2 - Archives of Foundry Engineering
Transkrypt
2 - Archives of Foundry Engineering
ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 19 Archives of Foundry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 7/19 OCENA MOŻLIWOŚCI WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W SYNTEZIE SILUMINÓW E. CZEKAJ1 , J. KROKOSZ2 , R. SAŁAT3 Instytut Odlewnictwa w Krakowie, ul. Zakopiańska 73, 30-418 Kraków 3 SGGW, Katedra Podstaw Inżynierii, ul. Nowoursynows ka 166, 02-787 Warszawa 1, 2 STRESZCZENIE W artykule dokonano porównania wyników klasycznego matematycznego modelowania i optymalizacji uzyskanych w trakcie syntezy bezniklowych siluminów tłokowych [1], z rezultatami przetwarzania tych samych danych eksperymentalnych przy wykorzystaniu metodologii sztucznych sieci neuronowych (ang. artificial neural networks) [2]. Prezentowany materiał stanowi fragment szerszego opracowania realizowanego w 2005 roku w Instytucie Odlewnictwa w Krakowie – w ramach działalności statutowej, na zlecenie (nr 4041/00) Ministerstwa Edukacji i Nauki – pod tytułem: „Wykorzystanie sieci neuronowej do analizy parametrów technologicznych i konstrukcyjnych o dlewów” [2]. Key words: artificial neural net-works, alloy design, silumin _________________________ dr inż., [email protected] mgr inż., [email protected] 3 dr inż., [email protected] 1 2 55 1. WPROWADZENIE Od wieków (tj. od ok. 5…7 tys. lat p.n.e.) ludzkość korzystała ze znajd owanych przypadkowo metali w postaci rodzimej (początkowo były to: Au, Ag, Cu), a p otem rud metali (na przykład brązów – stopów miedzi wzbogacanych naturalnie przez Sn, Zn, As i inne pierwiastki). Rozwój alchemii w średniowieczu, a zatem chemii od XVII w. przyczynił się do coraz powszechniejszego stosowania przez człowieka n owych, sztuczni (syntetycznie) komponowanych tworzyw metalowych metodą „prób i błędów” (ang. „trial and error”). Zgromadzony przez setki lat materiał badawczy oraz zdobyte doświadczenie pozwoliły w drugiej połowie XX wieku na dokonanie uogó lnień, i na tej podstawie opracowanie naukowego podejścia do projektowania (ko nstruowania, ang. alloy design) stopów. Ważnym wydarzeniem w tej dziedzinie było zaproponowanie na początku lat 70 XX w. - przez rosyjskiego uczonego, metaloznawcę i odlewnika prof. B.B. Gulayeva z St. Petersburga - podstaw tzw. syntezy stopów [3]. Rozwijana przez prof. B.B. Gulayeva wraz ze współpracownikami metodologia syntezy stopów [4-6] znalazła też swoich zwolenników za granicą; w Polsce prace w tym zakresie były prowadzone oraz upowszechniane m.in. przez naukowców Instytutu Odlewnictwa w Krakowie [7-9]. Istota syntezy stopów, opisana w pracach [3-9], sprowadza się głównie do sposobu wyboru składników stopowych – podstawowych i wspomagających dodatków stopowych, zanieczyszczeń, modyfikatorów), itd. – na podstawie rozpatrzenia pewnych wielkości kryterialnych wynikających z wykresów równowagowych dla układów osnowa metalowa – składnik stopowy oraz analizy ekonomicznej (cenowej). Zaproponowany przez B.B. Gulayeva system selekcji stanowi tak naprawdę pierwszy etap opracowywania stopów – analizę fizyko-chemiczną i techniczno-ekonomiczną, której efektem jest pewien wyselekcjonowany podzbiór pierwiastków układu okresowego. Po dstawą poszukiwania nowych rozwiązań stopów pozostaje jednak w syntezie, podobnie jak w metodzie „prób i błędów”, eksperyment [4]; jednak eksperyment nie przypadkowy, tylko zazwyczaj planowany – tj. tak skonstruowany, aby zapewnić uzyskanie maksimum informacji przy możliwie najniższych nakładach finansowych na badania. Ważne etapy syntezy, dotyczące określenia pożądanych zakresów stężeń dla wybranych d odatków stopowych następuje w procesach matematycznego modelowania i optymalizacji. Dlatego też wierniej – zdaniem autorów niniejszej publikacji – cały proces tworzenia stopów należałoby nazwać analizą i syntezą stopów. Słabą stroną syntezy stopów, na obecnym etapie, jest niedostateczne sformalizowanie procedur matematycznego modelowania i optymalizacji. Problemy związane z tym etapem opracowywania stopów scharakteryzowano w roz. 2. Niezależnie od o dnotowywanych trudności, doświadczenie autorów [1,10,11] w zakresie ulepszania i projektowania nowych siluminów typu tłokowego pokazuje, iż procedura syntezy na dzień dzisiejszy nieźle spełnia swoje zadania. 56 ARCHIWUM ODLEWNICTWA W Europie Zachodniej, USA oraz Japonii do procesów projektowania nowych stopów metalowych wprzęgane są na szeroką skalę obliczeniowe (przy wykorzystaniu techniki informatycznej) metody z zakresu termodynamiki, kinet yki procesowej oraz systemów ekspertowych. Niedawno grupa japońskich badaczy pod przewodnictwem Takashi Saito – z Toyota Central Research and Development Laboratories, Inc. Nagakute Aichi – na przykładzie opracowania wysokoplastycznego stopu tytanowego wy sunęła przypuszczenie (o czym donosił Science z 18 kwietnia 2003 r.), że już w niedalekiej przyszłości możliwe będzie opracowywanie stopów metalowych o zadanych właściwościach jed ynie na bazie obliczeń wykonywanych przez komputer. Chociaż taka perspektywa wydaje się mało prawdopodobna, czemu wyraz dają m.in. amerykańscy eksperci [12], to nie ulega jednak żadnej wątpliwości fakt, że udział i pomoc metod informatycznych w procesach opracowywania nowych tworzyw będzie nieprzerwanie wzrastać. Na przykład nowe możliwości w tej materii powstały od momentu powszechnego wdrażania do b adań i techniki modeli sztucznych sieci neuronowych, jako rezultat prac prowadzonych w zakresie sztucznej inteligencji [13, 26]. Sieci neuronowe są bardzo dobrym narzędziem dla licznych zastosowań – jak się wydaje także w metalurgii i inżynierii materiałowej [14]. Oprócz zadań identyfikacji, lokalizacji i prognozowania sieci neuronowe używane są coraz szerzej do zadań modelowania, sterowania i optymalizacji [15,16]. Praktyczne wykorzystanie sieci neuronowych pozwala dokonywać modelowania i optymalizacji złożonych zjawisk i obie któw bez budowania modeli matematycznych, czy wykonywania skomplikowanych procedur obliczeniowych [2]. Aktualne wykorzystanie „sieci neuronowych” w odlewnictwie - tak krajowym, jak i zagranicą – jest stosunkowo niewielkie. Autorom niniejszej publikacji wiadomo, że w Polsce pionierskie prace w tym zakresie prowadzone są od pewnego czasu na Politechnice Warszawskiej pod kierunkiem prof. M. Perzyka [17,18] oraz na AGH in. St. Staszica w Krakowie z udziałem prof. R. Wrony [31]. W 2004 roku pojawiła się też pierwsza publikacja, dotycząca wykorzystania sieci neuronowej, w Instytucie Odle wnictwa w Krakowie we współpracy z SGGW w Warszawie [32]. Mając na uwadze zasygnalizowane wyżej oraz szczegółowiej odnotowane w roz. 2 problemy klasycznego matematycznego modelowania i optymalizacji, autorzy niniejszej publikacji postanowili sprawdzić na ile rozwiązania otrzymane przy wykorzystaniu metodologii sztucznych sieci neuronowych s ą zbieżne z wynikami uzyskanymi w trakcie syntezy bezniklowych siluminów tłokowych – stosując tradycyjne metody badawcze [1]. 57 2. SPOSOBY I WYNIKI KLASYCZNEGO MATEMATYCZNEGO MODELOWANIA ORAZ OPTYMALIZACJ I W pracy [1], na podstawie rozeznania literaturowego oraz własnego doświadczenia, autorzy wytypowali pięć pierwiastków jako pożądane dodatki stopowe i/lub zanieczyszczenia stanowiące podstawę do opracowania nowych bezniklowych siluminów stopowych typu tłokowego. Pierwiastkami tymi – oprócz aluminium, jako osnową – były: Si, Cu, Mg, Mn i Fe. Badania doświadczalne prowadzono z wykorzystaniem metod matematycznego planowania doświadczeń. Do badań wyt ypowano plan Hartley’a PS/DS-P: Ha5 [1,19]. Realizacja planu doświadczeń wymagała wykonania w sumie 25 wytopów doświadczalnych. Wartości stężeń poszczególnych pierwiastków – zgodnie z planem eksperymentu, na dolnym, środkowym i górnym poziomie – wynosiły odpowiednio (w % mas.): Si - 8,5/10,5/12,5; Cu - 1,5/ 2,5 /3,5 ; Mg -0,5/1,0/1,5; Mn – 0,3/0,6/0,9; Fe – 0,3/0,7/1,1. Dodatkowo wykonano wytopy dwóch typowych siluminów tłokowych z niklem typu eutektycznego (nr 26 i 27), różniących się zasadniczo zawartością miedzi - odpowiednio: ok. 1 i 2 % mas.; stężenia pozostałych pierwiastków jak w stopie typu AK12 (wg nieaktualnych już oznaczeń). Warto w tym miejscu zauważyć, że realizacja badań zgodnie z wybranym planem eksperymentów nakłada na eksperymentatora szczególne wymagania względem potrzeby precyzyjnego „wstrzelenia się” w wybrane poziomy stężeń dla poszczegó lnych dodatków stopowych; w przypadku wieloskładnikowych stopów nie jest to zad anie łatwe. Tego typu problemy nie występują przy zastosowaniu techniki sieci neuronowej. Wyjściowymi parametrami mierzonymi w procesie syntezy były [1]: a) dług o0 C trwała 1 h twardość na gorąco HB10350/ 250 w temperaturze 350 0 C - jako przyśpieszony / 1h wskaźnik wytrzymałości na pełzanie; b) doraźna wytrzymałość na rozciąganie Rm 0 w MPa, w temperaturze otoczenia; c) plastyczność A5350 C % w podwyższonej 350 0 C temperaturze, jako pośrednia charakterystyka odporności stopu na powstawanie pęknięć w warunkach cyklicznych obciążeń cieplnych [20]; d) twardość HB - jako ogólnie wymagany wskaźnik jakości tworzywa tłokowego przez normy materiałowe i konstrukcy jC ... 300 C ne; e) techniczny 20 i 300 K-1 fizyczny liniowy współczynnik rozszerzalności fiz . techn . 0 0 cieplnej K-1 - jako parametr średnich (w zakresie temperatury) i chwilowych odwracal500 0 C nych zmian wymiarowych; f) trwałe względne odkształcenie (V / V0 )100 % w warunh kach wygrzewania w temperaturze 500 0 C przez 100 h - jako charakterystyka nieodwracalnych zmian wymiarowych. Na wstępnym etapie opracowywania wyników badań eksperymentalnych – w układzie klasycznym – istnieje potrzeba budowy adekwatnych modeli matematycznych (najczęściej typu wielomianowych równań regresji pierwszego, drugiego i wy ższych stopni), które w przypadku szerokich zakresów stężeń badanych dodatków są st osunkowo złożone (co związane jest z efektami interakcji, współczynnikami drugiego 58 ARCHIWUM ODLEWNICTWA i wyższych stopni). W pracy [1] wybrany został nieliniowy model matematyczny zale żności wielkości wyjściowej Y (fizyko-mechaniczne wyżej zdefiniowanych) od wielkości wejściowych X1 (Si), X2 (Cu), X3 (Mg), X4 (Mn) i X5 (Fe) w ogólnej postaci (1): Y B0 B1 X1 B2 X 2 ... B5 X 5 B12 X1 X 2 B13 X1 X 3 ... B45 X 4 X 5 B12345X1 X 2 X 3 X 4 X 5 (1) B11X B22 X ... B55 X , gdzie: B0 – wyraz wolny; B1 , B2 , ..., B5 – współczynniki przy czynnikach liniowych; 2 1 2 2 2 5 B12 , B13 , ..., B45 – współczynniki przy podwójnych efektach; B11 , B22 , ..., B55 – współczynniki przy efektach drugiego stopnia; B12345 – współczynnik przy prostej multiplikacji wszystkich czynników wejściowych; X1 , X2 , … X5 – to tzw. kodowane wartości badanych wielkości wejściowych. Powyższy model jest wielomianem drugiego stopnia uzupełnionym o współczynnik X1 X2 X3 X4 X5 , na wprowadzenie którego pozwalała dostępna liczba swobody. Autorzy [1] stwierdzili, że wprowadzenie tego typu współczynnika znacznie poprawia stopień dopasowania niektórych zależności wielkości wyjściowych Y od wielkości wejściowych (X1 , X2 , ... ,X5 ). W rozpatrywanym przypadku model w postaci (1) zawiera 21 członów; ma więc stosunkowo złożoną matematycznie postać. Realnie, po odrzuceniu nieistotnych współczynników, stopień skomplikowania modelu (1) był nieco mnie jszy. Statystyczną obróbkę eksperymentalnych danych, w celu identyfikacji parametrów (współczynników) modelu (2), wykonywano przy zastosowaniu pakietu „regresja wielokrotna” programu STATISTICA PL® [21,22]. Istnieją poważne problemy w zakresie odpowiedniej interpretacji stos unkowo skomplikowanych modeli matematycznych typu (1). Wyjściem z sytuacji jest na przykład wykorzystanie tzw. quasi-jednoczynnikowych modeli (a w ślad za tym wykresów) [1,10,11]; mają one jednak względny charakter – tj. ich przebieg zależy od poziomu („umocowania”, wartości) pozostałych wejściowych czynników bad anych. Optymalizacja realnych obiektów czy procesów technicznych w wielowymiarowej przestrzeni względem kilku lub kilkunastu kontrolowanych parametrów (wariant tzw. wieloparametrycznej czy wielokryterialnej optymalizacji) nie jest również obecnie do końca sformalizowana z matematycznego punktu widzenia i ma zazwyczaj charakter umowny. Umowny w tym rozumieniu, iż to które z kryteriów będzie funkcją c elu, a które będą stanowić ograniczenia decyduje – w zasadzie subiektywnie – badacz. Z drugiej strony, złożone sytuacje optymalizacyjne, kiedy modele matematyczne mają nieliniowy charakter, trudne są do analitycznego rozwiązania. W takich sytuacjach szczególnie przydatne są metody optymalizacji dyskretnej (numerycznej), z wykorzystaniem techniki komputerowej. 59 Zadanie optymalizacji stopu, ze względu na kontrolowane wyjściowe parametry pod ane wyżej, w ogólnym matematycznym ujęciu przedstawiono w następując sposób [1,2] (2): 0 C MAX HB10350/ 250 / 1h Rm A5350 C HB 0 A5350 C (gr.) HB (gr.) 20... 300 C (gr.) tech . 20... 3000C tech . Rm (gr.) 0 C (gr.) 300 fiz . 3000C fiz . 0 500 C (V / V0 )100 h (2) 0 0 0 500 C (gr.) (V / V0 )100 h 500 C Dodatkowo kontrolowano także trwałe zmiany długości (l / l 0 )100 , co znalazło odbicie h 0 w programie komputerowym procedury optymalizacyjnej. Procedurę (2) nie n ależy traktować jako jedyną; można bowiem formułować inne warunki, w postaci doboru innej funkcji celu czy innych funkcji ograniczających. Formułowane zadanie optymalizacyjne w postaci (2) wymagało, przy praktycznej jego realizacji, określenia granicznych wartości na wielkości wyjściowe (tabela 1). Tabela 1. Graniczne (progowe) – minimalne lub maksymalne – wartości nakładane na wyjściowe parametry [1] Table 1. Boundary (threshold) - minimum or maximum - values overlayed on output parameters [1] P A R A M ETR Y Lp. 3500 C 10 / 250/ 1h HB (gr.) 3500C 5 Rm (gr.) A (gr.) O P TY M A L I Z A C J I 20... 300 C 300 C 500 C HB (gr.) tech . (gr.) fiz . (gr.) (V / V0 )100h (gr.) 0 0 0 1. 12,7 208,9 5,41 95 21,0 24,0 0,1417 2. 11,9 205,5 6,78 92 21,3 23,8 0,6080 3. - 200,0 - 95 (90) 21,0 - 0,5284 4. 12,0 205,0 6,50 95,0 21,0 24,0 0,2000 Uwaga ! W wierszu 1. i 2. podano wartości parametrów optymalizacji, uzyskane na drodze eksperymentalnej, odpowiednio dla wzorcowych stopów z niklem: Nr 26 i Nr 27 [ ]. W wierszu 3. podano standardowe literaturowe dane dotyczące stopu typu AK12. Wiersz 4. wybrane graniczne (progowe) wartości do optymalizacji zgodnie z (2) badanych charakterystyk. 60 ARCHIWUM ODLEWNICTWA Numeryczne rozwiązywania zadania wieloparametrycznej (wielokryterialnej) syntezy stopów tłokowych przeprowadzane były na bazie metody pełnego przeszukiwania (metody siatek, rys. 1) [23, 24]. W metodzie pełnego przeszukiwania badana przestrzeń, dla wejściowych czynników niezależnych Xi (-1 Xi +1), podzielona została przez pewną siatkę, w ogólnym przypadku nierównomierną. W punktach węzłowych tak powstałej wielowymiarowej siatki dokonywano sprawd zania wypełniania warunków (2), z następującym wyborem rozwiązania optymalnego - odpowiadającego 0 C wybranej funkcji celu Y1 (w danym przypadku HB10350/ 250 ). / 1h Rys. 1. Schemat strukturalny algorytmu optymalizacji stopu tłokowego metodą siatek [1, 23, 24] Fig. 1. Schematic diagram of an algorithm for optimization of piston alloy by the method of grids [1, 23, 24] 61 Program zadania optymalizacyjnego, odpowiadającego powyższemu algory tmowi, został napisany w języku programowania QuickBASIC [1,11]. Zakres komputerowego poszukiwania optymalnych rozwiązań ograniczono [1] do dwóch obszarów związanych z zawartością krzemu (w % mas. Si): a) 8,5 10,5; b) 10,5 12,5, jednocześnie przy różnej zawartości żelaza (w obszar zainteresowania aut orów pracy [1] wchodziły również bezniklowe siluminy stopowe z podwyższonym st ężeniem Fe – jako odpowiedniki stopów na bazie surowców wtórnych). Końcowe wyniki optymalizacji, zgodnie z algorytmem z rys. 1, dla bezniklowych siluminów stopowych pokazuje poniższa tabela 2. Tabela 2.Zakresy i średnie wartości podstawowych dodatków stopowych i właściwości bezniklowych siluminów tłokowych uzyskane na drodze przeprowadzenia procedur klasycznej optymalizacyjnych [1] Table 2. Ranges and mean values of the main alloying elements and of the properties of nickelfree piston silumins obtained by standard optimizing procedures [1] 62 ARCHIWUM ODLEWNICTWA 3. METODYKA SZTUCZNYCH WANIE SAMMONA SIECI NEURONOWYCH – ODWZORO- Sztuczne sieci neuronowe powstały na bazie wiedzy o działaniu systemu ne rwowego istot żywych i stanowią próbę wykorzystania zjawisk zachodzących w systemach nerwowych przy rozwiązywaniu zagadnień technologicznych [25]. St anowią one w pewnym zakresie naśladownictwo działania ludzkiego umysłu [26]. Do rozwiązywania rzeczywistych problemów najbardziej przydatne są proste sztuczne sieci neuronowe o warstwowej strukturze jednokierunkowej (ang. feedforward), jak to pokazano na rys. 2 [26]. warstwa neuronów wejściowych warstwa neuronów ukrytych warstwa neuronów wyjściowych Rys.2. Ogólny schemat warstwowej struktury sztucznej sieci neuronowej [26] Fig. 2. General schematic representation of multi-layer structure of an artificial neural network [26] Zasadniczo istnieją dwa rodzaje algorytmów stosowanych do uczenia sieci neuron owych: 1) uczenie z nauczycielem i 2) uczenie bez nauczyciela [13-17;25-27]. Częściej stosowany jest pierwszy sposób uczenia. W rozpatrywanym w pracy [2] przypadku wykorzystywano drugi ich rodzaj, z grupy samooragnizujacych się sieci typu Kohonena [25, 27]. W szczególności zastosowano ideę odwzorowania Sammona, bardzo przydatnego do rozwiązywania problemu graficznego przekształcenia wielowymiarowych przestrzeni w obrazy 1., 2., lub 3. wymiarowe czytelne dla użytkownika [25]. Ważne jest przy tym, aby przekształcone obrazy przestrzeni o małych wymiarach zachowywały podstawowe cechy rozkładu z przestrzeni wielowymiarowej. Matematyczną bazą opisu odwzorowań przy użyciu sieci neuronowych jest współczesna algebra i abstrakcyjne przestrzenie, geometria analityczna, rachunek macierzowy, a także teoria przekształceń (operatorów, odwzorowań) przestrzeni wektorowych [28,29]. 63 Odwzorowaniem (przekształceniem) nazywa się zbiór reguł lub zależności stawiających każdemu k- punktowi (wektorowi) z N–wymiarowej przestrzeni C o współrzędnych xk1 , xk2 , …, xkN (z bazą B: = {b 1 , b 2 , … , b N}) w odpowiedniość nowy zestaw współrzędnych yk1 , yk2 , …, ykM (z bazą B’: = {b’1 , b’2 , … , b’M }) w przestrzeni C ' M–wymiarowej. Matematyczny zapis dla ogólnego (nieliniowego) przypadku odwzorowania przestrzeni N–wymiarowej w euklidesową (numeryczną) przestrzeń trójwymiarową (M = 3) będzie mieć postać (3) [29]: y 1k f 1k ( x 1k , x 2 k , ..., x Nk ) y 2 k f 2 k ( x 1k , x 2 k , ..., x Nk ) , (3) y 3 k f 3 k ( x 1k , x 2 k , ..., x Nk ) lub zapisie wektorowym (4): y fk (x ) . k (4) k gdzie: k = 1, 2, …, n (liczba wektorów lub tzw. liczba przypadków); N i /lub M - nazywamy wymiarowością przestrzeni. Zadanie odwzorowania nieliniowego Sammona polega na takim doborze wekt ora yk, aby zminimalizować funkcję błędu E zdefiniowaną w postaci (5) [25, 27]: * 2 M n 1 n d ij d ij * d y y , przy czym , , (5) c d d* ij ik jk ij c ij k 1 i j ij gdzie: d * ij = d (x i , x j ) – odległości pomiędzy poszczególnymi wejściowymi wektorami x i i x j (i j) w przestrzeni N-wymiarowej; d ij = d (yi , yj ) – odległości pomiędzy wektorami yi i yj (i j) w euklidesowej przestrzeni M-wymiarowej (M = 2 lub 3); yi k – oznacza k-tą składową wektora yi (k = 1 - odwzorowanie na prostą; k = 1, 2 - dla odwzorowania na płaszczyznę oraz k = 1, 2 i 3 - przy odwzorowaniu na przestrzeń trójwymiarową). W minimalizacji funkcji E błędu Sammon zastosował metodę optymalizacji Newtona uproszczoną do postaci (6) [25,27]: E y jk (t 1) y jk (t ) jk (t ) , w której E / y jk / 2 E / 2 y jk , (6) gdzie: t – to numer kolejnego kroku iteracyjnego, a - tzw. współczynnik uczenia wybierany najczęściej do obliczeń z przedziału liczbowego [0.3; 0,4]. W ogólnym przypadku odwzorowanie należy rozpocząć od liniowej przestrzeni wy jściowej C ' . Jeżeli podczas minimalizacji funkcji błędu E nie można zejść poniżej pewniej zakładanej maksymalnej wartości przy rozmiarze M = 1, obliczenia należy powtórzyć dla M = 2, 3, itd.; wówczas jednak każdy wyjściowy wektor sieci Kohonena będzie miał skojarzony ze sobą wektor M-wymiarowy, a nie pojedynczą wartość (punkt) [27]. 64 ARCHIWUM ODLEWNICTWA Pomiędzy przestrzennymi a płaskimi wynikami odwzorowań istnieje zależność wynikająca z przyjętej perspektywy. Perspektywa jest najczęściej używanym i najbardziej naturalnym dla człowieka sposobem odwzorowania przestrzeni na powierzchnię. Jeżeli dane są współrzędne punktu (x3D, y3D, z3D) w trójwymiarowym układzie prostokątnym, to łatwo można obliczyć współrzędne (x2D, y2D) jego rzutu perspektywicznego na płaszczyznę korzystając ze wzorów (7) [30]: x2 D x3 D , z3D y2D y3D z3D (7) W praktycznych odwzorowaniach dotyczących sztucznych sieci neuronowych pewne klasy obiektów (na przykład grupy czy klasy stopów metalicznych) będą miały rzeczywiste (mechaniczne, czy fizyko-chemiczne) miary współrzędnych, po przekształceniach zaś - abstrakcyjne (czysto liczbowe). Tak więc nie mamy tutaj do czynienia z przestrzeniami izomorficznymi; dwie skończone wymiarowo przestrzenie liniowe są bowiem izomorficzne wtedy i tylko wtedy, gdy ich wymiary są równe [29]. W rozpatrywanym w pracy [2] przypadku zachodziła potrzeba zrzutowania n = 27 wektorów wejściowych {dotyczących 25 doświadczalnych bezn iklowych stopów wykonanych zgodnie z planem eksperymentu + 2. stopów (Nr 26 i 27) z niklem (jako 0 wzorce)} z przestrzeni 8.-wymiarowej (8. badanych własności: HB10350/ 250C / 1h , Rm , A5350 C , 0 C 500 C 500 C 20... 300 C (l / l 0 ) 100 HB, tech , 300 , (V / V0 )100 - tabela 3) na euklidesową przestrzeń fiz . h , h . 0 0 0 0 trójwymiarową (M =3). W tabeli 3 wyróżniono bezniklowe siluminy w zależności od o zawartości w nich krzemu (w % mas.): ~8,5 Si – stopy Nr 1, 3, …, 13; ~10,5 Si stopy Nr 15,16, …25 i ~12,5 Si Nr 2, 4, …, 14. Dwa ostatnie wiersze dotyczą wzorców Nr 26 i 27. Tabela 3 tworzy n x N wymiarową macierz skalarnych współczynników wektorów wejściowych xk (o fizyko-mechanicznych miarach). Odpowiednio zdefiniowano też M = 3 wyjściowych numerycznych wektorów yk w przestrzeni 3-wymiarowej o euklidesowej metryce tworzących kolumnowa macierz rozmiaru n x 3. Wyjściowe dane do projektowania sztucznych sieci neuronowych typu Koh onena, w rozpatrywanym w niniejszej publikacji praktycznym przypadku, zostały wstępnie zestawione w arkuszu kalkulacyjnym standardowego oprogramowania Microsoft EXCEL (w układzie pokazanym w powyższej tablicy 3). Poszczególne wiersze tablicy 3 stanowią skalarne wielkości wektorów wejściowych x k sieci, które dla N = 27 przypadków (stopów) tworzyły w sumie macierz rozmiaru 8 x 27. Za pomocą funkcji xlsread, dane z arkusza kalkulacyjnego były przenoszone do postaci macierzy zrozumiałe dla programu MATLAB [33]. Właśnie w pakiecie MATLAB, matematycznego wspomagania badań, dokonywane były obliczenia sieci, wykorzystując w tym celu funkcję oprogramowania oznaczaną jak (8): xyz = sammon(a) , (8) gdzie: xyz – to symboliczne oznaczenie macierzy wyjściowych wektorów w przestrzeni trójwymiarowej; a – macierz opisująca badane stopy (odpowiadająca danym tabeli 1). 65 Tabela 3. Fizyko-mechaniczne własności doświadczalnych bezniklowych siluminów zgodnie z planem doświadczeń (stopy Nr 1 ÷ 25) oraz wzorców odniesienia (stopów typu AK12 z niklem - Nr 26 i Nr 27) [2] Table 3. Physico-mechanical properties of nickel-free silumins examined according to the plan of experiments (alloys nos. 1 - 25) and of reference standard alloys (nickel-containing AK12-type alloys - nos. 26 and 27) [2] Wynikiem obliczeń - związanych z odwzorowaniem Sammona – był plik w programu MATLAB, stanowiący ciąg trójek liczb dla N = 27 przypadków (stopów), odpowiadających skalarnym składowym wektorów wyjściowych w przestrzeni Kart ezjusza X, Y, Z [2]. W odniesieniu do powyżej stosowanych oznaczeń otrzymano wyjściową macierz, rozmiaru 3 x 27, o następujących symbolicznych wartości liczbowych (9): 66 ARCHIWUM ODLEWNICTWA Nr stopu 1. 2. … k .… n = 27 oś X x1 = y11 x2 = y12 … xk = y1k … xn = y1n oś Y y1 = y21 y2 = y22 … yk = y2k … yn = y2n oś Z z1 = y31 z2 = y32 … zk = y3k … zn = y3n (9) Graficzną prezentację postanowiono przeprowadzić w jednym z programów typu CAD-owskiego, w szczególności w AutoCAD-dzie. Wymagało to opracowania autorskiego – sposobu przetwarzania zapisu liczbowych danych programu MATLAB do postaci plików scriptowych o rozszerzeniu *scr. Jednocześnie, wykorzystanie programu graficznego AutoCAD pozwoliło na łatwe dokonywanie pomiaru odległości pomiędzy poszczególnymi obiektami (stopami) w przes trzeni X, Y, Z. 4. WYNIKI SYNTEZY BEZNIKLOWYCH SILUMINÓW TYPU WEGO PRZY ZASTOSOWANIU SIECI NEURONOWYCH TŁOKO- Wyniki rzeczywistego odwzorowanie danych wielowymiarowej matrycy (t ablicy 3) na przestrzeń trójwymiarową M = 3, zgodnie z metodyką opisaną wyżej, pokazane zostało na poniższym rys. 3. Rys. 3. Fragment rozmieszczenia bezniklowych stopów doświadczalnych tabeli 3 w przestrzeni trójwymiarowej w pobliżu wzorców [2] Fig. 3. Fragment of distribution of nickel-free test alloys from Table 3 in 3D space near the reference samples [2] 67 Kryterium oceny poszczególnych bezniklowych siluminów była minimalna odległość od wzorca. W celu jednoznaczności odniesień co do odległości, utworzono jeden wzorzec wypadkowy o współrzędnych wynikających ze średniej arytmetyczn ej odległości pomiędzy wzorcami pośrednimi (stopami Nr 26 i Nr 27) - o największej średnicy (rys. 3). Wynika z tego, że im bliżej odległościowo bezniklowy stop (wśród stopów Nr 1 ÷ 25 tablicy 3) będzie od wzorca wypadkowego, tym lepszy będzie jego kompleks właściwości – bliski analogicznemu zestawowi charakterystyk dla standardowych tłokowych siluminów z niklem. Z rys. 3 wynika, że współrzędne dwóch standartowych stopów z niklem typu AK12 leżą blisko siebie(wzorców); potwierdza to – chociażby częściowo – słuszność poczynionych założeń badawczych. Ogólnie należy stwierdzić, iż wzorce mogą być rzeczywiste – jak w rozpatrywanym przypadku (dane określone eksperymentalnie), jak też w postaci życzeniowej (czysto liczbowej) – na przykład określonej a priori przez projektanta (stopu). Z wykresu rys. 3 wynika , że najbliżej wzorców (oraz wzorca wypadkowego) znajdują się bezniklowe siluminy stopowe o zawartości ~ 8,5 % mas. Si, a zatem stopy o koncentracji ~ 10,5 % mas. krzemu. Dotychczas właśnie tego typu bezniklowe siluminy stopowe znajdowały zastosowanie w produkcji tłoków. Bezniklowe siluminy tłokowe typu eutektycznego (~12,5 % mas.) wymagały dopracowania, co było przedmiotem badań autorów pracy [1]; żaden z eksperymentalnych stopów Nr 1 25 nie odpowiadał co do składu chemicznego nowym bezniklowym siluminom tłokowym zsyntet yzowanych klasycznie (tabela 2). Za rozwiązania optymalne procedury wykorzystującej modele sztucznych sieci neuronowych przyjęto umownie - zgodnie z propozycją autorów niniejszej publikacji stopy, których skład chemiczny odpowiadał średniej arytmetycznej stężeń poszczegó lnych pierwiastków dla trzech najbliższych wzorcowi wypadkowemu stopom z danej grupy: 8,5; 10,5 i 12,5 % mas. Si. Wyniki przeprowadzanych obliczeń oraz wykres przedstawiono na rys. 4. 68 ARCHIWUM ODLEWNICTWA Optymalne zawartości dodatkówstopowych uzyskane metodą sztucznych sieci neuronowych, Zawartość Cu, Mg, Mn i Fe, w [% mas.] 3,5 Cu Mg Mn Fe 3,0 2,5 2,0 1,5 1,0 0,5 0,0 8,0 9,0 10,0 11,0 12,0 13,0 Zawartość krzemu, w [% mas.] Rys. 4. Wyniki optymalizacji stopów przy wykorzystaniu metody sztucznych sieci neuronowych [2] Fig. 4. Results of alloy optimization done by the method of artificial neural networks [2] Z porównania wyników opracowania danych eksperymentalny ch przy wykorzystaniu sztucznych sieci neuronowych (rys. 4) z rezultatami klasycznej optymalizacji (tabela 2) wynika dobra zbieżność obydwu metod. Zauważalne są jedynie niewielkie odstępstwa dotyczące stężenia krzemu i szczególnie magnezu. Jak pokazała pogłębiona analiza, jest to następstwem niewielkiej ilości (3.) stopów eksperymentalnych przyjętych do wyznaczenia optymalnego składu chemicznego na drodze uśrednień. Wokół wyników, wykorzystujących sztuczne sieci neuronowe, uzyskanych na pierwszym etapie optymalizacji, można wykonać kolejne eksperymenty, które w podobny sposób pozwolą przybliżyć się do rozwiązań pożądanych. W wyjątkowych wypadkach konieczne może się okazać zastosowanie kolejnych etapów. Taka procedura składa się na nową jakość ewolucyjnej optymalizacji tworzyw (w tym odlewniczych), o zadanych z góry właściwościach, jako istotnego elementu procedury projektowania nowych materiałów. 5. WNIOSKI KOŃCOWE Na podstawie przeprowadzonego porównania dwóch sposobów optymalizacji składu chemicznego bezniklowych siluminów typu tłokowego można przedstawić następujące wnioski: w przypadku złożonych – co do składu chemicznego – stopów jakimi są na przykład siluminy tłokowe, w stosunku do których wysuwanych jest szereg – często sprzecznych – wymagań, istnieją określone trudności i złożoność klasycznego matematycznego modelowania oraz optymalizacji, 69 zaletą syntezy stopów, przy wykorzystaniu sztucznych sieci neuronowych, jest prostota i szybkość oraz brak konieczności ścisłego trzymania się reguł plan owanego eksperymentu, zarówno klasyczna metoda modelowania i optymalizacji, jak też metodologia wykorzystująca ideę sztucznych sieci neuronowych pokazała, że możliwe jest opracowanie bezniklowych siluminów o parametrach zbliżonych, a niekiedy przewyższających standardowe wzorce z niklem (stopy typu AK12), mając na uwadze odnotowane tylko przykładowe możliwości, autorzy ninie jszej publikacji uważają za celowe potrzebę szerszego wdrażania do badań i praktyki odlewniczej metod sztucznej inteligencji - i sieci neuronowych w szczególności. LITERATURA [1] Lech Z., Pietrowski S., Czekaj E. i in.: Synteza i badania bezniklowych siluminów tłokowych. Sprawozdanie końcowe z projektu badawczego Nr 7 T08B 067 20 realizowanego na zlecenie M N i I (KBN) w latach 2001-2004. Instytut Odlewnictwa, Kraków 2004. [2] Krokosz J., Czekaj E., i in.: Wykorzystanie sieci neuronowej do analizy parametrów technologicznych i konstrukcyjnych odlewów. Sprawozdanie końcowe z działalności statutowej (Zlecenie M E i N, nr 4041/00). Instytut Odlewnictwa, Kraków 2005. [3] Gulayev B.B.: Sintiez litiejnych splavov. V knigi,: Osnovy obrazovaniya litieynych splavov. M.: Nauka, Moskva 1970, s. 25-41. [4] Gulayev B.B.: Sintiez splavov (Osnovnyje principy. Vybor komponientov) . „Mietallurgiya”. Moskva, 1984. [5] Gulayev B.B.: Sintiez litieynych splavov. Uchebnoye posobiye. Gosudarstviennyy Technicheskiy Usniversitiet. L., Leningrad 1991, 80 s. [6] Gulayev B.B., Zaplatkin J.J.: Sintiez mnogokomponientnych litieynych splavov. Litieynoye Proizvodstvo, Nr 6, s. 4 –6. [7] Górny Z.: Odlewnicze stopy metali nieżelaznych – przygotowanie ciekłego metalu, struktura i właściwości odlewów. Wydawnictwa Naukowo-Techniczne. Warszawa 1992. [8] Sobczak J. Podstawy syntezy stopów. Wyd. Instytut Odlewnictwa. Kraków 1997. [9] Górny Z., Sobczak J.: Nowoczesne tworzywa odlewnicze na bazie metali nieżelaznych. ZA-PIS, Kraków 2005, 479 s. [10] Czekaj E. Oszczędnościowe aluminiowo-krzemowe stopy – jako materiał na tłoki. Praca doktorska. Politechnika Charkowska (Ukraina), Charków 1985. [11] Lech Z., Czekaj E.: Stabilizacja materiałów i geometrii tłoków silników spalinowych. Sprawozdanie końcowe z projektu badawczego nr PB 370/S6/92/02. Kraków 1994. 70 ARCHIWUM ODLEWNICTWA [12] Stop na zamówienie. Świat Nauki, sierpień 2003, s.13. (na podstawie artykułu w Science z 18 kwietnia 2003 r.). [13] Rutkowski L.: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN, Warszawa 2005. [14] Tadeusiewicz R.: Wprowadzenie do sieci neuronowych. Materiały Seminarium NEUROMET’77. AGH, Kraków 1997. [15] Tadeusiewicz R.: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ. Warszawa 1998. [16] Świętnicki Z., Wantoch-Rekowski R.: Sieci neuronowe w zastosowaniach wojsk owych. Dom Wydawniczy BELLONA, Warszawa 1998. [17] Perzyk M., Kochański A., Kozłowski J.: Systemy monitorujące i sterujące produkcją odlewni wykorzystujące sztuczne sieci neuronowe. Archiwum Odlewnictwa, Rok 2003, Rocznik 3, Nr 8, s. 157-170. Wydawnictwo PAN, Katowice-Gliwice 2003. [18] Perzyk M., Biernacki R.: Diagnostyka przyczyn powstawania wad w odlewach z wykorzystaniem metod statystycznych i sieci neuronowych. Archiwum Odlewnictwa, Rok 2004, Rocznik 4, Nr 11. PAN-Katowice, s. 71-76. [19] Polański Z.: [po2] Polański Z.: Planowanie doświadczeń w technice. Państwowe Wydawnictwo Naukowe. Warszawa 1984. [20] Bonderek Z., Czekaj E., Saja K.: Badania powstawania i propagacji pęknięć w warunkach cyklicznych obciążeń cieplnych w okołoeutektycznych bezniklowych siluminach tłokowych. Materiały VI Konferencji Naukowo-Technicznej Odlewnictwa Metali Nieżelaznych „Nauka i Technologia”. Zakopane-Kościelisko 2003, s. 83-91. [21] Stanisz A.: Przystępny kurs statystyki z wykorzystaniem programu STATISTICA PL na przykładach z medycyny. Tom II. StatSoft Polska. Kraków 2000. [22] Dobosz M.: Wspomagana komputerowo statystyczna analiza wyników badań . Akademicka Oficyna Wydawnicza EXIT. Warszawa 2001. [23] Shoup T. E: A practical guide to computer methods for engineers. Prentice-Hall, Inc., Englewood Cliffs, N.J., 1979. [24] Stadnicki J.: Teoria i praktyka rozwiązywania zadań optymalizacji – z przykładami zastosowań technicznych. Wydawnictwa Naukowo-Techniczne. Warszawa 2006. [25] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej. Warszawa 2000. [26] Wprowadzenie do sieci neuronowych. StatSoft Polska Sp. z o.o., Kraków 2001. [27] Stateczny A., Praczyk t.: Sztuczne sieci neuronowe w rozpoznawaniu obiektów morskich. Gdańskie Towarzystwo Naukowe. Gdynia 2002. [28] Mathematical handbook for scientists and engineers. Definitions, theorems and formulas for reference and review. Edited by: G.A. Korn & T.M Korn. McGrawHill Book Company. New York, San Francisco, Toronto, London, Sydney, 1968. [29] Reinhardt F., Soeder H.: Atlas matematyki. Prószyński i S-ka. Warszawa 2006. [30] http://pl.wikipedia.org/wiki/Perspektywa. 71 [31] Stawowy A., Macioł A., Wrona R.: Sieć neuronowa do predykcji własności wytrzymałościowych odlewu. Archiwum Odlewnictwa, Rok 2004, Rocznik 4, Nr 11. PAN-Katowice, s. 222-227. [32] Sałat R., Krokosz J.: Próba interpretacji wyników analizy składu chemicznego pod kątem lokalizacji odlewów z epoki brązu z wykorzystaniem „odwzorowania Sa mmona”. Odlewnictwo - Nauka i Praktyka, Nr 1/2004, s. 23-31. [33] Brzózka J., Dorobczyński L.: Matlab. Środowisko obliczeń naukowo-technicznych. Wydawnictwo MIKOM. Warszawa 2005. AN ASSESSMENT OF THE POSSIBILITY TO USE ARTIFICIAL NEURAL NETWORKS IN THE SYNTHES IS OF SILUMINS SUMMARY In the article a comparison has been made between the results of standard mathematical modeling and optimization during synthesis of nickel-free piston silumins [1] and the results obtained during processing of the same experimental data by the methods of artificial neural networks [2]. The material presented is a fragment of broader study executed in 2005 by the Foundry Research Institute in Cracow within its statutory activity. The study no. 4041/00 commissioned by the Ministry of Science and Education was done under the heading of "Application of neural networks in analysis of casting design and eng ineering parameters" [2]. Recenzował: prof. zw. dr hab. inż. Stanisław Pietrowski 72