JP7103514B2 - 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 - Google Patents
鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 Download PDFInfo
- Publication number
- JP7103514B2 JP7103514B2 JP2021519178A JP2021519178A JP7103514B2 JP 7103514 B2 JP7103514 B2 JP 7103514B2 JP 2021519178 A JP2021519178 A JP 2021519178A JP 2021519178 A JP2021519178 A JP 2021519178A JP 7103514 B2 JP7103514 B2 JP 7103514B2
- Authority
- JP
- Japan
- Prior art keywords
- steel pipe
- forming
- crushing strength
- strength
- manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims description 1436
- 239000010959 steel Substances 0.000 title claims description 1436
- 238000004519 manufacturing process Methods 0.000 title claims description 282
- 238000000034 method Methods 0.000 title claims description 147
- 239000011248 coating agent Substances 0.000 claims description 52
- 238000000576 coating method Methods 0.000 claims description 52
- 238000000465 moulding Methods 0.000 claims description 34
- 238000013459 approach Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 32
- 230000035882 stress Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 238000003062 neural network model Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 11
- 230000000052 comparative effect Effects 0.000 description 9
- 238000010422 painting Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005452 bending Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100328887 Caenorhabditis elegans col-34 gene Proteins 0.000 description 1
- 101150057924 Exoc2 gene Proteins 0.000 description 1
- 102100030843 Exocyst complex component 2 Human genes 0.000 description 1
- 101150110070 SEC5 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C37/00—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape
- B21C37/06—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape of tubes or metal hoses; Combined procedures for making tubes, e.g. for making multi-wall tubes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C37/00—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape
- B21C37/06—Manufacture of metal sheets, bars, wire, tubes or like semi-manufactured products, not otherwise provided for; Manufacture of tubes of special shape of tubes or metal hoses; Combined procedures for making tubes, e.g. for making multi-wall tubes
- B21C37/08—Making tubes with welded or soldered seams
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/006—Crack, flaws, fracture or rupture
- G01N2203/0067—Fracture or rupture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0262—Shape of the specimen
