V Международная студенческая научная конференция Студенческий научный форум - 2013

Нейросетевое моделирование использовалось для разработки системы легирования порошковой проволоки типа Fe-Cr-Al и определения технологических параметров процесса дуговой металлизации по критерию минимального окисления капель металла при напылении, что позволило повысить жаростойкость металлизационных покрытий.

Ключевые слова: нейросетевое моделирование, степень окисления, дуговая металлизация, порошковая проволока, система легирования, жаростойкие покрытия.

Введение.

Для защиты от газовой коррозии деталей энергетики и металлургии широко применяются сплавы системы легирования Fe-Cr-Al, обладающие высокой жаростойкостью. При нагреве на поверхности указанных сплавов формируется оксидная пленка Al₂O₃, которая характеризуется высокой температурой плавления, химической и термической стабильностью, низкой скоростью роста, а также высокой прочностью сцепления с основным металлом в процессе теплосмен, благодаря чему обеспечивается продолжительный срок службы деталей. Кроме того, установлено, что легирование хромоалюминиевых сплавов кремнием и титаном снижает интенсивность протекания процессов локальной высокотемпературной коррозии, диффузии кислорода и азота в подокалинные слои при нагреве, что существенно повышает их жаростойкость [1-3].

Для покрытий указанные принципы легирования также справедливы. Так, авторами установлено, что жаростойкость покрытий, нанесенных методом дуговой металлизации (ДМ) порошковых проволок (ПП) системы легирования Fe-Cr-Al-Si-Ti, возрастает в 5-6 раз [4]. Однако при ДМ происходит выгорание легирующих элементов и насыщение распыляемого металла газами из атмосферы в случае использования воздуха в качестве транспортирующего газа. Указанные недостатки приводят к снижению концентрации легирующих элементов и избыточному содержанию оксидов в покрытии, что снижает их жаростойкость.

Разноплановость и сложный характер взаимосвязи параметров, определяющих возможность получения качественных покрытий, делают целесообразным применение нейронных сетей [5]. Нейросетевое моделирование позволяет при минимальных затратах времени и средств, произвести согласование технологических параметров процесса ДМ и системы легирования ПП для нанесения жаростойких покрытий, на основе идентификации нелинейных зависимостей между указанными параметрами по имеющимся данным [6-8].

В статье рассмотрены возможности нейросетевого моделирования применительно к разработке ПП для ДМ жаростойких покрытий.

Методы исследования.

Для нейросетевого моделирования использовался программный пакет STATISTICA 6.1, позволяющий с помощью инструмента Intelligent Problem Solver производить обучение нейронных сетей различных типов и их сравнение, для выбора модели, наилучшим образом описывающей искомую зависимость. В качестве тестируемых моделей были выбраны нейронные сети следующих типов: линейная (Linear Neural Networks), радиальная базисная (Radial Basis Function Neural Networks - RBF), многослойный персептрон (Multilayer Perceptron Neural Networks - MLP), вероятностная (Probabilistic Neural Networks - PNN) и обобщенно-регрессионная (Generalized Regression Neural Network - GRNN).

Напыление образцов жаростойких покрытий выполнялось методом активированной дуговой металлизации (АДМ) порошковых проволок (ПП), с помощью аппарата АДМ-10 (Рис. 1). В отличие от типовой дуговой металлизации (ДМ) при АДМ в качестве транспортирующего газа используется не сжатый воздух, а продукты сгорания пропано-воздушной смеси. Это приводит к изменению исходных параметров газового потока в сравнении с ДМ: повышению скоростей в 3 раза и температур в 6 раз, снижению парциального давления кислорода в 3 раза [9]. Аппарат также применялся для ДМ при использовании только воздуха в качестве транспортирующего газа.

Рис. 1 - Аппарат активированной дуговой металлизации АДМ-10 в работе. Распыление стали.

Параметры напыления были следующими: сила тока 180 А; напряжение 30 В; дистанция напыления 100 мм; диаметр проволоки 1.6 мм; толщина покрытия 1 мм; давление транспортирующего газа: 0.6 МПа при ДМ (воздух); 0.34 и 0.32 МПа при АДМ (воздух и пропан соответственно).

План эксперимента был выполнен на основе изучения процессов движения, нагрева и поступления кислорода в капли металла при распылении ПП системы легирования Fe-25Cr-5Al методом ДМ и АДМ (Табл. 1).

Табл. 1 - План эксперимента

Независимые переменные		Min	Max
Диаметр капель di, мкм*		10	237.5
Дистанция напыления S, мм		0	100
Скорость капель Wp, м/с		0	200
Скорость газа Wg, м/с		0	1200
Температура капель Tp, K		1500	2500
Температура газа Tg, K		500	3000
Парциальное давление кислорода, МПа**		0.0048	0.021
Содержание легирующих элементов в проволоке, масс. %	Cr	11.5	25
	Al	2	5
	Si	0	1.2
	Ti	0	1.0
Зависимая переменная - Степень окисления капель фракции***, %

*Согласно результатам гранулометрического анализа

** Минимальное значение соответствует ДМ, Максимальное - АДМ

*** Степень окисления капель фракции выбрана в качестве зависимой переменной. Она определяется по массовой доле кислорода в капле [10]. Общее количество кислорода m_O, поступившего в каплю i - ой фракции, будет равно сумме кислорода, растворенного в жидком металле и находящегося в шлаке. Степень окисления капель в данной фракции (r_i) составит:

(1)

где m соответствует массе, а индексы O, Me, Sсоответствуют кислороду, металлу и шлаку соответственно.

Общая степень окисления R суммируется согласно распределению капель по массовой доле(dm_i):

(2)

Интервал изменения входных (независимых) переменных соответствует типовому процессу ДМ [11]. Входные переменные до построения нейросетевой модели были подвергнуты процедурам масштабирования и шкалирования средствами программного пакета STATISTICA 6.1.

Целью исследования было построение нейросетевой модели процесса поступления кислорода в капли металла при распылении ПП ДМ на основе исходных данных, которая по заданным значениям независимых переменных (Independent inputs) выдавала бы значение зависимой переменной (Dependent outputs) с точностью не менее 5%.

Обсуждение результатов.

Обучение сети производилось методом обратного распространения (Back pass of error). Для обучения все множество наблюдений было разбито на обучающее, контрольное и тестовое подмножества (Training, Selection, Test Set). На обучающем подмножестве происходило непосредственно обучение сети. На контрольном подмножестве оценивалась способности сети к обобщению данных, на которых она не обучалась (процедура Кросс - проверки (Cross-checking)). На тестовом подмножестве производилось сравнение альтернативных сетей.

Обученная нейронная сеть описана основными показателями - тип сети (Profile), производительность сети на обучающем, контрольном, тестовом подмножестве (Train, Select, Test Performance) и ошибка на соответствующих подмножествах (Train, Select, Test Error) (Табл. 2). Выбор наилучшей нейросетевой модели осуществлялся по критерию минимума ошибки на выходе сети и максимума её производительности.

Построенная нейронная сеть - четырехслойный персептрон (Multilayer Perceptron) с 12 и 8-ю нейронами на скрытом слое. На Рис. 2 показана иллюстрация выбранной сети (Network Illustration).

Табл. 2 - Характеристики нейронной сети

Profile	Train Performance	Select Performance	Test Performance	Train Error	Select Error	Test Error
MLP11:11- 12-8-1:1	0.045232	0.106566	0.080769	0.013308	0.026275	0.022141

Рис. 2 - Иллюстрация нейронной сети

Под производительностью сети в задаче регрессии понимается отношение стандартного отклонения ошибок сети к стандартному отклонению исходных данных (Standart Deviation SD - ratio). Для выбранной сети данное отношение существенно меньше еденицы, что говорит о высоком качестве регрессионной модели, причем разброс значений производительности на каждом из подмножеств минимален (Табл. 2). Ошибка сети также мала на всех трех подмножествах, что свидетельствует о высоком качестве работы сети при решении задачи регрессии.

Достижение цели исследования подтверждается описательными статистиками работы нейронной сети (Табл. 3). Значение средней ошибки (Error Mean) близко к нулю, а стандартное отклонение ошибки прогноза существенно меньше стандартного отклонения обучающих данных, таким образом сеть работает значительно лучше, чем простая оценка по среднему. Отношение стандартного отклонения ошибки прогноза к стандартному отклонению обучающих данных меньше единицы, следовательно, с помощью построенной нейронной сети удалось достичь погрешности прогноза менее 5% [12].

Табл. 3 - Описательные статистики работы нейронной сети

Построенная нейросетевая модель использовалась для оценки степени окисления капель металла при распылении порошковых проволок (ПП) методом дуговой металлизации (ДМ) и активированной дуговой металлизации (АДМ), а также содержания легирующих элементов в покрытии.

Степень окисления капель крайних фракций 10 мкм и 237,5 мкм, при АДМ ПП системы легирования типа Fe-25Cr-5Al ниже, чем при ДМ в 1,3-1,5 раза. При АДМ ПП системы легирования типа Fe-25Cr-5Al-Si-Ti степени окисления капель ниже, чем при ДМ в 1,4-1,7 раз (Рис. 3).

Рис. 3 - Степень окисления капель крайних фракций

при ДМ и АДМ различных ПП

Согласно нашим исследованиям, основное поступление кислорода при ДМ, 85-95 %, происходит в зоне горения дуги, что обусловлено высокими значениями коэффициента массопереноса в газе и металле и большой удельной поверхностью металла [13]. В случае использования в качестве транспортирующего газа при АДМ продуктов сгорания пропано-воздушной смеси достигается снижение парциального давления кислорода в зоне горения дуги в сравнении с ДМ в 3-4 раза, т.е. создается защитная атмосфера, препятствующая окислению капель.

На кривых характеризующих изменение степени окисления капель крайних фракций 10 мкм и 237,5 мкм по дистанции напыления отчетливо видны перегибы соответствующие различным зонам при ДМ: торцу электрода (5 мм), зоне горения дуги (10 мм), и полету капель по дистанции напыления. Различия в наклоне кривых после перегибов отражают различный характер взаимодействия расплавленного металла и шлака в соответствующих зонах, определяемый скоростью и температурой капель и газа, удельной поверхностью металла, коэффициентами массопереноса в газе и металле [13].

Снижение степени окисления капель при АДМ по сравнению с ДМ приводит к меньшему выгоранию легирующих элементов, таких как хром и алюминий, обуславливающих жаростойкость металлизационных покрытий.

При АДМ ПП системы легирования типа Fe-25Cr-5Al содержание легирующих элементов в покрытии выше по сравнению с ДМ в 1,8 раз как по хрому так и алюминию (Рис. 4). При АДМ ПП системы легирования типа Fe-25Cr-5Al-Si-Ti также удается сохранить на высоком уровне содержание таких легирующих элементов как кремний и титан, способствующих снижению интенсивности протекания процессов локальной высокотемпературной коррозии, диффузии кислорода и азота в подокалинные слои при нагреве покрытий, что обеспечивает повышение, в конечном счете, жаростойкости металлизационных покрытий [4]. Для капель фракции 10 мкм выгорание при АДМ кремния и титана составляет 10,4%, а капель фракции 237,5 мкм - 5,3% (Рис. 5).

Таким образом, данные нейросетевого моделирования помогли определить технологические параметры процесса ДМ и выбрать систему легирования ПП, что необходимо для получения металлизационного покрытия требуемого состава с учетом выгорания легирующих элементов.

Рис. 3 - Содержание хрома и алюминия в ДМ и АДМ-покрытиях

из ПП типа Fe-25Cr-5Al для капель крайних фракций

Рис. 4 - Содержание кремния и титана в ПП и АДМ-покрытиях

из ПП типа Fe-25Cr-5Al-Si-Ti для капель крайних фракций.

Согласно нашим исследованиям, при ДМ вклад капель фракций 27-75 мкм в поступление кислорода в 1,5-2,5 раза ниже, чем капель других размеров (Рис. 5) [13], что связано с соотношением удельной поверхности и скорости капель по дистанции напыления. Снижение поступления кислорода для капель фракций 27-75 мкм способствует получению покрытий высокого качества при ДМ, поэтому при разработке оборудования, проволок и технологии напыления необходимо стремиться к достижению сходного фракционного состава струи.

Рис. 5 - Вклад капель различных фракций dR в поступление кислорода, вклад капли i-фракции в поступление кислорода.

Нейросетевая модель использовалась для оптимизации отклика (Response Optimization) зависимой переменной (степень окисления r капель) с помощью модуля Добычи данных (Data Mining) симплекс методом, по критерию минимального окисления капель металла указанного фракционного состава. В качестве начального значения фракции распыляемых капель, при оптимизации симплекс методом, приняли 27,5 мкм, интервал изменения других независимых переменных соответствует приведенному в Табл. 1. По завершении оптимизации был получен график зависимости предсказаний нейросетевой модели от номера итерации, при котором была обеспечена сходимость к минимуму отклика (Рис. 6).

Согласно результатам симплекс-поиска степень окисления r капель принимает минимальное (оптимизированное) значение равное 1.8% при параметрах процесса АДМ и системе легирования ПП приведенных в Табл. 4.

Данный фракционный состав, скорость и температура газа и капель достижимы при использовании в качестве метода напыления жаростойких покрытий АДМ. Необходимая система легирования может быть реализована в виде ПП.

На основе указанных решений для повышения срока службы деталей энергетического оборудования, работающего в условиях газовой коррозии, разработаны ПП и технологии нанесения жаростойких покрытий АДМ.

