文献

J-GLOBAL ID：202002265171181862   整理番号：20A1955900

熱間圧延プロセスにおける圧延力と温度予測のための数学的およびニューラルネットワーク定式化のハイブリッドモデル【JST・京大機械翻訳】

Hybrid Model of Mathematical and Neural Network Formulations for Rolling Force and Temperature Prediction in Hot Rolling Processes

著者 (4件)： Hwang Rakhoon (Department of Mathematics, Pohang University of Science and Technology, Pohang, South Korea) ,  Jo Hyeontae (Basic Science Research Institute, Pohang University of Science and Technology, Pohang, South Korea) ,  Kim Kyung Seok (Rolling Process Research Group, POSCO Technical Research Laboratories, Pohang, South Korea) ,  Hwang Hyung Ju (Department of Mathematics, Pohang University of Science and Technology, Pohang, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 153123-153133  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 製鋼は製造プロセスのいくつかの段階で正確な計算を必要とする。Steckelミルを用いた熱間圧延プロセス,鋼コイル製造における最終段階に焦点を当てた。圧延プロセスは,スラブが2つのロール間を通過し,ターゲット厚さに達するために引き伸ばされる一種の塑性加工である。圧延プロセス後の正確な厚さを持つコイルを得るためには,正確な圧延力を予め決定する必要がある。最初に,実際のプラントでインラインに使用できる圧延力を計算するための機械学習モデルを導入した。しかし,圧延力の直接計算は,モデル出力がプロセスに直接影響するので,安定性問題を引き起こす可能性がある。このような問題を避けるために,熱間圧延の古典的機械的モデルの逆計算によるコイルの特別な温度を決定し,モデル出力値として設定した。学習モデルとして,深層ニューラルネットワーク(DNN)と勾配ブースティングベースのディシジョンツリーモデルを用いた。収集したプロセス履歴データを前処理し,古典的モデルで使用される物理的変数を作成してモデル入力に人工特徴を加えた。さらに,DNNのブラックボックス特性を補うために,特徴重要性をディシジョンツリーモデルから分析し,プロセスにおける各特徴の利用と解釈を提示した。このように,著者らの方法は古典的数学モデルと深いニューラルネットワークモデルの両方を利用する。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  鋼 ,  製鋼 ,  *熱間圧延 ,  数学モデル ,  *ニューラルネットワーク ,  ブラックボックス ,  力学モデル ,  ディシジョンツリー ,  *圧延荷重 ,  *定式化 ,  生産工程 ,  機械学習
準シソーラス用語： 神経回路網モデル ,  *ハイブリッドモデル , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 熱間圧延プロセス ,  圧延力 ,  温度予測 ,  数学 ,  ニューラルネットワーク ,  定式化 ,  ハイブリッドモデル