- G01N2203/0274—Tubular or ring-shaped specimens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0298—Manufacturing or preparing specimens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1には、本発明の第1実施形態に係る鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、及び鋼管の製造特性決定方法が適用される鋼管製造特性決定装置の概略構成の機能ブロック図が示されている。
図1に示す第1実施形態に適用される鋼管製造特性決定装置1は、鋼管圧潰強度予測モデルの生成、及び生成された鋼管圧潰強度予測モデルを用いた鋼管成形後の鋼管の圧潰強度を予測を行う。また、鋼管製造特性決定装置1は、予測された鋼管成形後の鋼管の圧潰強度が要求される目標の鋼管成形後の鋼管の圧潰強度に漸近するような最適な鋼管製造特性の決定を行う。
ここで、鋼管は、一般的に、板状の鋼板を円管形状に曲げ加工して成形し製造され、その後、表面に塗装する場合もある。
なお、鋼管の圧潰強度とは、鋼管が圧潰するときの負荷応力(MPa)を意味し、ここでいう「圧潰」とは、負荷応力が最大値を示しこれ以上に外圧に対し形状を保てなくなるまで変形した状態をいうものとする。
ここで、鋼管圧潰強度予測モデル生成部6による機能の実現に必要な情報としては、例えば、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後の鋼管の圧潰強度を出力データとした複数の学習用データが挙げられる。
演算処理部5は、機能ブロックとして、鋼管圧潰強度予測モデル生成部6と、鋼管製造特性演算部7とを備えている。
また、前処理部62は、学習用データ取得部61が取得した複数の学習用データを、鋼管圧潰強度予測モデル生成用に加工する。具体的には、前処理部62は、学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる過去の鋼管製造特性の実績情報を、ニューラルネットワークモデルに読み込ませるために、0~1の間で標準化(正規化)を行う。
ニューラルネットワークモデルである鋼管圧潰強度予測モデルは、入力側から順に入力層101、中間層102、及び出力層103を含んでいる。
モデル生成部63が、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行うに際し、入力層101には、前処理部62で加工された学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる過去の鋼管製造特性の実績情報、即ち、0~1の間で標準化された過去の鋼管製造特性の実績情報が格納される。
出力層103は、中間層102により伝達されたニューロンの情報が結合され、最終的な鋼管成形後の鋼管の圧潰強度として出力される。この出力した結果と、読み込まれた過去の鋼管成形後の鋼管の圧潰強度の実績とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
結果保存部64は、学習用データ、ニューラルネットワークモデルのパラメータ(重み係数)、及び学習用データに対するニューラルネットワークモデルの出力結果を、記憶装置9に記憶させる。
情報読取部71は、記憶装置9に記憶された鋼管製造特性演算部7による機能の実現に必要な情報を読み込む処理を行う。具体的に、情報読取部71は、鋼管圧潰強度予測モデル生成部6によって生成された鋼管圧潰強度予測モデルを読み込む処理を行う。また、情報読取部71は、鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる鋼管製造特性の情報、目標の鋼管成形後の鋼管の圧潰強度の情報、及び鋼管製造特性決定モード情報を読み込む処理を行う。
また、結果出力部74は、決定された最適な鋼管製造特性の情報あるいは予測された鋼管成形後の鋼管の圧潰強度の情報(予測値)を出力装置10に出力する処理を行うとともに、これらの情報を記憶装置9に記憶させる処理を行う。
この鋼管製造特性演算部7は、入力装置8に鋼管製造特性の演算指令が入力され、鋼管製造特性の演算指令を受けると、ROM4に記憶されている鋼管製造特性演算プログラム42を実行し、情報読取部71、圧潰強度予測部72、鋼管製造特性決定部73、及び結果出力部74の各機能を実行する。
次いで、情報読取部71は、ステップS2において、図示しない上位計算機から入力され、記憶装置9に記憶されている、要求される目標の鋼管成形後の鋼管の圧潰強度の情報を読み込む。
次いで、情報読取部71は、ステップS4において、オペレータによって入力装置8に入力され、記憶装置9に記憶されている鋼管製造特性決定モード情報(最適な鋼管製造特性を決定するモードか否かの情報)を読み込む。
このステップS1~ステップS5は、本発明の第1実施形態に係る、鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる鋼管製造特性を入力して鋼管成形後の鋼管の圧潰強度を予測する鋼管の圧潰強度予測方法に対応する。
そして、ステップS6における判定結果がYESのとき(鋼管製造特性決定モードのとき)は、ステップS7に移行し、ステップS6における判定結果がNOのとき(鋼管製造特性決定モードでないとき)は、ステップS9に移行する。
ステップS7では、鋼管製造特性決定部73は、ステップS5で予測された鋼管成形後の鋼管の圧潰強度(予測値)と、ステップS2で読み込まれた、要求される目標の鋼管成形後の鋼管の圧潰強度(目標値)との差異が所定の閾値以内か否かを判定する。
ここで、前述の所定の閾値は、目標値や製造条件によって異なるがおおむね0.5%~1%に設定される。
ステップS10では、鋼管製造特性決定部73は、ステップS3で読み込まれた圧潰強度の予測対象となる鋼管の鋼管製造特性における鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみのうちの少なくとも1つを変更し、ステップS5に戻す。
このステップS6、ステップS7、ステップS10、ステップS5、ステップS6、ステップS7及びステップS8は、本発明の第1実施形態に係る、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定する鋼管の製造特性決定方法に対応する。
これにより、鋼管製造特性演算部7の処理が終了する。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管の圧潰強度を精度高く予測するに際しての、鋼管圧潰強度予測モデルを適切に生成することができる。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後の鋼管の圧潰強度を精度高く予測することができる。
これにより、予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管の圧潰強度に漸近するときの、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみからなる最適な鋼管製造特性を決定することができる。
つまり、本発明の第1実施形態に係る鋼管の製造方法は、鋼管を成形する鋼管の成形工程と、鋼管の圧潰強度予測方法(ステップS1~ステップS5)により、成形工程で成形された鋼管の圧潰強度を予測する圧潰強度予測工程と、圧潰強度予測工程により予測された鋼管の圧潰強度を成形工程で成形された鋼管に紐付ける性能予測値付与工程とを備えていてもよい。
これにより、成形された鋼管を取り扱う者は、当該鋼管の圧潰強度(予測値)を把握することができる。
つまり、本発明の第1実施形態に係る鋼管の製造方法は、鋼管の製造特性決定方法(ステップS6、ステップS7、ステップS10、ステップS5、ステップS6、ステップS7及びステップS8)により決定された最適な鋼管製造特性に基づいて鋼管の製造条件を決定し、その決定された鋼管の製造条件で鋼管を製造するようにしてもよい。
これにより、製造された鋼管が、決定された最適な鋼管製造特性を満足し、その結果、予測される鋼管の圧潰強度(予測値)が要求される目標の鋼管成形後の鋼管の圧潰強度に漸近したものとなり、耐圧潰性能に優れた鋼管となり、構造物の損傷や損壊事故を回避することができる。
本発明の第2実施形態に係る鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法について、図1及び図4乃至図5を参照して説明する。第1実施形態において既に説明した部材については説明を省略することがある。
図1に示す鋼管製造特性決定装置1は、第2実施形態に係る鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、及び鋼管の製造特性決定方法にも適用される。第2実施形態に係る鋼管圧潰強度予測モデルの生成方法は、鋼管成形後に塗装してなる塗装鋼管の鋼管圧潰強度予測モデルの生成を行う。第2実施形態に係る鋼管の圧潰強度予測方法は、生成された鋼管圧潰強度予測モデルを用いて鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測する。第2実施形態に係る鋼管の製造特性決定方法は、予測された塗装鋼管の圧潰強度が要求される目標の塗装鋼管の圧潰強度に漸近するような最適な鋼管製造特性の決定を行う。
入力装置8には、第1実施形態と同様に、鋼管圧潰強度予測モデルの生成指令、鋼管製造特性の演算指令等が入力される。第2実施形態では、第1実施形態と異なり、鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測するので、鋼管製造特性として、圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみの他に塗装条件が入力される。また、入力装置8には、目標の鋼管形後に塗装してなる塗装鋼管の圧潰強度等が入力される。
成形した鋼管に塗装を施すのは、防食のためであり、特に海底パイプラインで使用する鋼管は耐食性を優れたものとするため、成形後に塗装を施すのが一般的である。この塗装における塗装条件(最高温度(℃)及び保持時間(min))は、鋼管成形後の鋼管強度特性に影響し、塗装鋼管の圧潰性能に直接影響するため、入力装置8に入力するようにした。塗装のコーティング加熱の影響により、鋼管の材質が変化(転位の堆積・回復・ひずみ時効など)することで、鋼管成形後の鋼管の圧潰強度(塗装前の圧潰性能)からその圧潰強度が増加又は低下する。
また、出力装置10は、演算装置2からの出力データ、例えば、圧潰強度予測部72で予測された鋼管成形後に塗装してなる塗装鋼管の圧潰強度(予測値)の情報や鋼管製造特性決定部73で決定された最適な鋼管製造特性の情報を出力する出力ポートとして機能する。
演算処理部5の鋼管圧潰強度予測モデル生成部6は、記憶装置9に記憶された、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管圧潰強度予測モデルを生成する。機械学習の手法は、第1実施形態と同様に、ニューラルネットワークであり、鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルである。
また、前処理部62は、第1実施形態と同様に、学習用データ取得部61が取得した複数の学習用データを、鋼管圧潰強度予測モデル生成用に加工する。
ニューラルネットワークモデルである鋼管圧潰強度予測モデルは、入力側から順に入力層101、中間層102、及び出力層103を含んでいる。
モデル生成部63が、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行うに際し、入力層101には、前処理部62で加工された学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる過去の鋼管製造特性の実績情報、即ち、0~1の間で標準化された過去の鋼管製造特性の実績情報が格納される。
