The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

Abstract

Zaprezentowana metoda wykorzystuje podobienstwo pomiedzy krzywymi chlodzenia dla probek z tego samego materialu, rozniacych sie cechami geometrycznymi. Dopasowanie skali czasu dla poszczegolnych probek prowadzi do zbieznosci z tzw. „ogolna krzywa” dla danego materialu, ktora mozna wyznaczyc metodami statystycznymi. Ta operacja jest okreslana jako definiowanie wspolczynnika przeksztalcenia czasu TTC dla probek o okreslonych ksztaltach (wymiarach), to bedzie mozliwe wyznaczenie z wystarczajaca dokladnoscia wspolczynnika TTC dla probek o odmiennych ksztaltach (wymiarach). Umozliwi to, poprzez przeksztalcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chlodzenia, a takze czasu osiagniecia zadanej temperatury. W celu osiagniecia bardziej ogolnych wynikow wspomniana wczesniej metoda TTC polaczono z analiza numeryczna czastkowych rownan rozniczkowych opisujacych pole temperatury z uwzglednieniem warunkow poczatkowych i brzegowych. Warunki poczatkowe w wiekszosci przypadkow sa jednoznacznie okreslone lub moga byc okreslone z zadawalajaca dokladnoscia, natomiast warunki brzegowe wymiany ciepla sa zwykle trudne do ustalenia. Przedstawione zostaly wybrane metody okreslenia warunkow brzegowych oraz trudnosci zwiazane z okresleniem charakterystyk czasowych. Zalety obu metod moga byc laczone w celu osiagniecia zadawalajacej szybkosci i dokladnosci rozwiazania.