions of hot flow behaviors across β transus of Ti-6Al-4V alloy by intelligence algorithm GA-SVR. Journal of Materials Engineering and Performance. 2016; 25: 3912–3923. https://doi.org/10.1007/s11665-016-2230-1Zhang X., Zhi C., Wang Y., Li Y. Constitutive para­me­ters identification of Q345E steel during hot deformation with inverse methods based on teaching–learning-based optimisation algorithm. Materials Research Innovations. 2015; 19(8): 634–638. https://doi.org/10.1179/1432891715Z.0000000001874Zhang X., Zhi C., Wang Y., Li Y. Constitutive para­me­ters identification of Q345E steel during hot deformation with inverse methods based on teaching–learning-based optimisation algorithm. Materials Research Innovations. 2015; 19(8): 634–638. https://doi.org/10.1179/1432891715Z.0000000001874Santosh S., Sampath V., Mouliswar R.R. Hot deformation characteristics of NiTiV shape memory alloy and modeling using constitutive equations and artificial neural networks. Journal of Alloys and Compounds. 2022; 901: 163451. https://doi.org/10.1016/j.jallcom.2021.163451Santosh S., Sampath V., Mouliswar R.R. Hot deformation characteristics of NiTiV shape memory alloy and modeling using constitutive equations and artificial neural networks. Journal of Alloys and Compounds. 2022; 901: 163451. https://doi.org/10.1016/j.jallcom.2021.163451Bambach M., Gerster S., Herty M. Online data assimilation of a hybrid flow stress model by particle filtering. CIRP Annals. 2021; 70(1): 255–260. https://doi.org/10.1016/j.cirp.2021.04.002Bambach M., Gerster S., Herty M. Online data assimilation of a hybrid flow stress model by particle filtering. CIRP Annals. 2021; 70(1): 255–260. https://doi.org/10.1016/j.cirp.2021.04.002Зинягин А.Г. Совершенствование процессов прокатки и охлаждения листов из трубных марки сталей на стане-5000: Диссертация … кандидата технических наук. Москва; 2014: 159.Zinyagin A.G. Improving the processes of rolling and cooling of sheets from pipe steel on mill-5000: Cand. Tech. Sci. Diss. Moscow; 2014: 159. (In Russ.).

The authors declare that there are no conflicts of interest present.