出力層103は、中間層102により伝達されたニューロンの情報が結合され、最終的な鋼管成形後に塗装してなる塗装鋼管の圧潰強度として出力される。この出力した結果と、読み込まれた過去の塗装鋼管の圧潰強度の実績とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
結果保存部64は、学習用データ、ニューラルネットワークモデルのパラメータ(重み係数)、及び学習用データに対するニューラルネットワークモデルの出力結果を、記憶装置9に記憶させる。
情報読取部71は、鋼管圧潰強度予測モデル生成部6によって生成された鋼管圧潰強度予測モデルを読み込む処理を行う。また、情報読取部71は、鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる鋼管製造特性の情報、目標の塗装鋼管の圧潰強度の情報、及び鋼管製造特性決定モード情報を読み込む処理を行う。
また、圧潰強度予測部72は、情報読取部71で読み込んだ圧潰強度の予測対象となる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる鋼管製造特性を、情報読取部71で読み込んだ鋼管圧潰強度予測モデルに入力して、鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測する処理を行う。
また、結果出力部74は、決定された最適な鋼管製造特性の情報あるいは予測された塗装鋼管の圧潰強度の情報(予測値)を出力装置10に出力する処理を行うとともに、これらの情報を記憶装置9に記憶させる処理を行う。
この鋼管製造特性演算部7は、入力装置8に鋼管製造特性の演算指令が入力され、鋼管製造特性の演算指令を受けると、ROM4に記憶されている鋼管製造特性演算プログラム42を実行し、情報読取部71、圧潰強度予測部72、鋼管製造特性決定部73、及び結果出力部74の各機能を実行する。
次いで、情報読取部71は、ステップS12において、図示しない上位計算機から入力され、記憶装置9に記憶されている、要求される目標の鋼管成形後に塗装してなる塗装鋼管の圧潰強度の情報を読み込む。
次いで、情報読取部71は、ステップS13において、オペレータによって入力装置8に入力され、記憶装置9に記憶されている鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる鋼管製造特性の情報を読み込む。
その後、圧潰強度予測部72は、ステップS15において、ステップS11で読み込まれた鋼管圧潰強度予測モデルに、ステップS13で読み込まれた圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる鋼管製造特性を入力して、塗装鋼管の圧潰強度を予測する。
続いて、鋼管製造特性決定部73は、ステップS16において、ステップS14で読み込んだ鋼管製造特性決定モード情報(最適な鋼管製造特性を決定するモードか否かの情報)が鋼管製造特性決定モード(最適な鋼管製造特性を決定するモード)か否かを判定する。
ステップS17では、鋼管製造特性決定部73は、ステップS15で予測された塗装鋼管の圧潰強度(予測値)と、ステップS12で読み込まれた、要求される目標の塗装鋼管の圧潰強度(目標値)との差異が所定の閾値以内か否かを判定する。
ここで、この所定の閾値は、おおむね0.5%~1%に設定される。
ステップS20では、鋼管製造特性決定部73は、ステップS13で読み込まれた圧潰強度の予測対象となる塗装鋼管の鋼管製造特性における鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件のうちの少なくとも1つを変更し、ステップS15に戻す。
これにより、鋼管製造特性演算部7の処理が終了する。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後に塗装してなる塗装鋼管の圧潰強度を精度高く予測するに際しての、鋼管圧潰強度予測モデルを適切に生成することができる。
また、塗装鋼管の圧潰強度を予測する鋼管圧潰強度予測モデルの生成に際し、塗装鋼管の圧潰強度に大きな影響を与える塗装条件も考慮しているから、鋼管圧潰強度予測モデルの精度もより高くすることができる。
これにより、鋼管成形時の造管ひずみを考慮して鋼管成形後に塗装してなる塗装鋼管の圧潰強度を精度高く予測することができる。
そして、塗装鋼管の圧潰強度を予測するに際して塗装鋼管の圧潰強度に大きな影響を与える塗装条件も考慮しているから、塗装鋼管の圧潰強度の予測精度をより高めることができる。
これにより、予測された塗装鋼管の圧潰強度が、要求される目標の塗装鋼管の圧潰強度に漸近するときの、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件からなる最適な鋼管製造特性を決定することができる。
つまり、本発明の第2実施形態に係る鋼管の製造方法は、鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、鋼管の圧潰強度予測方法(ステップS11~ステップS15)により、塗装鋼管形成工程で形成された塗装鋼管の圧潰強度を予測する圧潰強度予測工程と、圧潰強度予測工程により予測された塗装鋼管の圧潰強度を塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えていてもよい。
これにより、塗装鋼管を取り扱う者は、当該塗装鋼管の圧潰強度(予測値)を把握することができる。
また、塗装鋼管を製造するに際して、出力装置10で出力されたステップS18で決定された最適な鋼管製造特性の情報に基づいて塗装鋼管の製造条件(造管方法の選択、造管時の曲げ率、造管時のひずみ量、塗装時の昇温速度、塗装時の最高到達温度、塗装時の最高到達温度保持時間、塗装時の最高到達温度保持時間経過後の冷却速度など)を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造するようにしてもよい。
これにより、製造された塗装鋼管が、決定された最適な鋼管製造特性を満足し、その結果、予測される塗装鋼管の圧潰強度(予測値)が要求される目標の塗装鋼管の圧潰強度に漸近したものとなり、耐圧潰性能に優れた塗装鋼管となり、構造物の損傷や損壊事故を回避することができる。
例えば、第1実施形態に係る鋼管圧潰強度予測モデルの生成方法において、鋼管圧潰強度予測モデルを生成する際に、入力データとなる過去の鋼管製造特性は、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみとしている。しかし、過去の鋼管製造特性は、過去の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみを含めばよく、それら以外の過去の鋼管製造特性、例えば、過去の鋼管成形前の鋼板の強度特性を含んでいても良い。
また、第1実施形態及び第2実施形態に係る鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる鋼管成形後の鋼管強度特性は、鋼管のヤング率E(GPa)、鋼管のポアソン比μ(-)、鋼管の引張強度YS(MPa)、鋼管の圧縮強度0.23%YS(0.23%歪に対応する応力)、及び鋼管の圧縮強度0.5%YS(0.5%歪に対応する応力)に限られない。
また、第1実施形態及び第2実施形態に鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに入力される鋼管成形後の鋼管強度特性は、鋼管のヤング率E(GPa)、鋼管のポアソン比μ(-)、鋼管の引張強度YS(MPa)、鋼管の圧縮強度0.23%YS(0.23%歪に対応する応力)、及び鋼管の圧縮強度0.5%YS(0.5%歪に対応する応力)に限られない。
また、第1実施形態及び第2実施形態において、機械学習の手法はニューラルネットワークであり、鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルとしてあるが、機械学習法であればよく、例えば決定木などであってもよい。
また、実施例3~6では、表1に示す鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件から塗装鋼管の圧潰強度を実測した(実管試験結果)。
また、比較例2では、実測した鋼管成形後の実際の圧潰強度(実管試験結果)が規格基準値(所定規格値)を下回り判定結果はNGであったが、非特許文献1の予測式を用いた鋼管成形後の圧潰強度の予測値は規格基準値(所定規格値)を10%未満の範囲で上回り判定結果はCであり、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例4では、実測した塗装鋼管の実際の圧潰強度(実管試験結果)が規格基準値(所定規格値)を20%以上上回り判定結果はAであったが、非特許文献1の予測式を用いた塗装鋼管の圧潰強度の予測値は規格基準値(所定規格値)を10%以上かつ20%未満の範囲で上回り判定結果はBであり、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
また、比較例6では、実測した塗装鋼管の実際の圧潰強度(実管試験結果)が規格基準値(所定規格値)を10%未満の範囲で上回り判定結果はCであったが、非特許文献1の予測式を用いた塗装鋼管の圧潰強度の予測値は規格基準値(所定規格値)を10%以上かつ20%未満の範囲で上回り判定結果はBであり、両者の間に差異が生じ、予測値と実験評価との結果が不一致であった。
2 演算装置
3 RAM
4 ROM
5 演算処理部
6 鋼管圧潰強度予測モデル生成部
7 鋼管製造特性演算部
8 入力装置
9 記憶装置
10 出力装置
11 バス
41 鋼管圧潰強度予測モデル生成プログラム
42 鋼管製造特性演算プログラム
61 学習用データ取得部
62 前処理部
63 モデル生成部
64 結果保存部
71 情報読取部
72 圧潰強度予測部
73 鋼管製造特性決定部
74 結果出力部
101 入力層
102 中間層
103 出力層
Claims (12)
- 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形前の鋼板の強度特性から有限要素解析によって成形シミュレーションして得られたかあるいは実測して得られた鋼管成形時の造管ひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後の鋼管の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後の鋼管の圧潰強度を予測する鋼管圧潰強度予測モデルを生成するものであり、
前記鋼管成形後の鋼管形状は、前記鋼管成形後の前記鋼管の最大外径Dmax、前記鋼管成形後の前記鋼管の最小外径Dmin、前記鋼管成形後の前記鋼管の平均外径Dave、前記鋼管成形後の前記鋼管の平均板厚t、及び前記鋼管成形後の前記鋼管の外径形状の真円度fOであり、
前記鋼管成形後の鋼管強度特性は、前記鋼管成形後の前記鋼管のヤング率E、前記鋼管成形後の前記鋼管のポアソン比μ、前記鋼管成形後の前記鋼管の引張強度YS、前記鋼管成形後の前記鋼管の圧縮強度0.23%YS(0.23%歪に対応する応力)、及び前記鋼管成形後の前記鋼管の圧縮強度0.5%YS(0.5%歪に対応する応力)であり、
前記鋼管成形時の造管ひずみは、前記鋼管成形時における前記鋼板の引張ひずみあるいは圧縮ひずみであることを特徴とする鋼管圧潰強度予測モデルの生成方法。 - 前記機械学習の手法はニューラルネットワークであり、前記鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルであることを特徴とする請求項1に記載の鋼管圧潰強度予測モデルの生成方法。
- 請求項1又は2に記載の鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみを含む鋼管製造特性を入力して鋼管成形後の鋼管の圧潰強度を予測することを特徴とする鋼管の圧潰強度予測方法。
- 請求項3に記載された鋼管の圧潰強度予測方法により予測された鋼管成形後の鋼管の圧潰強度が、要求される目標の鋼管成形後の鋼管の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、及び鋼管成形時の造管ひずみのうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定することを特徴とする鋼管の製造特性決定方法。
- 鋼管を成形する鋼管の成形工程と、請求項3に記載の鋼管の圧潰強度予測方法により、前記成形工程で成形された鋼管の圧潰強度を予測する圧潰強度予測工程と、該圧潰強度予測工程により予測された鋼管の圧潰強度を前記成形工程で成形された鋼管に紐付ける性能予測値付与工程とを備えることを特徴とする鋼管の製造方法。
- 請求項4に記載の鋼管の製造特性決定方法により決定された最適な鋼管製造特性に基づいて鋼管の製造条件を決定し、その決定された鋼管の製造条件で鋼管を製造することを特徴とする鋼管の製造方法。
- 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形前の鋼板の強度特性から有限要素解析によって成形シミュレーションして得られたかあるいは実測して得られた鋼管成形時の造管ひずみ、及び塗装条件を含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測する鋼管圧潰強度予測モデルを生成するものであり、
前記鋼管成形後の鋼管形状は、前記鋼管成形後の前記鋼管の最大外径Dmax、前記鋼管成形後の前記鋼管の最小外径Dmin、前記鋼管成形後の前記鋼管の平均外径Dave、前記鋼管成形後の前記鋼管の平均板厚t、及び前記鋼管成形後の前記鋼管の外径形状の真円度fOであり、
前記鋼管成形後の鋼管強度特性は、前記鋼管成形後の前記鋼管のヤング率E、前記鋼管成形後の前記鋼管のポアソン比μ、前記鋼管成形後の前記鋼管の引張強度YS、前記鋼管成形後の前記鋼管の圧縮強度0.23%YS(0.23%歪に対応する応力)、及び前記鋼管成形後の前記鋼管の圧縮強度0.5%YS(0.5%歪に対応する応力)であり、
前記鋼管成形時の造管ひずみは、前記鋼管成形時における前記鋼板の引張ひずみあるいは圧縮ひずみであり、
前記塗装条件は、塗装時の最高温度及び保持時間であることを特徴とする鋼管圧潰強度予測モデルの生成方法。 - 前記機械学習の手法はニューラルネットワークであり、前記鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルであることを特徴とする請求項7に記載の鋼管圧潰強度予測モデルの生成方法。
- 請求項7又は8に記載の鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件を含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の圧潰強度を予測することを特徴とする鋼管の圧潰強度予測方法。
- 請求項9に記載された鋼管の圧潰強度予測方法により予測された塗装鋼管の圧潰強度が、要求される目標の塗装鋼管の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、及び塗装条件のうちの少なくとも一つを逐次変更し、最適な鋼管製造特性を決定することを特徴とする鋼管の製造特性決定方法。
- 鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、請求項9に記載の鋼管の圧潰強度予測方法により、前記塗装鋼管形成工程で形成された塗装鋼管の圧潰強度を予測する圧潰強度予測工程と、該圧潰強度予測工程により予測された塗装鋼管の圧潰強度を前記塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えることを特徴とする鋼管の製造方法。
- 請求項10に記載の鋼管の製造特性決定方法により決定された最適な鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造することを特徴とする鋼管の製造方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020091127 | 2020-05-26 | ||
JP2020091127 | 2020-05-26 | ||
PCT/JP2021/004588 WO2021240900A1 (ja) | 2020-05-26 | 2021-02-08 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021240900A1 JPWO2021240900A1 (ja) | 2021-12-02 |
JP7103514B2 true JP7103514B2 (ja) | 2022-07-20 |
Family
ID=78744252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021519178A Active JP7103514B2 (ja) | 2020-05-26 | 2021-02-08 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230191466A1 (ja) |
EP (1) | EP4160182A4 (ja) |
JP (1) | JP7103514B2 (ja) |
KR (1) | KR20230002856A (ja) |
CN (1) | CN115667875A (ja) |
BR (1) | BR112022023698A2 (ja) |
