Prediction of Spread in Steel Wire Rod Rolling: Transferable and Explainable Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spread is a major parameter in the steel wire rod rolling process since it is required for the calculation of material cross-sectional area and other rolling characteristics. Therefore, it is important to have a method to predict the spread with high accuracy and less computation time in wire rod rolling. In this study, multiple artificial intelligence (AI) methods including Multi-Layer Perceptron (MLP) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are employed to predict the spread. The 3D finite element (FE) analysis is used to generate the input data for the AI model and investigate the effect of different input parameters on the spread in one-stand and three-stand rolling setups of the wire rod rolling. The results demonstrate that the backward tension and the roll diameter are the most influencing parameters. Due to the use of dimensionless inputs and outputs, the model is independent of geometries and processing conditions which results in the transferability of the model. Furthermore, the ANFIS model provides some level of reasoning for the user by using a rule-based approach. Data fusion is also used to combine all outputs of the trained models and provide a single output for the prediction of spread in new data sets. The reasoning and transferability of the model result in the prediction of spread for a wide range of conditions in the steel wire rod rolling process. The generality and accuracy of the proposed approach are examined by comparing the results of the AI model with the FE analysis and experimental data obtained from the steelmaking company. The findings indicate that there is good agreement between the predicted and the measured values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle