Effect of Tempering Temperature on Hydrogen Desorption of AISI4140: Neural Networks Analysis
Notice bibliographique
Résumé
Over the past ten years, Cr-Mo is used for the manufacture of hydro treating reactors, in order to meet the demand of the refining industry, steelmakers have had to develop Cr-Mo steel, which until then was widely used for the manufacture of devices operating at high temperatures under hydrogen pressure The purpose of this work is to study the susceptibility of steel 42CrMo4 (AISI4041) to hydrogen this steel is a martensitic, that is widely use especially in the hydrogen storage industry, this one is tempered at different temperatures (500, 550, 600, 650 and 700℃), the application of artificial neural networks is proposed to predict the optimum tempering temperature to have a minimal quantity of hydrogen by analyzing the hydrogen concentration parameter that escapes through the desorption phenomenon through time at room temperature the Mathematical model proposed by the neural network method has proved this and this has been validated once more by comparing it with a global statistical study following a coupling between the variables "time / concentration", "Tempering Temperature / concentration".In addition, the data used in the model were taken from real experimental data and are arranged in a format of two input parameters: time and tempering temperature, and output parameter is hydrogen concentration.The model was arbitrated using Mean Absolute Error (MAE) and average quadratic error (MSE) and correlation coefficient and model performance values found as 0.0686 and 0.0071, 98.87%, 0.0071 for the training part and 0.0916 and 0.0112, 99.10%, 0.0112 for the test.Finally, the major conclusions of this research show that ANN as powerful computational techniques in modeling of nonlinear systems, can be reliably used in the prediction and correlation to obtain tempering temperature to get lower hydrogen concentration lesser.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».