Prediction of Ultimate Tensile Strength of Ductile Iron by Artificial Intelligence

วิชชุดา ธงกิ่ง; รชยา สินธุสิงห์; ธาริกา พันธุ์เลิศ; อุษณีย์ กิตกำธร; ภูษิต มิตรสมหวัง; รัตน บริสุทธิกุล

ผู้แต่ง

วิชชุดา ธงกิ่ง คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี กรุงเทพฯ ประเทศไทย
รชยา สินธุสิงห์ สำนักวิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี จ.นครราชสีมา ประเทศไทย
ธาริกา พันธุ์เลิศ สำนักวิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี จ.นครราชสีมา ประเทศไทย
อุษณีย์ กิตกำธร สำนักวิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี จ.นครราชสีมา ประเทศไทย
ภูษิต มิตรสมหวัง สำนักวิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี จ.นครราชสีมา ประเทศไทย
รัตน บริสุทธิกุล สำนักวิชาวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีสุรนารี จ.นครราชสีมา ประเทศไทย

บทคัดย่อ

ความเป็นมาและวัตถุประสงค์ : ในการหล่อเหล็กหล่อเหนียว การทำนายสมบัติเชิงกลของชิ้นงานที่ได้จาก น้ำ โลหะก่อนการเทน้ำ เหล็กหล่อเหนียวลงแบบหล่อจะเป็นแนวทางในการผลิตแม่นตรงเชิงคุณภาพและการ ประหยัดค่าใช้จ่าย ทั้งนี้ ปัญญาประดิษฐ์น่าจะมีศักยภาพในการทำนายสมบัติของเหล็กหล่อเหนียวจากส่วนผสมทางเคมีได้ ในการวิจัยนี้ จึงได้ทดลองใช้ปัญญาประดิษฐ์ในการทำนายค่าความแข็งแรงดึงของชิ้นงานเหล็ก หล่อเหนียวจากส่วนผสมทางเคมีด้วยอัลกอริทึม multi-linear regression และ multi-layer perceptron เพื่อศึกษาความเป็นไปได้ในการใช้ปัญญาประดิษฐ์ในการทำนายความแข็งแรงจากส่วนผสมทางเคมี .

วิธีดำเนินการวิจัย : ในการทำนายความแข็งแรงดึงจากส่วนผสมทางเคมีของเหล็กหล่อเหนียว ใช้ข้อมูลส่วนผสมทางเคมีที่ประกอบด้วยคาร์บอน ซิลิกอน แมงกานีส กำมะถัน แมกนีเซียม และทองแดง และความแข็งแรงดึงของชิ้นงานหล่อจากบทความวิชาการต่าง ๆ โดยชุดข้อมูลมีจำนวนทั้งสิ้น 55 ตัวอย่าง

ผลการวิจัย : จำนวนข้อมูลสอนมีผลต่อความแม่นยำในการทำนายของแบบจำลองที่ได้จากปัญญาประดิษฐ์ทั้งสองแบบ นอกจากนี้ การทำนายความแข็งแรงดึงด้วยแบบจำลองที่สร้างจากอัลกอริทึมประเภท multi-linear regression ยังบ่งชี้ว่าความเข้มข้นของคาร์บอนร่วมกับซิลิกอน และความเข้มข้นของแมงกานีส ทองแดง และซิลิกอน มีความสัมพันธ์กับความแข็งแรงดึง การใช้อัลกอริทึมแบบ multi-layer perceptron ที่มีการปรับพารามิเตอร์ที่เหมาะสมให้ผลการทำนายที่ดีกว่าอัลกอริทึมแบบ multi-linear regression

สรุป : มีความเป็นไปได้ที่จะใช้ปัญญาประดิษฐ์ในการทำนายความแข็งแรงดึงของชิ้นงานเหล็กหล่อเหนียว

การนำไปใช้ประโยชน์ในเชิงปฏิบัติ : จากผลการศึกษาที่บ่งว่าสามารถนำปัญญาประดิษฐ์ไปใช้ในการทำนายความแข็งแรงดึงของชิ้นงานเหล็กหล่อเหนียว ทำให้ในอนาคตมีโอกาสนำแบบจำลองปัญญาประดิษฐ์ที่ได้รับ การปรับปรุงไปใช้ในการทำนายสมบัติของเหล็กหล่อเหนียวในอุตสาหกรรมหล่อโลหะ

References

International ISO Standard, 2004, ISO 1083:2004E, Spheroidal Graphite Cast Irons Classification, pp. 1-7.

Palatto, L.F., Gutiếrrez, L., Vargas, E. and Bertha, L., 2020, “A Methodology for Optimization of Mechanical Properties of Automotive Iron-Casting Brakes using Artificial Neural Networks,” Procedia Manufacturing, 52, pp. 162-167.

Song, L., Zhang, H., Zhang, J. and Guo, H., 2024, “Prediction of Heavy-section Ductile Iron Fracture Toughness Based on Machine Learning,” Scientific Reports, 14 (4681). https://doi.org/10.1038/s41598-024-55089-3

Behera, R.K., Swain, S.K., Sen, S. and Mishra, S.C., 2013, “Property Prediction of Ductile Iron (DI): Artificial Neural Network Approach,” Orissa Journal of Physics, 20 (2), pp.217-224.

Çehiz, C., 2019, Cooling Curve Thermal Analysis and Oxygen Activity, Master of Natural and Applied Sciences Thesis, Middle East Technical University, 105 p.

Vitor, E.A.A., 2015, Use of Thermal Analysis to Control the Solidification Morphology of Nodular Cast Irons and Reduce Feeding Needs, Doctoral of Mechanical and Process Engineering Thesis, University of Duisburg-Essen, 182 p.

Swain, S.K., 2008, Effect of Chemistry and Processing Variables on the Mechanical Properties of Thin-wall Ductile Iron Castings, Master of Metallurgical and Materials Engineering Thesis, National Institute of Technology Rourkela, 86 p.