WO (1) | WO2021240900A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001349883A (ja) | 2000-06-09 | 2001-12-21 | Hitachi Metals Ltd | 金属材料の特性予測方法 |
US20030234239A1 (en) | 2002-02-20 | 2003-12-25 | Hsu-Tung Lee | Method and system for assessing quality of spot welds |
CN101701315A (zh) | 2009-10-30 | 2010-05-05 | 中海石油金洲管道有限公司 | 海底管线钢管的制造方法 |
WO2015030210A1 (ja) | 2013-08-30 | 2015-03-05 | 新日鐵住金株式会社 | 耐サワー性、耐圧潰特性及び低温靭性に優れた厚肉高強度ラインパイプ用鋼板とラインパイプ |
WO2018074433A1 (ja) | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06259107A (ja) * | 1993-03-02 | 1994-09-16 | Kobe Steel Ltd | プロセスラインにおける学習制御方法 |
EP1541252B1 (en) * | 2002-05-24 | 2011-05-18 | Nippon Steel Corporation | Uoe steel pipe with excellent crash resistance, and method of manufacturing the uoe steel pipe |
JP5983527B2 (ja) * | 2013-05-13 | 2016-08-31 | Jfeスチール株式会社 | 鋼板の曲げ加工後における、加工方向と直交する方向の引張特性の推定方法 |
-
2021
- 2021-02-08 CN CN202180037995.7A patent/CN115667875A/zh active Pending
- 2021-02-08 KR KR1020227040334A patent/KR20230002856A/ko unknown
- 2021-02-08 JP JP2021519178A patent/JP7103514B2/ja active Active
- 2021-02-08 US US17/925,762 patent/US20230191466A1/en active Pending
- 2021-02-08 EP EP21813944.2A patent/EP4160182A4/en active Pending
- 2021-02-08 BR BR112022023698A patent/BR112022023698A2/pt unknown
- 2021-02-08 WO PCT/JP2021/004588 patent/WO2021240900A1/ja unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001349883A (ja) | 2000-06-09 | 2001-12-21 | Hitachi Metals Ltd | 金属材料の特性予測方法 |
US20030234239A1 (en) | 2002-02-20 | 2003-12-25 | Hsu-Tung Lee | Method and system for assessing quality of spot welds |
CN101701315A (zh) | 2009-10-30 | 2010-05-05 | 中海石油金洲管道有限公司 | 海底管线钢管的制造方法 |
WO2015030210A1 (ja) | 2013-08-30 | 2015-03-05 | 新日鐵住金株式会社 | 耐サワー性、耐圧潰特性及び低温靭性に優れた厚肉高強度ラインパイプ用鋼板とラインパイプ |
WO2018074433A1 (ja) | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
Non-Patent Citations (1)
Title |
---|
藤井 堅 他,海洋環境における鋼管杭の圧縮強度の経年変化予測法,土木学会論文集A,日本,2010年,第66巻, 第1号,pp. 92-105,[検索日:2021/11/15], <DOI:https://doi.org/10.2208/jsceja.66.92>, インターネット:https://doi.org/10.2208/jsceja.66.92 で入手可能 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2021240900A1 (ja) | 2021-12-02 |
KR20230002856A (ko) | 2023-01-05 |
EP4160182A4 (en) | 2023-11-22 |
WO2021240900A1 (ja) | 2021-12-02 |
EP4160182A1 (en) | 2023-04-05 |
BR112022023698A2 (pt) | 2022-12-20 |
CN115667875A (zh) | 2023-01-31 |
US20230191466A1 (en) | 2023-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sathish | GAC-ANN Technique for Prediction of Spring Back Effect in Wipe Bending Process of Sheet Metal | |
Bahloul et al. | A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms | |
Liu et al. | Deep learning in sheet metal bending with a novel theory-guided deep neural network | |