Жаростойкость покрытий на порядок выше, чем у перлитных и мартенситно-ферритных сталей, типа 12Х1МФ и 1Х12В2МФ и одного уровня с аустенитными сталями, типа 1Х18Н12Т, используемыми в котлостроении [14].

Рис. 6 - График итераций

Табл. 4 - Результаты оптимизации

Параметр		Значение
Диаметр капель распыляемого метала di, мкм		49
Скорость капель в конце дистанции напыления, м/с		198
Температура капель на торце электрода, K		2489
Скорость газа в зоне горения дуги, м/с		1192
Температура газа в зоне горения дуги, К		2985
Система легирования ПП, масс. %	Cr	24.9
	Al	4.9
	Si	1.1
	Ti	0.88

Заключение

1. На основе нейросетевого моделирования процесса окисления капель металла при распылении порошковых (ПП) методом дуговой металлизации (ДМ) выполнено решение прямой задачи - прогноза состава покрытия с учетом выгорания легирующих элементов.

2. Разработана методика решения обратной задачи - определения необходимой системы легирования ПП и технологических параметров процесса ДМ по критерию минимального окисления капель металла при напылении.

3. Оптимизация на основе нейростевой модели по критерию минимального окисления капель металла при напылении позволила разработать систему легирования ПП типа Fe-25Cr-5Al-Si-Ti, определить фракционный состав, скорость и температуру капель и газа при ДМ, необходимые для получения качественных жаростойких покрытий.

4. Покрытия, нанесенные методом активированной дуговой металлизации (АДМ) из разработанных ПП, имеют жаростойкость на порядок выше, чем у перлитных и мартенситно-ферритных сталей, типа 12Х1МФ и 1Х12В2МФ и одного уровня с аустенитными сталями, типа 1Х18Н12Т.

Литература

1. J.R. Davis, ASM Specialty Handbook: Heat-Resistant Materials. ASM, USA, 1997. - 591 P.

2. Масленков С.Б Жаропрочные стали и сплавы. Справочное издание. - М.: Металлургия, 1983. - 192 с.

3. Жуков Л.Л. Сплавы для нагревателей. - М.: Металлургия, 1985. - 144 с.

4. Korobov Yu., Filipov M., Nevezhin S., Karabanalov М. High-Temperature Oxidation Behavior of Fe-25Cr-5Al Arc Spraying Coatings, Thermal Spray 2012, May 21-24, 2012, ASM International, 2012, pp. 729-733.

5. Simon H. Neural Networks - A Comprehensive Foundation - 2nd Ed., Pearson Education, Inc., USA, 2005. - 823 P.

6. E. Lugscheider, K. Seemann, Prediction of Plasma Sprayed Coating Properties by the use of Neural Networks, Thermal Spray 2004, (Osaka, Japan), ASM International, 2004, pp. 729-733.

7. Федосов В.В., Федосова А.В. Нейросетевая модель теплофизических взаимосвязей при нанесении дисперсных материалов - Упрочняющие технологии и покрытия. - №11, 2007 - С 41-46.

8. K. Hartz-Behrend et. al. Control of Wire Arc Spraying Using Artificial Neural Networks for the Production of Thin-Walled Moulds for Carbon Fiber Reinforced Plastics, Thermal Spray 2012, May 21-24, 2012, ASM International, 2012, pp. 436-440.

9. Коробов Ю.С. Эффективность применения активированной дуговой металлизации для нанесения защитных покрытий. Сварочное производство. - № 2, 2005 - С. 47-50.

10. Korobov Yu., Nevezhin S. Modeling of particle oxidation at Arc Spraying. Surface Modification Technologies XXV. Sweden: 2011, pp. 40-48

11. M. F. O. Schiefler Filhol et.al., Influence of process parameters on the quality of thermally sprayed X46Cr13 stainless steel coatings, J. Braz. Soc. Mech. Sci. & Eng., 26(1), 2004, pp. 98-106.

12. Боровиков В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных // 2-е изд. перераб. и доп. - М.: Горячая линия - Телеком, 2008. - 392 с.

13. Коробов Ю.С., Бороненков В.Н. Основы дуговой металлизации. Физико-химические закономерности. - Екатеринбург: Изд-во Урал. ун-та, 2012 - 268 с.

14. Коробов Ю.С., Невежин С.В., Филиппов М.А., Карабаналов М.С. Жаростойкие металлизационные покрытия для защиты оборудования переработки техногенных образований от высокотемпературной коррозии. Фундаментальные основы технологий переработки и утилизации техногенных отходов: труды Международного конгресса ТЕХНОГЕН - 2012. Екатеринбург: ООО «УИПЦ», 2012. С. 493-496.

Код для цитирования: Скопировать