Published January 1, 2022
| Version v1
Publication
Open
Modelling the surface roughness of steel after laser hardening by using 2D visibility network, convolutional neural networks and genetic programming
- 1. Chulalongkorn University
- 2. University of Ljubljana
- 3. Technische Universität Berlin
- 4. University of Bologna
Description
The surface characterization of materials after Robot Laser Hardening (RLH) is a technically demanding procedure. RLH is commonly used to harden parts, especially when subject to wear. By changing their surface properties, this treatment can offer several benefits such as lower costs for additional machining, no use of cooling agents or chemicals, high flexibility, local hardening, minimal deformation, high accuracy, and automated and integrated process in the production process. However, the surface roughness strongly depends on the heat treatment and parameters used in the process. This article used a network theory approach (i.e., the visibility network in 2D space) to analyze the surface roughness of tool steel EN100083-1 upon RLH. Specifically, two intelligent methods were merged in this investigation. Firstly, a genetic algorithm was applied to derive a relationship between the parameters of the robot laser cell and topological surface properties. Furthermore, convolutional neural networks allowed the assessment of surface roughness based on 2D photographic images.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
توصيف السطح للمواد بعد تصلب الليزر الآلي (RLH) هو إجراء يتطلب الكثير من الناحية الفنية. يستخدم RLH بشكل شائع لتصلب الأجزاء، خاصة عند تعرضها للاهتراء. من خلال تغيير خصائصها السطحية، يمكن أن تقدم هذه المعالجة العديد من الفوائد مثل انخفاض تكاليف المعالجة الإضافية، وعدم استخدام عوامل التبريد أو المواد الكيميائية، والمرونة العالية، والتصلب المحلي، والحد الأدنى من التشوه، والدقة العالية، والعملية الآلية والمتكاملة في عملية الإنتاج. ومع ذلك، فإن خشونة السطح تعتمد بشدة على المعالجة الحرارية والمعلمات المستخدمة في العملية. استخدمت هذه المقالة نهج نظرية الشبكة (أي شبكة الرؤية في الفضاء ثنائي الأبعاد) لتحليل خشونة سطح فولاذ الأدوات EN100083 -1 على RLH. على وجه التحديد، تم دمج طريقتين ذكيتين في هذا التحقيق. أولاً، تم تطبيق خوارزمية وراثية لاستخلاص علاقة بين معلمات خلية الليزر الروبوتية وخصائص السطح الطوبولوجي. علاوة على ذلك، سمحت الشبكات العصبية الالتفافية بتقييم خشونة السطح بناءً على الصور الفوتوغرافية ثنائية الأبعاد.Translated Description (French)
La caractérisation de surface des matériaux après durcissement au laser robotisé (RLH) est une procédure techniquement exigeante. Le RLH est couramment utilisé pour durcir les pièces, en particulier lorsqu'il est soumis à l'usure. En modifiant leurs propriétés de surface, ce traitement peut offrir plusieurs avantages tels que des coûts réduits pour l'usinage supplémentaire, l'absence d'utilisation d'agents de refroidissement ou de produits chimiques, une grande flexibilité, un durcissement local, une déformation minimale, une grande précision et un processus automatisé et intégré dans le processus de production. Cependant, la rugosité de la surface dépend fortement du traitement thermique et des paramètres utilisés dans le processus. Cet article a utilisé une approche de la théorie des réseaux (c'est-à-dire le réseau de visibilité dans l'espace 2D) pour analyser la rugosité de surface de l'acier à outils EN100083-1 sur RLH. Plus précisément, deux méthodes intelligentes ont été fusionnées dans cette enquête. Tout d'abord, un algorithme génétique a été appliqué pour dériver une relation entre les paramètres de la cellule laser du robot et les propriétés topologiques de la surface. De plus, les réseaux de neurones convolutifs ont permis d'évaluer la rugosité de surface à partir d'images photographiques 2D.Translated Description (Spanish)
La caracterización de la superficie de los materiales después del Robot Laser Hardening (RLH) es un procedimiento técnicamente exigente. RLH se utiliza comúnmente para endurecer las piezas, especialmente cuando están sujetas a desgaste. Al cambiar sus propiedades superficiales, este tratamiento puede ofrecer varios beneficios, como menores costos de mecanizado adicional, ausencia de uso de agentes refrigerantes o productos químicos, alta flexibilidad, endurecimiento local, deformación mínima, alta precisión y proceso automatizado e integrado en el proceso de producción. Sin embargo, la rugosidad de la superficie depende en gran medida del tratamiento térmico y de los parámetros utilizados en el proceso. Este artículo utilizó un enfoque de teoría de redes (es decir, la red de visibilidad en el espacio 2D) para analizar la rugosidad de la superficie del acero para herramientas EN100083-1 en RLH. En concreto, en esta investigación se fusionaron dos métodos inteligentes. En primer lugar, se aplicó un algoritmo genético para derivar una relación entre los parámetros de la célula láser del robot y las propiedades topológicas de la superficie. Además, las redes neuronales convolucionales permitieron evaluar la rugosidad de la superficie a partir de imágenes fotográficas 2D.Files
1451-20922203393B.pdf.pdf
Files
(2.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:c6d582b5adb19ca4469f8320e43a9cf2
|
2.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نمذجة خشونة سطح الفولاذ بعد التصلب بالليزر باستخدام شبكة الرؤية ثنائية الأبعاد والشبكات العصبية الالتفافية والبرمجة الوراثية
- Translated title (French)
- Modélisation de la rugosité de surface de l'acier après durcissement au laser à l'aide d'un réseau de visibilité 2D, de réseaux de neurones convolutifs et de programmation génétique
- Translated title (Spanish)
- Modelado de la rugosidad superficial del acero después del endurecimiento por láser mediante el uso de una red de visibilidad 2D, redes neuronales convolucionales y programación genética
Identifiers
- Other
- https://openalex.org/W4297923102
- DOI
- 10.5937/fme2203393b
References
- https://openalex.org/W2055538060
- https://openalex.org/W2091884947
- https://openalex.org/W2227779925
- https://openalex.org/W2268853128
- https://openalex.org/W2335008118
- https://openalex.org/W2602556083
- https://openalex.org/W2805806218
- https://openalex.org/W2886759078
- https://openalex.org/W2899856450
- https://openalex.org/W2917800638
- https://openalex.org/W2924132642
- https://openalex.org/W2943912048
- https://openalex.org/W2949377368
- https://openalex.org/W2997785591
- https://openalex.org/W3005408550
- https://openalex.org/W3080333437
- https://openalex.org/W3115665444
- https://openalex.org/W3120485189
- https://openalex.org/W3135055053
- https://openalex.org/W3137575362
- https://openalex.org/W4214565054