JP6969713B1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Mirzaali et al. | Optimization of tube hydroforming process using simulated annealing algorithm | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
Şenol et al. | Springback analysis in air bending process through experiment based artificial neural networks | |
Fan et al. | Prediction algorithm for springback of frame-rib parts in rubber forming process by incorporating Sobol within improved grey relation analysis | |
Xiang et al. | Cross-sectional performance prediction of metal tubes bending with tangential variable boosting based on parameters-weight-adaptive CNN | |
Bosetti et al. | Identification of johnson–cook and tresca's parameters for numerical modeling of aisi-304 machining processes | |
JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Ingarao et al. | Optimization methods for complex sheet metal stamping computer aided engineering | |
Bahloul et al. | Comparison between three optimization methods for the minimization of maximum bending load and springback in wiping die bending obtained by an experimental approach | |
Zhang et al. | Identification of constitutive parameters for thin-walled aluminium tubes using a hybrid strategy | |
Ilg et al. | Constitutive model parameter identification via full-field calibration | |
WO2022054336A1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
CN113987938A (zh) | 工艺参数优化方法、装置、设备以及存储介质 | |
Lin et al. | Optimization of bending process parameters for seamless tubes using Taguchi method and finite element method | |
Strano et al. | Hierarchical metamodeling of the air bending process | |
JP6303815B2 (ja) | 鍛造割れ予測方法、鍛造割れ予測プログラム、および記録媒体 | |
Pham et al. | Process parameter optimization for incremental forming of aluminum alloy 5052-H32 sheets using back-propagation neural network | |
Mohamed ElShazly et al. | A Finite Element Analysis Verification of a Machine-Trained Mathematical Model of T-Tube Hydroforming | |
Barati et al. | The effect of normal anisotropy on thin-walled tube bending | |
Zou et al. | Robust Optimization of UOE Forming Process Considering Inhomogeneity of Material Properties | |
Mohamed ElShazly et al. | Development of a Mathematical Model Using Machine Learning for Hydroforming of Non-Circular Protrusion Copper T-Tube |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220405 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220607 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220620 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7103514 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |