KR102143118B1 - Temperature control apparatus and method thereof - Google Patents
Temperature control apparatus and method thereof Download PDFInfo
- Publication number
- KR102143118B1 KR102143118B1 KR1020190070221A KR20190070221A KR102143118B1 KR 102143118 B1 KR102143118 B1 KR 102143118B1 KR 1020190070221 A KR1020190070221 A KR 1020190070221A KR 20190070221 A KR20190070221 A KR 20190070221A KR 102143118 B1 KR102143118 B1 KR 102143118B1
- Authority
- KR
- South Korea
- Prior art keywords
- temperature
- predicted
- data
- steel
- area reduction
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D27/00—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting
- B22D27/04—Influencing the temperature of the metal, e.g. by heating or cooling the mould
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
- B22D11/18—Controlling or regulating processes or operations for pouring
- B22D11/181—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level
- B22D11/182—Controlling or regulating processes or operations for pouring responsive to molten metal level or slag level by measuring temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
- B22D2/006—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass for the temperature of the molten metal
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
Description
본 발명은 온도 제어 장치 및 방법에 관한 것으로서, 더 상세하게는 주조 중 주조물의 표면 온도를 정밀하게 제어하여 크랙 발생을 억제할 수 있는 온도 제어 장치 및 방법에 관한 것이다.The present invention relates to a temperature control device and method, and more particularly, to a temperature control device and method capable of suppressing the occurrence of cracks by precisely controlling the surface temperature of the casting during casting.
일반적으로, 주편은 주형에 수용된 용강이 냉각대를 거쳐 냉각되면서 제조된다. 예컨대, 연속주조공정은 일정한 내부 형상을 갖는 주형에 용강을 주입하고, 주형 내에서 반응고된 주편을 연속적으로 주형의 하측으로 인발하여 슬라브, 블룸, 빌렛, 빔 블랭크 등과 같은 다양한 형상의 반제품을 제조하는 공정이다.In general, cast irons are manufactured while molten steel accommodated in a mold is cooled through a cooling table. For example, in the continuous casting process, molten steel is injected into a mold having a certain inner shape, and the cast slab solidified in the mold is continuously drawn to the lower side of the mold to manufacture semi-finished products of various shapes such as slabs, blooms, billets, and beam blanks. It's fair.
연속주조공정에서 주편은 주형 내에서 1차 냉각되고, 주형을 통과한 후 주편에 물이 분사되어 2차 냉각되는 과정을 거쳐 응고가 진행된다. 또한, 주형에서 인발된 주편은 소정 구간 수직방향으로 인출된 후, 벤딩되는 구간을 거치며(굽힘, bending process), 이후 수평방향으로 전환되어(교정, unbending process) 수평방향으로 인발이 진행된다. 이때 주편의 주조 방향이 바뀌면서 주편이 변형될 때, 즉, 주편이 굽힘 및 교정을 받을 때, 주편의 주조 길이 방향으로 인장 응력을 받게 된다. 이러한 인장 응력에 의하여, 주편의 취성 구간(예 600 내지 800℃ 사이)에서는 주조 길이 방향에 수직한 방향(주편 폭 방향)으로 주편 표면에 크랙이 발생하게 된다. In the continuous casting process, the cast slab is first cooled in the mold, and after passing through the mold, water is sprayed onto the cast slab to perform secondary cooling, whereby solidification proceeds. In addition, the cast piece drawn from the mold is drawn in the vertical direction for a predetermined section, then goes through the section to be bent (bending process), and then converted to the horizontal direction (unbending process), and the drawing proceeds in the horizontal direction. At this time, when the casting direction of the cast slab is changed and the cast slab is deformed, that is, when the slab is bent and corrected, tensile stress is applied in the casting length direction of the cast slab. Due to this tensile stress, cracks are generated on the surface of the cast steel in a direction perpendicular to the longitudinal direction of the cast (the width direction of the cast) in the brittle section (eg between 600 and 800°C) of the cast steel.
이와 같이 주편의 표면에 크랙이 발생하는 현상을 억제하기 위해서, 주편 변형 과정에서 예컨대, 굽힘이나 교정 과정에서 주편의 표면 온도가 취성 구간을 벗어나도록, 즉 주편의 표면 온도가 연성을 갖는 연성 구간에 포함되도록 제어해야 한다. 이렇게 주편의 표면 온도를 제어하기 위해서는 주조 이전에 강의 성분 별로 마련된 시편을 이용하여 인장 실험을 수행함으로써 강의 성분 별 취성 구간을 도출할 수 있다. 그런데 강의 성분 별로 취성 구간을 도출하기 위해서는 여러 번에 걸쳐 인장 실험을 수행해야 하기 때문에, 취성 구간을 도출하는데 오랜 시간이 소요될 수 밖에 없다. 따라서 다양한 강종에 대해 인장 실험을 수행하고, 강종 별로 취성 구간을 도출하기에는 현실적으로 어려움이 있다. In order to suppress the occurrence of cracks on the surface of the cast steel, for example, in the process of bending or straightening, the surface temperature of the cast steel is out of the brittle section, that is, in the ductile section where the surface temperature of the cast steel is ductile. Control to be included. In order to control the surface temperature of the cast steel, it is possible to derive the brittle section for each component of the steel by performing a tensile test using a specimen prepared for each component of the steel before casting. However, in order to derive the brittle section for each component of the steel, it is necessary to perform a tensile test several times, so it takes a long time to derive the brittle section. Therefore, it is practically difficult to perform tensile tests on various steel types and to derive brittle sections for each steel type.
또한, 동일한 성분을 갖는 강종이더라도 주조기가 변경되면 주편에 가해지는 응력도 변경되어 주편의 취성 구간도 변경될 수 있다. 따라서 취성 구간이 마련되어 있는 강종이더라도 주조기가 변경되면, 변형 속도 등과 같은 인장 조건을 변경해서 인장 실험을 다시 수행하여 취성 구간을 도출해야 하는 문제가 있었다. In addition, even for a steel type having the same composition, if the casting machine is changed, the stress applied to the cast steel is also changed, and the brittle section of the cast steel may also be changed. Therefore, even in the case of a steel type with a brittle section, if the casting machine is changed, there is a problem in that it is necessary to derive the brittle section by performing a tensile test again by changing tensile conditions such as strain rate.
본 발명은 강의 성분 별 및 주조기 별로 취성 구간을 신속하게 예측할 수 있는 온도 제어 장치 및 방법을 제공한다.The present invention provides a temperature control device and method capable of quickly predicting a brittle section for each component of steel and for each casting machine.
본 발명은 주조물의 표면 온도를 정밀하게 제어하여 주조물의 표면에 크랙이 발생하는 것을 억제할 수 있는 온도 제어 장치 및 방법을 제공한다. The present invention provides a temperature control device and method capable of controlling the surface temperature of a casting to precisely control the occurrence of cracks on the surface of the casting.
본 발명의 실시 형태에 따른 온도 제어 장치는, 강의 성분 별로 제조된 시편을 이용하여 수행한 인장 실험으로 마련된 실험 데이터를 입력받아 강의 성분 별 취성 구간의 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 포함하는 기준 데이터를 도출하기 위한 데이터 처리부; 상기 실험 데이터와 상기 기준 데이터를 입력받아 딥 러닝 모델을 이용하여 계산을 수행하여, 상기 기준 최저 온도, 상기 기준 최고 온도 및 상기 기준 중심 온도를 각각 학습시키고, 대상 강에 대한 입력 데이터를 입력받아 상기 학습을 기반으로 상기 대상 강에 대한 예측 취성 구간의 예측 최저 온도 및 예측 최고 온도와 면적 감소율이 최저가 되는 예측 중심 온도를 포함하는 예측 데이터를 예측하여 출력하기 위한 예측부; 및 상기 예측 데이터를 기반으로 대상 강으로 주조할 주편의 표면 온도를 조절하기 위해 주조 조건을 설정하기 위한 설정부;를 포함할 수 있다. A temperature control device according to an embodiment of the present invention receives experimental data prepared by a tensile test performed using a specimen manufactured by each component of the steel, and calculates the reference minimum temperature, the reference maximum temperature, and the reference center temperature of the brittle section for each component of the steel. A data processing unit for deriving reference data to be included; By receiving the experimental data and the reference data and performing calculations using a deep learning model, the reference minimum temperature, the reference maximum temperature, and the reference center temperature are respectively learned, and the input data for the target steel is received and the A prediction unit for predicting and outputting prediction data including a predicted minimum temperature of the predicted brittle section for the target steel and a predicted center temperature at which the predicted maximum temperature and area reduction rate are the lowest based on learning; And a setting unit for setting casting conditions in order to adjust the surface temperature of the cast steel to be cast into the target steel based on the predicted data.
상기 실험 데이터는 강의 성분, 인장 온도 및 인장 조건을 포함하는 실험 조건 데이터와, 시편 파단면의 면적 감소율을 포함하는 실험 결과 데이터를 포함하고, 상기 데이터 처리부는, 가우시안 분포를 이용하여 강의 성분 별로 온도에 대한 시편 파단면의 면적 감소율을 가우시안 곡선으로 생성하고, 상기 가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 반치전폭(Full Width at Half Maximum, FWHM)을 기준 취성 구간으로 도출할 수 있다.The experimental data includes experimental condition data including a steel component, a tensile temperature, and a tensile condition, and experimental result data including a reduction rate of an area of the fracture surface of the specimen, and the data processing unit uses a Gaussian distribution to determine the temperature for each component of the steel. The area reduction rate of the fracture surface of the specimen against is generated as a Gaussian curve, and the full width at half maximum (FWHM), in which the area reduction rate in the Gaussian curve is 1/2 of the maximum area reduction rate, can be derived as the standard brittle section. have.
상기 데이터 처리부는, 상기 기준 취성 구간에서 기준 최저 온도 및 상기 기준 최저 온도에서의 면적 감소율과, 기준 최고 온도 및 상기 기준 최고 온도에서의 면적 감소율을 도출하고, 상기 기준 최저 온도와 상기 기준 최고 온도의 가운데 값을 갖는 기준 중심 온도와 상기 기준 중심 온도에서의 면적 감소율을 도출할 수 있다.The data processing unit derives an area reduction ratio at the reference minimum temperature and the reference minimum temperature in the reference brittle section, and an area reduction ratio at the reference maximum temperature and the reference maximum temperature, and the reference minimum temperature and the reference maximum temperature are A reference center temperature having a middle value and an area reduction rate at the reference center temperature can be derived.
상기 딥 러닝 모델은, 상기 실험 조건 데이터가 입력층이 되고, 상기 기준 데이터가 출력층이 되도록 설정되고, 상기 입력층과 상기 출력층 사이에 상기 실험 조건 데이터와 상기 기준 데이터를 행렬 연산으로 계산하기 위한 2개 이상의 은닉층을 포함하고, 상기 예측부는 상기 은닉층에 계수나 가중치를 부여하여 평균 제곱근 오차가 줄어드는 방향으로 중간 행렬식들을 보정해가는 학습을 수행할 수 있다.The deep learning model is set so that the experimental condition data becomes an input layer and the reference data becomes an output layer, and 2 for calculating the experimental condition data and the reference data between the input layer and the output layer by matrix operation. At least two hidden layers may be included, and the prediction unit may perform learning to correct intermediate determinants in a direction in which a root mean square error is reduced by assigning coefficients or weights to the hidden layers.
상기 대상 강에 대한 입력 데이터는 상기 대상 강의 성분 및 인장 조건을 포함하고, 상기 예측부는, 상기 입력층으로 상기 입력 데이터가 입력되면, 학습 결과를 기반으로 상기 출력층을 통해 상기 대상 강의 예측 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 포함하는 예측 데이터를 출력할 수 있다.The input data for the target steel includes a component of the target steel and a tensile condition, and the prediction unit, when the input data is input to the input layer, of the predicted brittle section of the target steel through the output layer based on a learning result. Predicted data including the predicted minimum temperature, predicted maximum temperature, and predicted center temperature can be output.
상기 예측 데이터는 상기 예측 최저 온도와 상기 예측 최저 온도에서의 면적 감소율, 상기 예측 최고 온도와 상기 예측 최고 온도에서의 면적 감소율 및 상기 예측 중심 온도와 상기 예측 중심 온도에서의 면적 감소율을 포함하고, 상기 예측부는, 상기 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도에 대한 면적 감소율의 곡선을 생성할 수 있다.The predicted data includes an area reduction rate at the predicted minimum temperature and the predicted minimum temperature, an area reduction rate at the predicted maximum temperature and the predicted maximum temperature, and an area reduction rate at the predicted center temperature and the predicted center temperature, the The prediction unit may generate a curve of an area reduction rate for the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature.
상기 설정부는, 상기 대상 강으로 주조될 주편의 표면에 분사할 냉각수량을 설정할 수 있다.The setting unit may set the amount of cooling water to be sprayed onto the surface of the cast steel to be cast into the target steel.
본 발명의 실시 형태에 따른 온도 제어 방법은, 강의 성분 별로 마련된 시편을 이용한 인장 실험으로 실험 데이터를 마련하는 과정; 상기 실험 데이터를 입력받아, 강의 성분 별 취성 구간의 기준 최저 온도, 기준 최고 온도 및 기준 최저 온도와 기준 최고 온도 사이의 기준 중심 온도를 포함하는 기준 데이터를 도출하는 과정; 상기 실험 데이터와 상기 기준 데이터를 입력받아, 강의 성분 별 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 딥 러닝 모델을 이용하여 학습시키는 과정; 대상 강의 성분 및 인장 조건이 입력되면, 학습 결과를 기반으로 대상 강의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 포함하는 예측 데이터를 출력하는 과정; 및 상기 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 이용하여 대상 강으로 주조될 주편의 표면 온도를 제어하기 위한 주조 조건을 설정하는 과정;을 포함할 수 있다.The temperature control method according to an embodiment of the present invention includes the process of preparing experimental data through a tensile test using specimens prepared for each component of steel; Receiving the experimental data and deriving reference data including a reference minimum temperature, a reference maximum temperature, and a reference center temperature between the reference minimum temperature and the reference maximum temperature of the brittle section for each component of the steel; Receiving the experimental data and the reference data, and learning the reference minimum temperature, reference maximum temperature, and reference center temperature for each component of a steel using a deep learning model; A process of outputting prediction data including a predicted minimum temperature, a predicted maximum temperature, and a predicted center temperature of the target steel based on the learning result when the component and tensile condition of the target steel are input; And setting casting conditions for controlling the surface temperature of a cast steel to be cast into a target steel by using the predicted minimum temperature, predicted maximum temperature, and predicted center temperature.
상기 실험 데이터를 마련하는 과정은, 강의 성분, 인장 온도 및 인장 조건을 포함하는 실험 조건 데이터와, 시편 파단면의 면적 감소율을 포함하는 실험 결과 데이터를 마련하는 과정을 포함할 수 있다.The process of preparing the experimental data may include preparing experimental condition data including a steel component, a tensile temperature, and a tensile condition, and experimental result data including a reduction rate of the area of the fracture surface of the specimen.
상기 기준 데이터를 도출하는 과정은, 가우시안 분포를 이용하여 상기 인장 온도에 대한 상기 시편 파단면의 면적 감소율의 가우시안 곡선을 생성하는 과정; 상기 가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 반치전폭(Full Width at Half Maximum, FWHM)을 기준 취성 구간으로 도출하는 과정; 상기 반치전폭에서 저온 영역의 온도를 상기 기준 최저 온도로 도출하고, 고온 영역의 온도를 기준 최고 온도로 도출하는 과정; 및 상기 기준 최저 온도와 상기 기준 최고 온도 사이에서 면적 감소율이 최저가 되는 온도를 상기 기준 중심 온도로 도출하는 과정;을 포함할 수 있다.The process of deriving the reference data may include generating a Gaussian curve of the area reduction ratio of the fracture surface of the specimen with respect to the tensile temperature using a Gaussian distribution; A process of deriving a full width at half maximum (FWHM) in the Gaussian curve where the area reduction rate is 1/2 of the maximum area reduction rate as a reference brittle section; Deriving a temperature in a low temperature region as the reference minimum temperature in the full width at half maximum, and deriving a temperature in the high temperature region as a reference maximum temperature; And a process of deriving a temperature at which an area reduction rate is the lowest between the reference minimum temperature and the reference maximum temperature as the reference center temperature.
상기 기준 데이터를 도출하는 과정은, 상기 기준 최저 온도와 상기 기준 최고 온도에서의 면적 감소율을 도출하는 과정을 포함할 수 있다.The process of deriving the reference data may include a process of deriving an area reduction ratio at the reference minimum temperature and the reference maximum temperature.
상기 딥 러닝 모델은 입력층과, 출력층 및 상기 입력층과 상기 출력층 사이에 구비되는 2개 이상의 은닉층을 포함하고, 상기 학습시키는 과정은, 상기 실험 조건 데이터를 상기 입력층으로 설정하고, 상기 기준 데이터를 상기 출력층으로 설정하는 과정; 상기 은닉층에서 상기 실험 조건 데이터와 상기 기준 데이터를 행렬 연산으로 계산하는 과정; 및 상기 은닉층에 계수나 가중치를 부여하여 평균 제곱근 오차가 줄어드는 방향으로 중간 행렬식들을 보정하는 과정;을 포함할 수 있다.The deep learning model includes an input layer, an output layer, and two or more hidden layers provided between the input layer and the output layer, and in the learning process, the experimental condition data is set as the input layer, and the reference data Setting as the output layer; Calculating the experimental condition data and the reference data in the hidden layer by matrix operation; And correcting the intermediate determinants in a direction in which a root mean square error is reduced by applying a coefficient or a weight to the hidden layer.
상기 학습시키는 과정은, 상기 기준 최저 온도, 상기 기준 최고 온도 및 상기 기준 중심 온도 중 어느 하나를 상기 출력층으로 설정하는 과정을 포함할 수 있다.The learning process may include a process of setting any one of the reference minimum temperature, the reference maximum temperature, and the reference center temperature as the output layer.
상기 예측 데이터를 출력하는 과정은, 상기 학습 결과를 기반으로 상기 대상 강의 상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도를 독립적으로 출력하는 과정; 및 상기 예측 최저 온도와 상기 예측 최고 온도 사이를 예측 취성 구간으로 출력하는 과정;을 포함할 수 있다.The outputting of the predicted data may include independently outputting the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature of the target river based on the learning result; And outputting between the predicted minimum temperature and the predicted maximum temperature as a predicted brittle section.
상기 예측 데이터를 출력하는 과정은, 상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도 각각에서의 면적 감소율을 출력하는 과정을 포함하고, 상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도에 대한 면적 감소율의 그래프를 생성하는 과정을 포함할 수 있다.The process of outputting the prediction data includes outputting an area reduction rate at each of the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature, and the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature It may include a process of generating a graph of the area reduction rate for.
상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도에 대한 면적 감소율의 그래프를 생성하는 과정은, 가우시안 분포를 이용하여 상기 예측 최저 온도에서 면적 감소율과 상기 예측 중심 온도에서 면적 감소율의 제1가우시안 곡선을 생성하는 과정; 가우시안 분포를 이용하여 상기 예측 중심 온도에서 면적 감소율과 상기 예측 최고 온도에서 면적 감소율의 제2가우시안 곡선을 생성하는 과정; 및 상기 예측 중심 온도를 기준으로 상기 제1가우시안 곡선과 상기 제2가우시안 곡선을 취합하고, 상기 예측 중심 온도를 기준으로 저온 영역에 배치되는 상기 제1가우시안 곡선의 일부와, 고온 영역에 배치되는 상기 제2가우시안 곡선의 일부를 각각 채택하여 상기 대상 강의 예측 온도에 대한 면적 감소율 곡선으로 출력하는 과정; 중 적어도 어느 하나를 포함할 수 있다.The process of generating a graph of the area reduction ratio for the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature may include a first Gaussian of the area reduction ratio at the predicted minimum temperature and the area reduction ratio at the predicted center temperature using a Gaussian distribution. The process of creating a curve; Generating a second Gaussian curve of an area reduction ratio at the predicted center temperature and an area reduction ratio at the predicted maximum temperature using a Gaussian distribution; And a part of the first Gaussian curve arranged in a low temperature region based on the predicted center temperature, and the first Gaussian curve arranged in a high temperature region. Selecting a part of the second Gaussian curve and outputting an area reduction rate curve for the predicted temperature of the target steel; It may include at least any one of.
상기 주조 조건을 설정하는 과정은, 상기 주편에 분사할 냉각수량을 설정하는 과정을 포함할 수 있다.The process of setting the casting conditions may include a process of setting the amount of cooling water to be sprayed onto the cast steel.
상기 주조 조건을 설정하는 과정은, 상기 주편의 표면 온도를 상기 예측 중심 온도보다 낮게 제어하거나, 상기 예측 중심 온도보다 높게 제어하도록 주조 조건을 설정하는 과정을 포함할 수 있다.The process of setting the casting conditions may include a process of setting the casting conditions to control the surface temperature of the cast steel to be lower than the predicted center temperature or higher than the predicted center temperature.
상기 주조 조건을 설정하는 과정은, 상기 주편의 표면 온도를 상기 예측 최저 온도보다 낮게 제어하거나, 상기 주편의 표면 온도를 상기 예측 최고 온도보다 높게 제어하도록 주조 조건을 설정하는 과정을 포함할 수 있다.The process of setting the casting conditions may include controlling the surface temperature of the cast steel to be lower than the predicted minimum temperature, or setting the casting conditions to control the surface temperature of the cast steel to be higher than the predicted maximum temperature.
본 발명의 실시 형태에 따르면, 강의 성분 별 및 주조기 별로 취성 구간을 예측할 수 있다. 즉, 강의 성분 별로 마련된 시편을 이용한 인장 실험으로 마련된 실험 데이터를 이용하여 강의 성분 별로 취성 구간을 도출하고, 이를 딥 러닝 방식으로 학습시켜 대상 강의 취성 구간을 예측할 수 있다. 이에 다른 성분을 갖는 모든 강에 대한 인장 실험을 수행하지 않고도, 강의 성분 별 취성 구간을 신속하게 예측할 수 있다. According to an embodiment of the present invention, a brittle section can be predicted for each component of steel and for each casting machine. That is, the brittle section of each steel component is derived by using the experimental data prepared by the tensile test using the specimen prepared by each component of the steel, and the brittle section of the target steel can be predicted by learning this through a deep learning method. Accordingly, it is possible to quickly predict the brittle section of each component of the steel without performing a tensile test on all steels having other components.
또한, 강의 성분 별 취성 구간을 예측할 때, 취성 구간의 최저 온도 및 최고 온도와 함께 면적 감소율이 최저가 되는 중심 온도를 예측함으로써 취성 구간에서 온도 변화를 보다 정확하게 예측할 수 있다. 따라서 주조 시 주조물의 표면 온도를 보다 정확하게 제어할 수 있고, 이를 통해 주조물의 표면에 크랙이 발생하는 것을 효과적으로 억제 혹은 방지함으로써 건전한 주조물 품질을 확보할 수 있다. 또한, 주조 공정 후에 열연 공정을 바로 이어서 진행할 수 있어 공정 효율 및 생산성을 향상시킬 수 있다. In addition, when predicting the brittle section for each component of the steel, it is possible to more accurately predict the temperature change in the brittle section by predicting the center temperature at which the area reduction rate is the lowest along with the minimum temperature and the maximum temperature of the brittle section. Therefore, it is possible to more accurately control the surface temperature of the casting during casting, and through this, it is possible to secure sound casting quality by effectively suppressing or preventing cracks from occurring on the surface of the casting. In addition, the hot rolling process can be immediately followed after the casting process, thereby improving process efficiency and productivity.
도 1은 주편 제조 과정을 개략적으로 도시한 도면.
도 2는 본 발명의 실시 예에 따른 온도 제어 장치를 개략적으로 보여주는 블록도.
도 3은 도 2에 도시된 데이터 처리부에서 데이터의 변환 과정을 보여주는 블록도.
도 4는 도 2에 도시된 예측부에서 데이터의 변환 과정을 보여주는 블록도.
도 5는 본 발명의 실시 예에 따른 온도 제어 방법을 순서대로 보여주는 순서도.
도 6은 실험 데이터를 마련하기 위해 실시한 인장 실험에서 시편의 가열 패턴을 보여주는 그래프.
도 7은 인장 실험 시 시편 파단면의 면적 감소율(Reduction of Area, RA)의 변화를 보여주는 그래프.
도 8은 실험 데이터를 마련하기 위해 실시한 인장 실험으로 확보된 시편 파단면을 보여주는 사진.
도 9는 인장 실험 시 산출된 시편의 파단면의 면적 감소율들을 가우시안 분포를 이용하여 생성한 온도에 대한 면적 감소율의 가우시안 곡선.
도 10은 본 발명의 실시 예에 따른 온도 제어 방법에서, 대상 강의 예측 취성 구간을 온도에 대한 면적 감소율 곡선으로 나타내기 위한 과정을 개념적으로 보여주는 그래프들.
도 11은 본 발명의 실시 예에 따른 온도 제어 방법을 이용하여 생성된 실제 면적 감소율 곡선들을 보여주는 도면.
도 12는 본 발명의 실시 예에 따른 온도 제어 방법으로 예측된 예측 데이터의 정확성을 평가한 결과를 보여주는 그래프. 1 is a view schematically showing the manufacturing process of cast iron.
2 is a block diagram schematically showing a temperature control device according to an embodiment of the present invention.
FIG. 3 is a block diagram illustrating a data conversion process in the data processing unit shown in FIG. 2.
FIG. 4 is a block diagram illustrating a process of converting data in a prediction unit shown in FIG. 2.
5 is a flowchart sequentially showing a temperature control method according to an embodiment of the present invention.
6 is a graph showing a heating pattern of a specimen in a tensile test conducted to prepare experimental data.
7 is a graph showing a change in the reduction of area (RA) of a fracture surface of a specimen during a tensile test.
8 is a photograph showing a fracture surface of a specimen secured by a tensile test conducted to prepare experimental data.
9 is a Gaussian curve of the area reduction ratio with respect to temperature generated using Gaussian distribution of the area reduction ratios of the fracture surface of the specimen calculated during the tensile test.
10 are graphs conceptually showing a process for representing a predicted brittle section of a target steel as an area reduction rate curve with respect to temperature in a temperature control method according to an embodiment of the present invention.
11 is a view showing actual area reduction rate curves generated using a temperature control method according to an embodiment of the present invention.
12 is a graph showing results of evaluating the accuracy of predicted data predicted by a temperature control method according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명하기로 한다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 발명을 상세하게 설명하기 위해 도면은 과장될 수 있고, 도면상에서 동일 부호는 동일한 요소를 지칭한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, only these embodiments make the disclosure of the present invention complete, and the scope of the invention to those of ordinary skill in the art It is provided to inform you. The drawings may be exaggerated to describe the invention in detail, and the same reference numerals in the drawings refer to the same elements.
도 1은 주편 제조 과정을 개략적으로 도시한 도면이다. 1 is a view schematically showing the manufacturing process of cast iron.
도 1을 참조하면, 주형(10)에서 1차 냉각되고, 주형(10)으로부터 인발되는 주편(S)은 주형(10) 하부의 냉각 라인(미도시)을 통과하면서 2차 냉각된다. 주편(S)은 주형(10) 바로 하부의 상하 방향으로 연장되는 수직부(R1)을 통과하며, 이어서 주편(S)을 벤딩 시키는 영역인 굽힘부(R2)을 통과하면서 굽힘 응력을 인가 받아 곡률을 갖도록 변형된다. 이후 주편(S)은 수평 방향으로 전환할 수 있도록 교정 응력을 받아 교정된 다음, 수평하게 인발되는 수평부(R3)를 거치게 된다. 이러한 냉각 라인을 통과할 때, 주편(S)은 세그먼트의 가이드 롤(100)에 의하여 주편(S)의 양측면에서 혹은 주편(S)의 상하에서 압력이 인가되며, 또한 냉각수 분사기(미도시)에 의하여 주편(S)에 냉각수가 분사된다. Referring to FIG. 1, the cast piece S which is first cooled in the
이와 같이 주편(S)에 굽힘 응력이나 교정 응력 등과 같은 인장 응력이 가해질 때, 주편(S)의 표면 온도가 연성이 확보될 수 있는 온도로 제어되어야 주편(S) 표면에 크랙 등과 같은 결함이 발생하는 것을 억제할 수 있다. When tensile stress such as bending stress or correction stress is applied to the cast steel (S), defects such as cracks may occur on the surface of the cast steel (S) only when the surface temperature of the cast steel (S) is controlled to a temperature that can secure ductility. You can suppress that.
이하에서는 본 발명의 실시 예에 따른 온도 제어 장치 및 방법에 대해서 설명한다. Hereinafter, a temperature control apparatus and method according to an embodiment of the present invention will be described.
도 2는 본 발명의 실시 예에 따른 온도 제어 장치를 개략적으로 보여주는 블록도이다. 2 is a block diagram schematically showing a temperature control device according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 실시 예에 따른 온도 제어 장치(100)는, 강의 성분 별로 제조된 시편을 이용하여 수행한 인장 실험으로 마련된 실험 데이터를 입력받아 강의 성분 별 취성 구간의 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 포함하는 기준 데이터를 도출하기 위한 데이터 처리부(110)와, 실험 데이터와 기준 데이터를 입력받아 딥 러닝 방식으로 계산을 수행하여 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 각각 학습시키고, 대상 강의 성분을 포함하는 입력 데이터를 입력받아 상기 학습을 기반으로 대상 강에 대한 예측 취성 구간의 예측 최저 온도 및 예측 최고 온도와 면적 감소율이 최저가 되는 예측 중심 온도를 포함하는 예측 데이터를 출력하기 위한 예측부(120) 및 예측 데이터를 기반으로 대상 강의 표면 온도를 조절하기 위해 주조 조건을 설정하기 위한 설정부(130)를 포함할 수 있다. 여기에서 실험 데이터는 실험 조건 데이터 및 실험 결과 데이터를 포함할 수 있다. 실험 조건 데이터는 인장 실험에 사용되는 시편의 성분 또는 강의 성분, 시편을 이용하여 실시된 인장 실험에서 온도 조건, 변형 속도 등을 포함할 수 있다. 실험 결과 데이터는 인장 실험으로 획득된 시편 파단면 면적 감소율을 포함할 수 있다. 이때, 시편 파단면의 면적 감소율(Reduction of Area, RA)이란, 인장 실험에서 사용된 시편이 파단되었을 때 시편의 파단면의 감소율을 의미할 수 있으며, 하기의 식1에 의해 산출될 수 있다. Referring to FIG. 2, the
식1)Equation 1)
상기 식1에 의하면, 시편 파단면의 면적 감소율(이하에서는 "면적 감소율"이라 한다)은 인장 실험 전 시편의 파단 부위의 단면적의 변화율을 나타낼 수 있다. 면적 감소율이 클수록 시편의 파단 부위가 많이 연신되면서 파단된 것을 의미하고, 면적 감소율이 작을수록 시편의 파단 부위가 많이 연신되지 않고 파단된 것을 의미할 수 있다. According to Equation 1, the area reduction ratio of the fracture surface of the specimen (hereinafter referred to as “area reduction ratio”) can represent the rate of change in the cross-sectional area of the fracture area of the specimen before the tensile test. The larger the area reduction rate is, the more the fractured portion of the specimen is elongated and fractured, and the smaller the area reduction rate may mean that the fractured portion of the specimen is not elongated much but fractured.
도 3은 도 2에 도시된 데이터 처리부에서 데이터의 변환 과정을 보여주는 블록도이다. 3 is a block diagram illustrating a data conversion process in the data processing unit shown in FIG. 2.
도 3을 참조하면, 데이터 처리부(110)는, 실험 데이터, 예컨대 실험 조건 데이터 및 실험 결과 데이터를 입력받아, 강의 성분 별 취성 구간을 도출할 수 있다. 즉, 데이터 처리부(110)는 강의 성분, 해당 강으로 제조된 시편을 이용하여 실시된 인장 실험에서 온도 조건, 인장 조건 및 해당 인장 실험 시 산출된 시편 파단면의 면적 감소율을 이용하여 강의 성분 별 취성 구간을 도출할 수 있다. 이때, 온도 조건은 인장 실험 시 시편의 가열 패턴 및 목표 온도를 포함할 수 있고, 인장 조건은 변형 속도를 포함할 수 있다. 이와 같은 실험 데이터는 직접 인장 실험을 수행하여 얻어진 데이터 이외에도, 인장 실험 관련하여 문헌 등에 공지되어 있는 데이터들을 포함할 수 있다. Referring to FIG. 3, the
데이터 처리부(110)는 실험 데이터를 입력받아, 온도에 대한 면적 감소율의 가우시안 곡선을 생성할 수 있다. 데이터 처리부(110)는 온도에 대한 면적 감소율의 가우시안 곡선이 생성되면, 생성된 가우시안 곡선으로부터 해당 강의 취성 구간, 예컨대 기준 취성 구간을 도출할 수 있다. 이때, 가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 가우시안 곡선의 반치전폭(Full Width at Half Maximum, FWHM)을 강의 기준 취성 구간으로 도출할 수 있다.The
이렇게 기준 취성 구간이 도출되면, 데이터 처리부(110)는 가우시안 곡선의 반치전폭에서 가우시안 곡선과 만나는 저온 구간의 온도를 기준 최저 온도로 도출하고, 가우시안 곡선과 만나는 고온 구간의 온도를 기준 최고 온도로 도출할 수 있다. 이때, 가우시안 곡선은 저온 구간과 고온 구간에서 대칭인 형태로 생성될 수 있다. 이에 데이터 처리부(110)는 기준 저온 온도와 기준 최고 온도 사이의 중심을 기준 중심 온도로 도출할 수 있다. 이때, 기준 중심 온도는 면적 감소율이 최저로 되는 온도일 수 있다. 이처럼, 기준 중심 온도를 도출하는 이유는 대상 강의 예측 취성 구간을 보다 정확하게 예측하기 위함이다. 즉, 가우시안 곡선에 나타나는 면적 감소율은 평균 값이기 때문에 실제 인장 실험으로 산출되는 면적 감소율과는 오차를 갖게 된다. 또한, 티타늄(Ti), 알루미늄(Al) 등과 같은 특정 성분을 다량 함유하는 강의 경우, 석출물이 입계 페라이트 상변태 온도보다 높은 온도에서 형성되기 때문에 기준 최저 온도가 고온으로 확대되는 현상이 발생하게 된다. 이러한 이유로 인해 실제 취성 구간은 중심 온도를 기준으로 저온 영역과 고온 영역에서 비대칭성을 가질 수 있다. 따라서 데이터 처리부(110)에서 기준 중심 온도를 도출하고, 이후 강의 성분 별로 예측 취성 구간을 예측할 때 도출된 기준 중심 온도를 이용하면 강의 성분 별로 취성 구간을 보다 정확하게 예측할 수 있다. When the reference brittle section is derived in this way, the
이와 같이 가우시안 곡선으로부터 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 도출하면, 각각의 온도에서의 면적 감소율이 도출될 수 있다. 이렇게 도출된 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도와, 각각의 온도에서의 면적 감소율은 이후 대상 강의 예측 취성 구간을 예측하기 위한 기준 데이터로 사용될 수 있다. When the reference minimum temperature, reference maximum temperature, and reference center temperature are derived from the Gaussian curve in this way, the area reduction rate at each temperature can be derived. The reference minimum temperature, reference maximum temperature, reference center temperature, and the area reduction rate at each temperature derived as described above may be used as reference data for predicting the predicted brittleness section of the target steel.
데이터 처리부(110)는 실험 데이터들을 지속적으로 수집하여 기준 데이터들을 도출하고, 도출된 기준 데이터들과 실험 조건 데이터들을 예측부(120)로 전달할 수 있다. The
도 4는 도 2에 도시된 예측부에서 데이터의 변환 과정을 보여주는 블록도이다. 4 is a block diagram illustrating a process of converting data in the prediction unit shown in FIG. 2.
도 4를 참조하면, 예측부(120)는 데이터 처리부(110)에서 전달되는 기준 데이터들과, 실험 조건 데이터들을 입력받아, 강의 성분 별로 예측 취성 구간을 예측하여 출력할 수 있다. Referring to FIG. 4, the
예측부(120)는 기준 데이터들과 실험 조건 데이터들을 미리 설정된 딥러닝 방식 또는 이미 알려져 있는 딥러닝 모델을 이용하여 학습시킬 수 있다. 그리고 예측부(120)는 대상 강의 성분 및 변형 속도가 입력되면 대상 강의 예측 취성 구간에 대한 예측 데이터를 예측하여 출력할 수 있다. The
딥 러닝 모델은 신경망 기반의 복잡도가 큰 머신러닝 모델이다. 기존의 신경망 모델이 한 개의 은닉층을 사용한 비교적 단순한 모델인 것에 비해서 딥러닝 모델은 아주 많은 수의 은닉층을 사용한다. 예를 들어, 하위층에서는 비교적 단순한 정보처리를 수행하고, 상위층으로 갈수록 점차 복잡한 정보를 추출하는 구조를 사용하는 것으로 알려져있다. 딥러닝 모델은 복잡한 문제를 풀기 위해서 특징 추출과 패턴 분류의 두 단계로 분리하여 문제를 해결하던 방식을 하나의 단계로 통합하여 해결하는 자동화 방식으로 볼 수 있다. 기존에는 데이터 전처리 및 가공을 통해서 문제 해결에 적합한 특징들을 추출한 다음, 이를 학습 데이터로 하여 패턴 분류기를 훈련시키는 두 개의 단계로 문제를 해결하였다. 딥 러닝 모델은 특징 추출을 위한 전처리 단계를 전체 학습 프로세스에 포함시킴으로써 가공되지 않은 원래 데이터를 직접 학습하도록 하는 통합된 문제해결 방식을 취한다. 딥 러닝 모델은 영상 데이터와 같이 차원수가 아주 크고 복잡한 데이터의 경우에 전처리 과정을 통해서 손실될 수도 있는 정보를 기계가 자동으로 추출해서 활용할 수 있다. Deep learning models are machine learning models with high complexity based on neural networks. While the existing neural network model is a relatively simple model using one hidden layer, the deep learning model uses a very large number of hidden layers. For example, it is known to use a structure that performs relatively simple information processing in a lower layer and gradually extracts complex information as it goes to an upper layer. The deep learning model can be seen as an automated method that solves a problem by integrating the method of solving a problem by separating it into two stages of feature extraction and pattern classification to solve a complex problem. In the past, the problem was solved in two steps: extracting features suitable for problem solving through data preprocessing and processing, and then training a pattern classifier using these as training data. Deep learning models take an integrated problem-solving method that directly learns raw raw data by including the pre-processing step for feature extraction in the entire learning process. Deep learning models can automatically extract and utilize information that may be lost through preprocessing in the case of very large and complex data such as image data.
예측부(120)는 강의 성분별 예측 취성 구간을 예측하기 위해 덴스 레이어(Dense layer)로 구성된 딥 러닝 모델을 사용하였다. 이러한 딥 러닝 모델은 실험 조건 데이터가 입력층이 되고, 기준 데이터가 출력층이 되도록 설정되고, 입력층과 출력층 사이에 덴스 레이어로 구성된 은닉층(hidden layer)을 2개 이상 포함할 수 있다. 예를 들어, 입력층은 실험 조건 데이터, 예컨대 25개의 성분 변수와, 5개의 인장 실험 조건 변수를 포함하여 총 30개로 구성될 수 있다. 그리고 출력층은 기본 데이터, 예컨대 기준 최저 온도와 기준 최저 온도에서의 면적 감소율, 기준 최고 온도와 기준 최고 온도에서의 면적 감소율 및 기준 중심 온도와 기준 중심 온도에서의 면적 감소율을 포함하여 총 3개로 구성될 수 있다. 그리고 은닉층은 2개 이상으로 구성되어, 강의 성분 별 및 변형 속도 별 기준 데이터에 포함된 숨은 표현을 바탕으로 특징 지도를 계산할 수 있다. 이후 입력층으로 대상 강의 성분 및 인장 조건이 입력되면, 출력층을 통해 추출된 특징들을 종합하여 예측 데이터를 출력할 수 있다.The
즉, 예측부(120)는 입력층에 실험 조건 데이터가 입력되고, 출력층에 기준 데이터가 입력되면, 2개 이상의 은닉층을 거치면서 행렬 연산을 수행할 수 있다. 즉, 입력층과 출력층이 간단한 상관 관계가 형성되면, 간단한 행렬 연산으로 계산이 되지만, 굉장히 복잡한 관계라면 입력층과 출력층 사이에 여러 개의 행렬을 거쳐서 계산을 수행함으로써 입력층과 출력층 간의 상관 관계를 형성할 수 있다. 이때, 예측부(120)는 실험 조건 데이터, 즉 성분 변수와 인장 실험 조건 변수를 입력층으로 하고, 기준 데이터, 즉 기준 최저 온도, 기준 최고 온도, 기준 중심 온도 및 각 기준 온도에서의 면적 감소율을 출력층에 입력되도록 설정하고, 2개 이상의 은닉층에서의 수많은 데이터들을 대상으로 행렬 연산으로 계산을 시키면서, 평균 제곱근 오차(Root Mean Square Error, RMSE)가 줄어드는 방향으로 중간 행렬식들을 보정해가는 과정을 수행할 수 있다. 이와 같이 평균 제곱근 오차(Root Mean Square Error, RMSE)가 줄어드는 방향으로 중간 행렬식들을 보정해가는 과정을 학습이라 할 수 있다. 이러한 학습은 수십만 사이클의 피팅을 통해 오류를 줄여가기 위해 하나하나의 행렬, 즉 은닉층에 계수나 가중치를 부여하는 과정을 반복할 수 있다. That is, when the experimental condition data is input to the input layer and the reference data is input to the output layer, the
한편, 예측부(120)는 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 개별적 또는 독립적으로 예측할 수 있다. 이에 예측부(120)는 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 각각 학습시킬 수 있다. 즉, 예측부(120)는 실험 조건 데이터를 입력층으로 하고, 기준 최저 온도와 기준 최저 온도에서의 면적 감소율을 출력층으로 설정하여, 기준 최저 온도를 학습시킬 수 있다. 예측부(120)는 실험 조건 데이터를 입력층으로 하고, 기준 최고 온도와 기준 최고 온도에서의 면적 감소율을 출력층으로 설정하여, 기준 최고 온도를 학습시킬 수 있다. 또한, 예측부(120)는 실험 조건 데이터를 입력층으로 하고, 기준 중심 온도와 기준 중심 온도에서의 면적 감소율을 출력층으로 설정하여, 기준 중심 온도를 학습시킬 수 있다. 이와 같이 예측부(120)에서 기준 데이터를 기준 온도 별로 구분해서 학습시키면, 이후 입력층으로 대상 강의 성분 및 인장 조건이 입력되는 경우 학습 결과를 기반으로 출력부를 통해 온도 별 예측 데이터, 즉 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 독립적으로 예측하여 출력시킬 수 있다. Meanwhile, the
예측부(120)는 취성 구간의 예측이 필요한 대상 강의 성분 및 인장 조건이 입력되면, 대상 강의 취성 구간을 예측한 결과를 출력할 수 있다. 여기에서 인장 조건은 대상 강을 이용하여 인장 실험을 수행하는 것으로 가정했을 때, 인장 실험에서의 변형 속도를 포함할 수 있다. 예측부(120)에 대상 강의 성분과 함께 인장 조건을 입력하는 이유는 주조기 별로 압하력이 다르기 때문에 취성 구간이 변경될 수 있기 때문이다. The
예측부(120)는 기준 데이터와 실험 조건 데이터의 학습 결과를 기반으로, 대상 강의 성분 별 및 인장 조건 별 예측 취성 구간을 예측하여 출력할 수 있다. 예측부(120)는 대상 강의 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 각각 예측할 수 있다. 그리고 예측부(120)는 예측된 각각의 온도에서의 면적 감소율을 예측할 수 있다. 이때, 예측 중심 온도는 예측 최저 온도와 예측 최고 온도 중 어느 한 쪽으로 편중될 수 있고, 예측 최저 온도와 예측 최고 온도 사이의 중심에 위치할 수도 있다. The
예측부(120)는 대상 강의 취성 구간을 예측하고, 예측된 취성 구간을 온도에 따른 면적 감소율 곡선으로 생성할 수 있다. 이때, 예측부(120)는 가우시안 분포를 이용하여 예측 최저 온도에서의 면적 감소율과, 예측 중심 온도에서의 면적 감소율의 제1가우시안 곡선을 생성할 수 있다. 또한, 예측부(120)는 가우시안 분포를 이용하여 예측 중심 온도에서의 면적 감소율과, 예측 최고 온도에서의 면적 감소율의 제2가우시안 곡선을 생성할 수 있다. 예측부(120)는 예측 중심 온도를 기준으로 제1가우시안 곡선과 제2가우시안 곡선을 취합하고, 제1가우시안 곡선에서 저온 영역에 배치되는 곡선을 저온 취성 구간의 면적 감소율 곡선으로 채택하고, 제2가우시안 곡선에서 고온 영역에 배치되는 곡선의 일부를 고온 취성 구간의 면적 감소율 곡선을 채택하여, 대상 강의 면적 감소율 곡선을 생성할 수 있다.The
이와 같이 예측부(120)에서 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도, 즉 예측 데이터가 출력되면, 설정부(130)는 예측 데이터를 기반으로 주편의 표면 온도를 조절하기 위한 주조 조건을 설정할 수 있다. 여기에서 주조 조건은 주편에 분사할 냉각수량을 포함할 수 있다. In this way, when the
설정부(130)는 주편의 표면 온도가 적어도 예측 중심 온도를 피할 수 있도록 주조 조건을 설정할 수 있다. 또는, 설정부(130)는 주편의 표면 온도를 예측 최저 온도와 예측 최고 온도 사이인 예측 취성 구간에 포함되지 않도록 주조 조건을 설정할 수 있다. The
이하에서는 본 발명의 실시 예에 따른 온도 제어 방법에 대해서 설명한다. Hereinafter, a temperature control method according to an embodiment of the present invention will be described.
도 5는 본 발명의 실시 예에 따른 온도 제어 방법을 순서대로 보여주는 순서도이다. 5 is a flowchart sequentially showing a temperature control method according to an embodiment of the present invention.
도 5를 참조하면, 본 발명의 실시 예에 따른 온도 제어 방법은, 강의 성분 별로 마련된 시편을 이용한 인장 실험으로 실험 데이터를 마련하는 과정(S110)과, 실험 데이터를 입력받아, 강의 성분 별 취성 구간의 기준 최저 온도, 기준 최고 온도 및 기준 최저 온도와 기준 최고 온도 사이의 기준 중심 온도를 포함하는 기준 데이터를 도출하는 과정(S120)과, 실험 데이터와 기준 데이터를 입력받아 강의 성분 별 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 딥 러닝 모델을 이용하여 계산하여 학습시키는 과정(S130)과, 대상 강의 성분 및 인장 조건이 입력되면 학습 결과를 기반으로 대상 강의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 예측하여 출력하는 과정(S140) 및 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 이용하여 대상 강으로 주조되는 주편의 표면 온도를 제어하기 위한 주조 조건을 설정하는 과정(S150)을 포함할 수 있다. Referring to FIG. 5, the temperature control method according to an embodiment of the present invention includes a process of preparing test data by a tensile test using a specimen prepared for each component of steel (S110), and receiving the test data, and a brittle section for each component of the steel. The process of deriving reference data including the reference minimum temperature, reference maximum temperature, and reference center temperature between the reference minimum temperature and reference maximum temperature (S120), and the reference minimum temperature for each component of the steel by receiving experimental data and reference data, The process of calculating and learning the reference maximum temperature and reference center temperature using a deep learning model (S130), and when the components and tensile conditions of the target steel are input, the prediction minimum temperature, prediction maximum temperature, and prediction center of the target steel are based on the learning result. The process of predicting and outputting the temperature (S140) and the process of setting the casting conditions for controlling the surface temperature of the cast steel cast into the target steel using the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature (S150). I can.
먼저, 실험 데이터를 마련하는 과정은 다음과 같이 수행할 수 있다. First, the process of preparing the experimental data can be performed as follows.
강의 성분 별로 복수의 시편을 제작하고, 각각의 시편을 이용하여 인장 실험을 수행할 수 있다. 시편은 주편의 폭방향으로 중심부에서, 주편의 표면과 주편의 두께 방향으로 중심 사이에서 주편의 일부를 채취하고, 채취된 주편의 일부를 일정 크기로 가공하여 제작될 수 있다. 시편은 총 길이가 15㎝이고, 1㎝의 직경을 가지며, 시편에서 인장부위의 길이는 1㎝, 직경은 0.8㎝가 되도록 제작될 수 있다. A plurality of specimens can be prepared for each component of the steel, and a tensile test can be performed using each specimen. Specimens may be produced by collecting a part of the cast piece from the center in the width direction of the cast piece, between the surface of the cast piece and the center in the thickness direction of the cast piece, and processing a part of the collected cast piece into a predetermined size. The total length of the specimen is 15 cm and has a diameter of 1 cm, and the length of the tensioned portion of the specimen can be 1 cm and the diameter of 0.8 cm.
그리고 인장 실험은 인장 실험 장치의 고정 수단에 시편을 고정하고, 시편의 인장부위를 가열 수단으로 감싼 상태에서 시편을 가열하면서 수행될 수 있다. 인장 실험 시 열에 의해 시편이 산화되는 것을 방지하기 위하여, 시편을 불활성 분위기의 밀폐된 공간 내부에 배치할 수 있다. In addition, the tensile test may be performed by fixing the specimen to the fixing means of the tensile testing apparatus and heating the specimen while wrapping the tensile portion of the specimen with the heating means. In order to prevent the specimen from being oxidized by heat during the tensile test, the specimen may be placed inside a closed space in an inert atmosphere.
도 6은 실험 데이터를 마련하기 위해 실시한 인장 실험에서 시편의 가열 패턴을 보여주는 그래프이다. 도 6을 참조하면, 인장 실험에서는 시편의 인장부위를 1400℃까지 초당 10℃의 속도로 가열한 후, 1400℃를 20분 동안 유지시키고, 시편을 목표 온도까지 초당 1℃의 속도로 냉각시킨 다음, 목표 온도를 20분 동안 유지시킨 후, 시편이 파단될 때까지 인장할 수 있다. 이때, 시편은 5.0×10-3㎜/초의 변형 속도(strain rate)로, 400초 동안 인장시킬 수 있다. 여기에서 시편의 인장 조건은 하나 예일 뿐 다양하게 변경될 수 있다. 인장 실험은 동일한 성분을 갖는 시편에 대하여 목표 온도를 변경시키면서 여러 번에 걸쳐 수행될 수 있다. 또는, 인장 실험은 동일한 성분을 갖는 시편에 대하여 변형 속도를 변경시키면서 여러 번에 걸쳐 수행될 수 있다. 6 is a graph showing a heating pattern of a specimen in a tensile test conducted to prepare experimental data. Referring to FIG. 6, in the tensile test, the tensile part of the specimen is heated to 1400°C at a rate of 10°C per second, then maintained at 1400°C for 20 minutes, and the specimen is cooled to the target temperature at a rate of 1°C per second. , After maintaining the target temperature for 20 minutes, the specimen can be stretched until fracture. At this time, the specimen can be stretched for 400 seconds at a strain rate of 5.0×10 -3 mm/sec. Here, the tensile condition of the specimen is only an example and can be variously changed. Tensile tests can be performed multiple times with varying target temperatures for specimens with the same composition. Alternatively, the tensile test may be performed several times while varying the strain rate on a specimen having the same component.
도 7은 인장 실험 시 시편 파단면의 면적 감소율(Reduction of Area, RA)의 변화를 보여주는 그래프이다. 도 7을 참조하면, 시편은 인장 실험에서 900℃ 이상의 온도, 예컨대 고온 연성 구간과, 600℃ 이하의 온도, 예컨대 저온 연성 구간에서 인장부위가 길게 연신되어 단면적이 매우 감소한 상태에 파단되는 것을 알 수 있다. 그리고 600 내지 800℃의 범위, 예컨대 취성 구간에서는 인장부위가 크게 변형 또는 연신되지 않아 단면적의 변화가 크지 않은 상태에서 파단되는 것을 알 수 있다. 7 is a graph showing a change in the reduction of area (RA) of a fracture surface of a specimen during a tensile test. Referring to FIG. 7, it can be seen that the specimen is fractured in a state in which the tensile area is elongated at a temperature of 900°C or higher, such as a high-temperature ductile section, and a temperature of 600°C or lower, such as a low-temperature ductile section, in a tensile test, and the cross-sectional area is very reduced. have. In addition, it can be seen that in the range of 600 to 800°C, for example, in the brittle section, the tensile portion is not greatly deformed or elongated, so that the change in cross-sectional area is not large.
도 8은 실험 데이터를 마련하기 위해 실시한 인장 실험으로 확보된 시편 파단면을 보여주는 사진이다. 도 8의 (a)는 연성을 갖는 온도 구간, 예컨대 저온 연성구간 또는 고온 연성구간에서 시편이 길게 연신되면서 파단되어 그레인의 형상의 거의 나타나지 않는 상태를 보여주고 있다. 반면, 도 8의 (b)는 취성이 발생하는 온도 구간, 예컨대 취성 구간에서 시편이 크게 변형되지 않고 파단되어, 파단면에 그레인 형상이 나타나는 상태를 보여주고 있다. 8 is a photograph showing a fracture surface of a specimen secured by a tensile test conducted to prepare experimental data. FIG. 8A shows a state in which the specimen is elongated and fractured in a temperature section having ductility, such as a low temperature ductile section or a high temperature ductile section, so that the shape of the grain is hardly seen. On the other hand, (b) of FIG. 8 shows a state in which the specimen is fractured without being significantly deformed in a temperature section where brittleness occurs, for example, a brittle section, and a grain shape appears on the fracture surface.
예컨대 아래의 표1을 참조하면, A 성분을 갖는 강으로 주조된 주편의 일부를 채취하여, 6개의 시편을 제조할 수 있다. 그리고 600℃에서 1100℃까지 100℃ 간격으로 목표 온도를 설정하고, 각 시편을 이용하여 각 목표 온도에서 인장 실험을 수행한 후, 아래의 식 1을 이용하여 각 시편 파단면의 면적 감소율(RA)을 산출할 수 있다. For example, referring to Table 1 below, six specimens may be manufactured by taking part of a cast piece cast from steel having component A. In addition, after setting the target temperature at 100℃ intervals from 600℃ to 1100℃, and performing a tensile test at each target temperature using each specimen, the area reduction ratio (RA) of each specimen fracture surface using Equation 1 below. Can be calculated.
식1)Equation 1)
표 1에서는 면적 감소율(RA)을 수치로 예시하지 않았으나, 면적 감소율(RA)이 클수록 시편의 연성이 좋아지는 연성 온도 구간에서 파단된 것을 의미하고, 면적 감소율(RA)이 감소할수록 시편에 취성이 발생하는 취성 구간에서 파단된 것을 의미할 수 있다. In Table 1, the area reduction ratio (RA) is not illustrated as a numerical value, but as the area reduction ratio (RA) increases, the specimen is fractured in the ductile temperature range where the ductility of the specimen is improved, and as the area reduction ratio (RA) decreases, the specimen is brittle. It may mean that it is broken in the brittle section.
이와 같은 방법으로 B 성분을 갖는 강으로 주조된 주편과, C 성분을 갖는 강으로 주조된 주편을 각각 채취하여 시편을 제작하고, 이들 시편을 이용하여 인장 실험을 수행할 수 있다. 그리고 아래의 식 1을 이용하여 각 시편의 면적 감소율(RA)을 산출할 수 있다. In this way, a cast piece cast from a steel having a component B and a cast piece cast from a steel having a component C are each sampled to prepare a specimen, and a tensile test can be performed using these specimens. And the area reduction ratio (RA) of each specimen can be calculated using Equation 1 below.
RA(%)
RA(%)
이렇게 인장 실험을 통해 시편 파단면의 면적 감소율들이 산출되면, 강의 성분, 인장 온도 및 인장 조건 등을 포함하는 실험 조건 데이터와, 면적 감소율을 포함하는 실험 결과 데이터를 데이터 처리부(110)에 입력할 수 있다. 실험 데이터가 입력되면, 데이터 처리부(110)는 실험 데이터들을 이용하여 강의 성분 별 취성 구간을 도출할 수 있다. 이때, 실험 데이터는 실제 인장 실험에 의한 데이터와, 문헌에 기록되어 있는 데이터, 이전 조업에서 마련된 데이터 등을 더 포함할 수 있다. When the area reduction ratios of the fracture surface of the specimen are calculated through the tensile test, test condition data including steel components, tensile temperature, and tensile conditions, and test result data including the area reduction rate can be input to the
먼저, 데이터 처리부(110)는 하기의 식2으로 정의되는 가우시안 함수를 이용하여 온도에 대한 면적 감소율 곡선으로 도출할 수 있다. First, the
식2)Equation 2)
(x는 면적 감소율을 의미하고, σ는 임의의 양수를 의미함)(x means area reduction rate, σ means any positive number)
면적 감소율 곡선, 예컨대 가우시안 곡선은 강의 각 성분 별로 도출될 수 있다. A 성분을 갖는 강으로 주조된 주편으로 제작된 시편들의 면적 감소율들(RA11,RA12, RA13, RA14, RA15, RA16)을 이용하여 A 성분을 갖는 강의 면적 감소율 곡선을 도출할 수 있다. 그리고 B 성분을 갖는 주편으로 제작된 시편들의 면적 감소율들(RA21,RA22, RA23, RA24, RA25, RA26)을 이용하여 B 성분을 갖는 강의 면적 감소율 곡선을 도출할 수 있다. Area reduction rate curves, such as Gaussian curves, can be derived for each component of the steel. Using the area reduction ratios (RA 11 , RA 12 , RA 13 , RA 14 , RA 15 , RA 16 ) of the specimens made of cast steel with the A component, we can derive the curve of the area reduction rate of the steel with the A component. I can. And by using the area reduction ratios (RA 21 , RA 22 , RA 23 , RA 24 , RA 25 , RA 26 ) of the specimens made of the B component cast steel, the area reduction rate curve of the B component steel can be derived.
도 9는 인장 실험 시 산출된 시편의 파단면의 면적 감소율들을 가우시안 분포를 이용하여 생성한 온도에 대한 면적 감소율의 가우시안 곡선이다. FIG. 9 is a Gaussian curve of the area reduction ratio with respect to temperature generated using Gaussian distribution of the area reduction ratios of the fracture surface of the specimen calculated during the tensile test.
도 9를 참조하면, 가우시안 곡선은 면적 감소율이 최저가 되는 위치, 예컨대 기준 위치를 중심으로 저온 영역과 고온 영역이 서로 대칭되는 형상을 가질 수 있다. 이와 같은 가우시안 곡선을 이용하여 강의 성분 별 취성 구간, 예컨대 기준 취성 구간을 도출할 수 있다. Referring to FIG. 9, a Gaussian curve may have a shape in which a low-temperature region and a high-temperature region are symmetrical to each other around a location where the area reduction rate is lowest, for example, a reference location. Using such a Gaussian curve, a brittle section for each component of the steel, for example, a reference brittle section can be derived.
가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 반치전폭(Full Width of Half Maximum, FWHM)을 기준 취성 구간으로 도출할 수 있다. 이때, 반치전폭에서 저온 영역에 배치되는 가우시안 곡선과 만나는 위치를 기준 최저 온도로 도출하고, 고온 영역에 배치되는 가우시안 곡선과 만나는 위치를 기준 최고 온도로 도출할 수 있다. 그리고 기준 최저 온도와 기준 최고 온도 사이에서 면적 감소율이 최저가 되는 위치, 즉 기준 중심 위치를 기준 중심 온도로 도출할 수 있다. 이때, 가우시안 곡선은 대칭적으로 생성되기 때문에 기준 중심 온도는 기준 최저 온도와 기준 최고 온도 사이의 중심값, 예컨대 가운데 값을 갖는 온도일 수 있다. In the Gaussian curve, the full width of half maximum (FWHM), where the area reduction rate is 1/2 of the maximum area reduction rate, can be derived as the standard brittle section. At this time, a location where the Gaussian curve disposed in the low temperature region meets at the full width at half maximum may be derived as a reference minimum temperature, and the location where the Gaussian curve disposed in the high temperature region meets the reference maximum temperature may be derived. In addition, between the reference minimum temperature and the reference maximum temperature, the position at which the area reduction rate is the lowest, that is, the reference center position can be derived as the reference center temperature. At this time, since the Gaussian curve is generated symmetrically, the reference center temperature may be a temperature having a center value between the reference minimum temperature and the reference maximum temperature, for example, a center value.
이와 같은 방법으로 강의 성분 별로 가우시안 곡선을 도출하고, 도출된 가우시안 곡선으로부터 강의 성분 별로 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 각각 도출할 수 있다. 이와 함께 기준 최저 온도에서의 면적 감소율, 기준 최고 온도에서의 면적 감소율 및 기준 중심 온도에서의 면적 감소율을 각각 도출할 수 있다. In this way, a Gaussian curve can be derived for each steel component, and a reference minimum temperature, a reference maximum temperature, and a reference center temperature can be derived for each steel component from the derived Gaussian curve. In addition, the area reduction ratio at the reference minimum temperature, the area reduction ratio at the reference maximum temperature, and the area reduction ratio at the reference center temperature can be derived, respectively.
그리고 도출된 기준 최고 온도들, 기준 최저 온도들, 기준 중심 온도들 및 각각의 기준 온도에서의 면적 감소율을 강의 성분 별 예측 취성 구간을 예측하기 위한 기준 데이터로 사용할 수 있다. In addition, the derived reference maximum temperatures, reference minimum temperatures, reference center temperatures, and area reduction rates at each reference temperature may be used as reference data for predicting the predicted brittleness section for each steel component.
데이터 처리부(110)는 도출된 기준 데이터를 예측부(120)로 입력할 수 있다. 이때, 예측부(120)에는 기준 데이터 이외에도 실험 조건 데이터가 입력될 수 있다. 예측부(120)로 입력되는 실험 조건 데이터는 강의 성분, 인장 온도 및 인장 조건(변형 속도) 등을 포함할 수 있다. The
예측부(120)로 기준 데이터와 실험 조건 데이터가 입력되면, 예측부(120)에서는 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 개별적으로 예측할 수 있다. 이에 예측부(120)에 기준 데이터를 입력할 때, 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 각각 입력할 수 있다. 이렇게 예측부(120)에 기준 데이터와 실험 조건 데이터가 입력되면, 예측부(120)에서는 미리 설정된 딥 러닝 모델을 이용하여 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 개별적으로 학습시킬 수 있다. 그리고 예측부(120)에 대상 강, 예컨대 예측 취성 구간이 요구되는 강의 성분과, 인장 조건이 입력되면, 기준 데이터와 실험 조건 데이터를 이용한 학습 결과를 기반으로 대상 강의 예측 취성 구간에 대한 예측 데이터를 예측하여 출력할 수 있다. 이때, 예측부(120)는 예측 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 각각 예측하여 출력할 수 있다. 이와 같이 예측 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 각각 예측하여 출력하는 이유는, 예측부(120)에서 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 각각 개별적으로 학습시켰기 때문이다. 예측부(120)에서 출력되는 예측 데이터는 예측 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도와 함께 각 예측 온도에서의 면적 감소율을 포함할 수 있다. 이렇게 출력되는 예측 중심 온도는 예측 최저 온도와 예측 최고 온도 사이의 1/2이 되는 온도일 수도 있고, 예측 최고 온도 측으로 치우쳐질 수도 있다. 후자의 경우, 강의 성분에 따라 실제 취성 구간의 최저 온도가 고온 영역으로 확대 또는 이동하는 경향을 보이기 때문이다. 따라서 대상 강의 예측 취성 구간을 예측할 때 예측 중심 온도를 함께 예측함으로써 예측 취성 구간에서의 온도 변화를 보다 정확하게 예측할 수 있다. When reference data and experimental condition data are input to the
대상 강의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도가 출력되면, 예측부(120)에서는 예측된 취성 구간을 온도에 대한 면적 감소율 곡선으로 생성할 수 있다. When the predicted minimum temperature, predicted maximum temperature, and predicted center temperature of the target steel are output, the predicting
도 10은 본 발명의 실시 예에 따른 온도 제어 방법에서, 대상 강의 예측 취성 구간을 온도에 대한 면적 감소율 곡선으로 나타내기 위한 과정을 개념적으로 보여주는 그래프들이다. 10 are graphs conceptually showing a process for representing a predicted brittle section of a target steel as an area reduction rate curve with respect to temperature in a temperature control method according to an embodiment of the present invention.
먼저, 도 10의 (a)에 도시된 바와 같이, 예측 최저 온도에서의 면적 감소율(ⓐ)과, 예측 중심 온도에서의 면적 감소율(ⓒ)를 이용하여 가우시안 곡선, 예컨대 제1가우시안 곡선(A)을 생성할 수 있다. 또한, 도 10의 (b)에 도시된 것처럼, 예측 중심 온도에서의 면적 감소율(ⓒ)과, 예측 최고 온도에서의 면적 감소율(ⓑ)을 이용하여 가우시안 곡선, 예컨대 제2가우시안 곡선(B)을 생성할 수 있다.First, as shown in (a) of FIG. 10, a Gaussian curve, for example, a first Gaussian curve (A) using the area reduction ratio (ⓐ) at the predicted minimum temperature and the area reduction ratio (ⓒ) at the predicted center temperature. Can be created. In addition, as shown in (b) of FIG. 10, a Gaussian curve, such as a second Gaussian curve (B), is obtained by using the area reduction ratio (ⓒ) at the predicted center temperature and the area reduction ratio (ⓑ) at the predicted maximum temperature. Can be generated.
그리고 도 10의 (c)에 도시된 것처럼, 예측 중심 온도를 기준으로 제1가우시안 곡선(A)과 제2가우시안 곡선(B)을 통합하고, 제1가우시안 곡선(A)에서 저온 영역에 배치되는 곡선의 일부를 저온 취성 구간의 면적 감소율 곡선으로 채택하고, 제2가우시안 곡선(B)에서 고온 영역에 배치되는 곡선의 일부를 고온 취성 구간의 면적 감소율 곡선을 채택하여, 대상 강의 면적 감소율 곡선을 생성할 수 있다.And as shown in (c) of FIG. 10, the first Gaussian curve (A) and the second Gaussian curve (B) are integrated based on the predicted center temperature, and are arranged in the low temperature region in the first Gaussian curve (A). A part of the curve is adopted as the area reduction rate curve of the low-temperature brittle section, and a part of the curve arranged in the high-temperature region in the second Gaussian curve (B) is the area reduction rate curve of the high-temperature brittle section, and the area reduction rate curve of the target steel is created. can do.
이와 같이 온도 변화를 대상 강의 예측 취성 구간을 예측 온도에 대한 면적 감소율의 가우시안 곡선으로 생성하면, 작업자가 예측 취성 구간에서의 온도 및 면적 감소율의 변화를 직관적으로 확인하는데 도움을 줄 수 있다. 또한, 이를 통해 강의 성분 별 예측 취성 구간에서의 예측 중심 온도의 변화 경향을 용이하게 확인할 수 있다. In this way, when the temperature change is generated as a Gaussian curve of the area reduction ratio for the predicted brittle section of the target steel, it can help the operator to intuitively check the change in the temperature and the area reduction rate in the predicted brittle section. In addition, through this, it is possible to easily check the change trend of the predicted center temperature in the predicted brittle section for each component of the steel.
여기에서는 제1가우시안 곡선(A)과 제2가우시안 곡선(B)을 각각 생성하고, 이를 취합하여 대상 강의 면적 감소율 곡선을 다시 생성하는 것으로 설명하지만, 필요에 따라 어느 하나의 곡선만 생성할 수도 있다. Here, it is described that the first Gaussian curve (A) and the second Gaussian curve (B) are respectively generated and collected to regenerate the area reduction rate curve of the target steel, but only one curve can be generated if necessary. .
도 11은 본 발명의 실시 예에 따른 온도 제어 방법을 이용하여 생성된 실제 면적 감소율 곡선들을 보여주는 도면이다. 11 is a diagram showing actual area reduction rate curves generated using a temperature control method according to an embodiment of the present invention.
도 11의 (a)는 강, 예컨대 제1강의 성분 및 인장 조건을 예측부(120)에 입력하여 제1강의 예측 취성 구간을 예측하고, 예측된 제1강의 예측 취성 구간을 이용하여 생성된 온도에 대한 면적 감소율 곡선을 보여주고 있다. 도 11의 (a)를 참조하면, 제1강의 면적 감소율 곡선은 예측 중심 온도를 기준으로 저온 취성 구간과 고온 취성 구간이 거의 대칭적으로 형성된 것을 알 수 있다. 이는 제1강의 예측 취성 구간에서 예측 중심 온도가 예측 최저 온도와 예측 최고 온도의 약 1/2의 온도를 갖는 것을 의미한다. 11A shows the temperature generated using the predicted brittle section of the first steel by inputting the components and tensile conditions of the steel, for example, the first steel into the
반면, 도 11의 (b)는 제1강과 성분이 다른 제2강의 성분 및 인장 조건을 예측부(120)에 입력하여 제2강의 예측 취성 구간을 예측하고, 예측된 제2강의 예측 취성 구간을 이용하여 생성된 온도에 대한 면적 감소율 곡선을 보여주고 있다. 도 11의 (b)를 참조하면, 제2강의 면적 감소율 곡선은 예측 최저 온도가 고온 영역으로 확대 또는 이동하여, 예측 중심 온도를 기준으로 저온 취성 구간과 고온 취성 구간이 완전히 비대칭적으로 형성된 것을 알 수 있다. On the other hand, (b) of FIG. 11 predicts the predicted brittle section of the second steel by inputting the components and tensile conditions of the second steel having different components from the first steel into the
이를 통해 강의 성분 별로 예측 취성 구간에서의 온도 패턴을 보다 정확하게 예측할 수 있어, 주조 시 주편의 표면 온도를 정확하게 제어할 수 있음을 알 수 있다. Through this, it is possible to more accurately predict the temperature pattern in the predicted brittle section for each component of the steel, and it can be seen that the surface temperature of the cast steel can be accurately controlled during casting.
이와 같이 대상 강의 예측 취성 구간이 출력되면, 대상 강으로 주조될 주편의 표면 온도를 제어하기 위한 주조 조건을 설정할 수 있다. 이때, 주조 조건은 대상 강으로 주조될 주편에 분사할 냉각수량을 포함할 수 있다. When the predicted brittle section of the target steel is output as described above, casting conditions for controlling the surface temperature of the cast steel to be cast into the target steel can be set. At this time, the casting conditions may include the amount of cooling water to be sprayed onto the cast steel to be cast into the target steel.
주조 조건은 주편의 표면 온도를 적어도 예측 중심 온도를 피할 수 있게 제어할 수 있도록 설정될 수 있다. 예측 중심 온도는 면적 감소율이 최저가 되는 온도로, 주편 표면에 크랙이 가장 발생하기 쉬운 온도이다. 따라서 주편의 표면 온도를 예측 중심 온도를 벗어나도록, 즉 예측 중심 온도보다 낮거나 높게 제어하는 것이 좋다. Casting conditions may be set so as to be able to control the surface temperature of the cast piece so as to avoid at least the predicted center temperature. The predicted center temperature is the temperature at which the area reduction rate is the lowest, and is the temperature most likely to cause cracks on the surface of the cast steel. Therefore, it is good to control the surface temperature of the cast steel so as to deviate from the predicted center temperature, that is, lower or higher than the predicted center temperature.
또는, 주조 조건은 주편의 표면 온도가 예측 취성 구간에 포함되지 않게 제어할 수 있도록 설정될 수 있다. 예측 취성 구간은 주편 표면에 크랙이 발생할 수 있는 온도 구간이다. 따라서 주편 표면의 온도가 예측 취성 구간에 포함되지 않도록, 다시 말해서 예측 최저 온도보다 낮거나 예측 최고 온도보다 높게 제어하면, 주편 표면에 크랙이 발생하는 것을 억제 혹은 방지할 수 있다. Alternatively, the casting conditions may be set so that the surface temperature of the cast steel is not included in the predicted brittle section. The predicted brittle section is a temperature section in which cracks can occur on the surface of the cast steel. Therefore, by controlling the temperature of the cast steel surface not to be included in the predicted brittle section, that is, lower than the predicted minimum temperature or higher than the predicted maximum temperature, it is possible to suppress or prevent the occurrence of cracks on the surface of the cast steel.
도 12는 본 발명의 실시 예에 따른 온도 제어 방법으로 예측된 예측 데이터의 정확성을 평가한 결과를 보여주는 그래프들이다. 12 are graphs showing results of evaluating accuracy of predicted data predicted by a temperature control method according to an exemplary embodiment of the present invention.
도 12는 본 발명의 실시 예에 따른 온도 제어 장치의 예측부(120)에서 예측된 예측 데이터와, 데이터 처리부(110)에서 도출된 기준 데이터의 평균 제곱근 오차(RMSE)를 계산한 결과를 보여주고 있다. 평균 제곱근 오차는 표준편차를 일반화시킨 척도로서, 실제 값과 추정 값과의 차이가 얼마인가를 알려주는데 많이 사용되는 척도이다. 여기에서 실제 값은 기준 데이터를 의미할 수 있고, 추정 값은 예측 데이터를 의미할 수 있다. 12 shows a result of calculating the root mean square error (RMSE) of the predicted data predicted by the
예측 취성 구간의 각 온도, 즉 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도의 정확도를 각각 평가하였으며, 이를 도 12의 (a), 도 12의 (b) 및 도 12의 (c)에 각각 나타내었다. 이와 같이 예측 취성 구간에서 각 온도의 정확도를 평가하기 위하여 실험 데이터를 갖는 강을 평가 대상으로 하였다. The accuracy of each temperature of the predicted brittle section, that is, the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature, was evaluated, respectively, and shown in FIGS. 12(a), 12(b), and 12(c), respectively. Done. In this way, in order to evaluate the accuracy of each temperature in the predicted brittleness section, the steel having the experimental data was evaluated.
예측 최저 온도, 예측 최고 온도 및 예측 중심 온도의 평균 제곱근 오차는 각각 18.8℃, 26.5℃ 및 17.1℃로 계산되었다. 이와 같은 결과를 통해 본 발명의 온도 제어 방법으로 강의 성분 별, 인장 조건 별 예측 취성 구간을 예측하는 경우, 예측된 예측 데이터들이 기본 데이터들과 유사한 경향을 갖는 것을 확인할 수 있었다. The root mean square errors of the predicted lowest temperature, predicted highest temperature, and predicted center temperature were calculated as 18.8°C, 26.5°C, and 17.1°C, respectively. Through these results, when predicting the predicted brittle section for each component and tensile condition of the steel using the temperature control method of the present invention, it was confirmed that the predicted predicted data had a similar tendency to the basic data.
이상, 본 발명에 대하여 전술한 실시 예들 및 첨부된 도면을 참조하여 설명하였으나, 본 발명은 이에 한정되지 않으며 후술되는 특허청구범위에 의해 한정된다. 따라서 본 기술분야의 통상의 지식을 가진 자라면 후술되는 특허청구범위의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명이 다양하게 변형 및 수정될 수 있음을 알 수 있을 것이다.In the above, the present invention has been described with reference to the above-described embodiments and the accompanying drawings, but the present invention is not limited thereto and is limited by the claims to be described later. Therefore, those of ordinary skill in the art will appreciate that the present invention can be variously modified and modified without departing from the spirit of the claims to be described later.
10: 주형 100: 가이드 롤10: mold 100: guide roll
Claims (19)
상기 실험 데이터와 상기 기준 데이터를 입력받아 딥 러닝 모델을 이용하여 계산을 수행하여, 상기 기준 최저 온도, 상기 기준 최고 온도 및 상기 기준 중심 온도를 각각 학습시키고, 대상 강에 대한 입력 데이터를 입력받아 상기 학습을 기반으로 상기 대상 강에 대한 예측 취성 구간의 예측 최저 온도 및 예측 최고 온도와 면적 감소율이 최저가 되는 예측 중심 온도를 포함하는 예측 데이터를 예측하여 출력하기 위한 예측부; 및
상기 예측 데이터를 기반으로 대상 강으로 주조할 주편의 표면 온도를 조절하기 위해 주조 조건을 설정하기 위한 설정부;
를 포함하는 온도 제어 장치. A data processing unit for receiving experimental data prepared by a tensile test performed using specimens manufactured for each component of the steel and deriving reference data including a reference minimum temperature, a reference maximum temperature, and a reference center temperature of the brittle section for each component of the steel;
By receiving the experimental data and the reference data and performing calculations using a deep learning model, the reference minimum temperature, the reference maximum temperature, and the reference center temperature are respectively learned, and the input data for the target steel is received and the A prediction unit for predicting and outputting prediction data including a predicted minimum temperature of the predicted brittle section for the target steel and a predicted center temperature at which the predicted maximum temperature and area reduction rate are the lowest based on learning; And
A setting unit for setting a casting condition to control a surface temperature of a cast steel to be cast into a target steel based on the predicted data;
Temperature control device comprising a.
상기 실험 데이터는 강의 성분, 인장 온도 및 인장 조건을 포함하는 실험 조건 데이터와, 시편 파단면의 면적 감소율을 포함하는 실험 결과 데이터를 포함하고,
상기 데이터 처리부는, 가우시안 분포를 이용하여 강의 성분 별로 온도에 대한 시편 파단면의 면적 감소율을 가우시안 곡선으로 생성하고, 상기 가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 반치전폭(Full Width at Half Maximum, FWHM)을 기준 취성 구간으로 도출할 수 있는 온도 제어 장치.The method according to claim 1,
The experimental data includes experimental condition data including a component of a steel, a tensile temperature, and a tensile condition, and experimental result data including an area reduction rate of the fracture surface of the specimen,
The data processing unit generates a Gaussian curve for the area reduction rate of the fracture surface of the specimen against temperature for each component of the steel using a Gaussian distribution, and in the Gaussian curve, the area reduction rate becomes 1/2 of the maximum area reduction rate. at Half Maximum, FWHM) as a standard brittle section.
상기 데이터 처리부는,
상기 기준 취성 구간에서 기준 최저 온도 및 상기 기준 최저 온도에서의 면적 감소율과, 기준 최고 온도 및 상기 기준 최고 온도에서의 면적 감소율을 도출하고, 상기 기준 최저 온도와 상기 기준 최고 온도의 가운데 값을 갖는 기준 중심 온도와 상기 기준 중심 온도에서의 면적 감소율을 도출할 수 있는 온도 제어 장치.The method according to claim 2,
The data processing unit,
A reference having a reference minimum temperature and an area reduction rate at the reference minimum temperature in the reference brittle section, and an area reduction rate at the reference maximum temperature and the reference maximum temperature, and having a middle value between the reference minimum temperature and the reference maximum temperature A temperature control device capable of deriving a center temperature and an area reduction ratio at the reference center temperature.
상기 딥 러닝 모델은,
상기 실험 조건 데이터가 입력층이 되고, 상기 기준 데이터가 출력층이 되도록 설정되고, 상기 입력층과 상기 출력층 사이에 상기 실험 조건 데이터와 상기 기준 데이터를 행렬 연산으로 계산하기 위한 2개 이상의 은닉층을 포함하고,
상기 예측부는 상기 은닉층에 계수나 가중치를 부여하여 평균 제곱근 오차가 줄어드는 방향으로 중간 행렬식들을 보정해가는 학습을 수행할 수 있는 온도 제어 장치.The method according to claim 3,
The deep learning model,
The experimental condition data is set to be an input layer and the reference data is an output layer, and includes two or more hidden layers for calculating the experimental condition data and the reference data by matrix operation between the input layer and the output layer, ,
The temperature control device capable of performing learning in which the prediction unit applies a coefficient or weight to the hidden layer to correct intermediate determinants in a direction in which a root mean square error is reduced.
상기 대상 강에 대한 입력 데이터는 상기 대상 강의 성분 및 인장 조건을 포함하고,
상기 예측부는,
상기 입력층으로 상기 입력 데이터가 입력되면, 학습 결과를 기반으로 상기 출력층을 통해 상기 대상 강의 예측 취성 구간의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 포함하는 예측 데이터를 출력할 수 있는 온도 제어 장치. The method according to claim 4,
The input data for the target steel includes a component and a tensile condition of the target steel,
The prediction unit,
When the input data is input to the input layer, a temperature control capable of outputting prediction data including a predicted minimum temperature, a predicted maximum temperature, and a predicted center temperature of the predicted brittle section of the target steel through the output layer based on a learning result Device.
상기 예측 데이터는 상기 예측 최저 온도와 상기 예측 최저 온도에서의 면적 감소율, 상기 예측 최고 온도와 상기 예측 최고 온도에서의 면적 감소율 및 상기 예측 중심 온도와 상기 예측 중심 온도에서의 면적 감소율을 포함하고,
상기 예측부는,
상기 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도에 대한 면적 감소율의 곡선을 생성할 수 있는 온도 제어 장치.The method according to any one of claims 1 to 5,
The predicted data includes an area reduction rate at the predicted minimum temperature and the predicted minimum temperature, an area reduction rate at the predicted maximum temperature and the predicted maximum temperature, and an area reduction rate at the predicted center temperature and the predicted center temperature,
The prediction unit,
A temperature control device capable of generating a curve of an area reduction ratio for the predicted minimum temperature, predicted maximum temperature, and predicted center temperature.
상기 설정부는,
상기 대상 강으로 주조될 주편의 표면에 분사할 냉각수량을 설정할 수 있는 온도 제어 장치. The method according to any one of claims 1 to 5,
The setting unit,
Temperature control device capable of setting the amount of cooling water to be sprayed on the surface of the cast steel to be cast from the target steel.
상기 실험 데이터를 입력받아, 강의 성분 별 취성 구간의 기준 최저 온도, 기준 최고 온도 및 기준 최저 온도와 기준 최고 온도 사이의 기준 중심 온도를 포함하는 기준 데이터를 도출하는 과정;
상기 실험 데이터와 상기 기준 데이터를 입력받아, 강의 성분 별 기준 최저 온도, 기준 최고 온도 및 기준 중심 온도를 딥 러닝 모델을 이용하여 학습시키는 과정;
대상 강의 성분 및 인장 조건이 입력되면, 학습 결과를 기반으로 대상 강의 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 포함하는 예측 데이터를 출력하는 과정; 및
상기 예측 최저 온도, 예측 최고 온도 및 예측 중심 온도를 이용하여 대상 강으로 주조될 주편의 표면 온도를 제어하기 위한 주조 조건을 설정하는 과정;을 포함하는 온도 제어 방법. The process of preparing experimental data by tensile testing using specimens prepared for each component of the steel;
Receiving the experimental data and deriving reference data including a reference minimum temperature, a reference maximum temperature, and a reference center temperature between the reference minimum temperature and the reference maximum temperature of the brittle section for each component of the steel;
Receiving the experimental data and the reference data and learning the reference minimum temperature, reference maximum temperature, and reference center temperature for each component of a steel using a deep learning model;
A process of outputting prediction data including a predicted minimum temperature, a predicted maximum temperature, and a predicted center temperature of the target steel based on the learning result when the component and tensile condition of the target steel are input; And
Temperature control method comprising a; the process of setting the casting conditions for controlling the surface temperature of the cast steel to be cast into the target steel by using the predicted minimum temperature, predicted maximum temperature and predicted center temperature.
상기 실험 데이터를 마련하는 과정은,
강의 성분, 인장 온도 및 인장 조건을 포함하는 실험 조건 데이터와, 시편 파단면의 면적 감소율을 포함하는 실험 결과 데이터를 마련하는 과정을 포함하는 온도 제어 방법.The method according to claim 8,
The process of preparing the experimental data,
A temperature control method including a process of preparing experimental condition data including steel components, tensile temperature, and tensile conditions, and experimental result data including a reduction rate of an area of a fracture surface of a specimen.
상기 기준 데이터를 도출하는 과정은,
가우시안 분포를 이용하여 상기 인장 온도에 대한 상기 시편 파단면의 면적 감소율의 가우시안 곡선을 생성하는 과정;
상기 가우시안 곡선에서 면적 감소율이 최대 면적 감소율의 1/2이 되는 반치전폭(Full Width at Half Maximum, FWHM)을 기준 취성 구간으로 도출하는 과정;
상기 반치전폭에서 저온 영역의 온도를 상기 기준 최저 온도로 도출하고, 고온 영역의 온도를 기준 최고 온도로 도출하는 과정;
상기 기준 최저 온도와 상기 기준 최고 온도 사이에서 면적 감소율이 최저가 되는 온도를 상기 기준 중심 온도로 도출하는 과정;을 포함하는 온도 제어 방법. The method according to claim 9,
The process of deriving the reference data,
Generating a Gaussian curve of the area reduction ratio of the fracture surface of the specimen with respect to the tensile temperature using a Gaussian distribution;
A process of deriving a full width at half maximum (FWHM) in the Gaussian curve where the area reduction rate is 1/2 of the maximum area reduction rate as a reference brittle section;
Deriving a temperature in a low temperature region as the reference minimum temperature in the full width at half maximum, and deriving a temperature in the high temperature region as a reference maximum temperature;
And a process of deriving a temperature at which an area reduction rate is lowest between the reference minimum temperature and the reference maximum temperature as the reference center temperature.
상기 기준 데이터를 도출하는 과정은,
상기 기준 최저 온도와 상기 기준 최고 온도에서의 면적 감소율을 도출하는 과정을 포함하는 온도 제어 방법. The method according to claim 10,
The process of deriving the reference data,
And deriving an area reduction ratio at the reference minimum temperature and the reference maximum temperature.
상기 딥 러닝 모델은 입력층과, 출력층 및 상기 입력층과 상기 출력층 사이에 구비되는 2개 이상의 은닉층을 포함하고,
상기 학습시키는 과정은,
상기 실험 조건 데이터를 상기 입력층으로 설정하고, 상기 기준 데이터를 상기 출력층으로 설정하는 과정;
상기 은닉층에서 상기 실험 조건 데이터와 상기 기준 데이터를 행렬 연산으로 계산하는 과정; 및
상기 은닉층에 계수나 가중치를 부여하여 평균 제곱근 오차가 줄어드는 방향으로 중간 행렬식들을 보정하는 과정;을 포함하는 온도 제어 방법. The method according to claim 10,
The deep learning model includes an input layer, an output layer, and two or more hidden layers provided between the input layer and the output layer,
The learning process,
Setting the experimental condition data as the input layer and setting the reference data as the output layer;
Calculating the experimental condition data and the reference data in the hidden layer by matrix operation; And
Compensating the intermediate determinants in a direction in which a root mean square error is reduced by applying a coefficient or a weight to the hidden layer.
상기 학습시키는 과정은,
상기 기준 최저 온도, 상기 기준 최고 온도 및 상기 기준 중심 온도 중 어느 하나를 상기 출력층으로 설정하는 과정을 포함하는 온도 제어 방법. The method of claim 12,
The learning process,
And setting any one of the reference minimum temperature, the reference maximum temperature, and the reference center temperature as the output layer.
상기 예측 데이터를 출력하는 과정은,
상기 학습 결과를 기반으로 상기 대상 강의 상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도를 독립적으로 출력하는 과정; 및
상기 예측 최저 온도와 상기 예측 최고 온도 사이를 예측 취성 구간으로 출력하는 과정;을 포함하는 온도 제어 방법. The method according to claim 13,
The process of outputting the prediction data,
Independently outputting the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature of the target steel based on the learning result; And
And outputting the predicted minimum temperature and the predicted maximum temperature as a predicted brittleness section.
상기 예측 데이터를 출력하는 과정은,
상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도 각각에서의 면적 감소율을 출력하는 과정을 포함하고,
상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도에 대한 면적 감소율의 그래프를 생성하는 과정을 포함하는 온도 제어 방법. The method according to claim 14,
The process of outputting the prediction data,
And outputting an area reduction rate at each of the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature,
And generating a graph of an area reduction ratio for the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature.
상기 예측 최저 온도, 상기 예측 최고 온도 및 상기 예측 중심 온도에 대한 면적 감소율의 그래프를 생성하는 과정은,
가우시안 분포를 이용하여 상기 예측 최저 온도에서 면적 감소율과 상기 예측 중심 온도에서 면적 감소율의 제1가우시안 곡선을 생성하는 과정;
가우시안 분포를 이용하여 상기 예측 중심 온도에서 면적 감소율과 상기 예측 최고 온도에서 면적 감소율의 제2가우시안 곡선을 생성하는 과정;
상기 예측 중심 온도를 기준으로 상기 제1가우시안 곡선과 상기 제2가우시안 곡선을 취합하고, 상기 예측 중심 온도를 기준으로 저온 영역에 배치되는 상기 제1가우시안 곡선의 일부와, 고온 영역에 배치되는 상기 제2가우시안 곡선의 일부를 각각 채택하여 상기 대상 강의 예측 온도에 대한 면적 감소율 곡선으로 출력하는 과정; 중 적어도 어느 하나를 포함하는 온도 제어 방법.The method of claim 15,
The process of generating a graph of the area reduction ratio for the predicted minimum temperature, the predicted maximum temperature, and the predicted center temperature,
Generating a first Gaussian curve of an area reduction ratio at the predicted minimum temperature and an area reduction ratio at the predicted center temperature using a Gaussian distribution;
Generating a second Gaussian curve of an area reduction ratio at the predicted center temperature and an area reduction ratio at the predicted maximum temperature using a Gaussian distribution;
The first Gaussian curve and the second Gaussian curve are collected based on the prediction center temperature, and a part of the first Gaussian curve disposed in a low temperature region based on the prediction center temperature, and the first Gaussian curve disposed in a high temperature region. 2) selecting each part of the Gaussian curve and outputting an area reduction rate curve for the predicted temperature of the target steel; Temperature control method comprising at least any one of.
상기 주조 조건을 설정하는 과정은,
상기 주편에 분사할 냉각수량을 설정하는 과정을 포함하는 온도 제어 방법.The method according to any one of claims 8 to 16,
The process of setting the casting conditions,
Temperature control method comprising the step of setting the amount of cooling water to be sprayed on the cast iron.
상기 주조 조건을 설정하는 과정은,
상기 주편의 표면 온도를 상기 예측 중심 온도보다 낮게 제어하거나, 상기 예측 중심 온도보다 높게 제어하도록 주조 조건을 설정하는 과정을 포함하는 온도 제어 방법. The method of claim 17,
The process of setting the casting conditions,
And setting a casting condition to control the surface temperature of the cast steel to be lower than the predicted center temperature or higher than the predicted center temperature.
상기 주조 조건을 설정하는 과정은,
상기 주편의 표면 온도를 상기 예측 최저 온도보다 낮게 제어하거나, 상기 주편의 표면 온도를 상기 예측 최고 온도보다 높게 제어하도록 주조 조건을 설정하는 과정을 포함하는 온도 제어 방법. The method of claim 17,
The process of setting the casting conditions,
And controlling the surface temperature of the cast steel to be lower than the predicted minimum temperature, or setting casting conditions to control the surface temperature of the cast steel to be higher than the predicted maximum temperature.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190070221A KR102143118B1 (en) | 2019-06-13 | 2019-06-13 | Temperature control apparatus and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190070221A KR102143118B1 (en) | 2019-06-13 | 2019-06-13 | Temperature control apparatus and method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102143118B1 true KR102143118B1 (en) | 2020-08-10 |
Family
ID=72049344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190070221A KR102143118B1 (en) | 2019-06-13 | 2019-06-13 | Temperature control apparatus and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102143118B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418498A (en) * | 2020-11-12 | 2021-02-26 | 中国农业大学 | Temperature prediction method and system for intelligent greenhouse |
| WO2022049859A1 (en) | 2020-09-03 | 2022-03-10 | Ｊｆｅスチール株式会社 | Steel strip absorbed hydrogen amount prediction method, absorbed hydrogen amount control method, manufacturing method, generation method of absorbed hydrogen amount prediction model, and absorbed hydrogen amount prediction device |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005315703A (en) | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | Method for predicting material in steel material |
| JP2008307599A (en) * | 2007-06-18 | 2008-12-25 | Jfe Steel Kk | Continuous casting method, and continuous casting machine |
| JP2009050913A (en) * | 2007-08-29 | 2009-03-12 | Jfe Steel Kk | Method for predicting surface crack in continuously cast slab |
| JP4692402B2 (en) | 2006-06-12 | 2011-06-01 | 株式会社豊田中央研究所 | Casting simulation method, apparatus thereof, program thereof, recording medium recording the program, and casting method |
| KR20170011808A (en) * | 2015-07-24 | 2017-02-02 | 주식회사 포스코 | Method for casting |
| KR102098023B1 (en) * | 2018-10-24 | 2020-04-07 | 주식회사 포스코 | Apparatus for setting temperature of continuous casting device |
-
2019
- 2019-06-13 KR KR1020190070221A patent/KR102143118B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005315703A (en) | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | Method for predicting material in steel material |
| JP4692402B2 (en) | 2006-06-12 | 2011-06-01 | 株式会社豊田中央研究所 | Casting simulation method, apparatus thereof, program thereof, recording medium recording the program, and casting method |
| JP2008307599A (en) * | 2007-06-18 | 2008-12-25 | Jfe Steel Kk | Continuous casting method, and continuous casting machine |
| JP2009050913A (en) * | 2007-08-29 | 2009-03-12 | Jfe Steel Kk | Method for predicting surface crack in continuously cast slab |
| KR20170011808A (en) * | 2015-07-24 | 2017-02-02 | 주식회사 포스코 | Method for casting |
| KR102098023B1 (en) * | 2018-10-24 | 2020-04-07 | 주식회사 포스코 | Apparatus for setting temperature of continuous casting device |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022049859A1 (en) | 2020-09-03 | 2022-03-10 | Ｊｆｅスチール株式会社 | Steel strip absorbed hydrogen amount prediction method, absorbed hydrogen amount control method, manufacturing method, generation method of absorbed hydrogen amount prediction model, and absorbed hydrogen amount prediction device |
| CN112418498A (en) * | 2020-11-12 | 2021-02-26 | 中国农业大学 | Temperature prediction method and system for intelligent greenhouse |
| CN112418498B (en) * | 2020-11-12 | 2024-06-04 | 中国农业大学 | Temperature prediction method and system for intelligent greenhouse |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102143118B1 (en) | Temperature control apparatus and method thereof | |
| JP2005315703A (en) | Method for predicting material in steel material | |
| KR101516476B1 (en) | Apparatus for calculating set value, method of calculating set value, and program recording medium for calculating set value | |
| JP4523010B2 (en) | Steel plate manufacturing method | |
| PA et al. | Computational exploration of microstructural evolution in a medium C-Mn steel and applications to rod mill | |
| Morchhale et al. | Prediction of flow stress and forming limits for IN625 at elevated temperature using the theoretical and neural network approach | |
| KR102098023B1 (en) | Apparatus for setting temperature of continuous casting device | |
| Pittner et al. | An initial model for control of a tandem hot metal strip rolling process | |
| EP3603848A1 (en) | Mold life prediction method | |
| JP6652095B2 (en) | Method of rolling steel sheet and method of manufacturing steel sheet | |
| JP2010235972A (en) | Manufacturing controller and manufacturing method for high tension steel sheet | |
| JP7287416B2 (en) | Thick steel plate manufacturing specification determination support device, manufacturing specification search method, computer program, computer-readable recording medium, and thick steel plate manufacturing method | |
| JP2010207900A (en) | Method of predicting deformation resistance in hot rolling | |
| JP6582892B2 (en) | Hot rolling method for steel | |
| JP4269394B2 (en) | Steel plate shape prediction method | |
| JP2009233724A (en) | Cooling control method for hot-rolled metal strip in hot rolling, and manufacturing method for hot-rolled metal strip | |
| US20180347006A1 (en) | Method for deriving cooling time when quenching steel material, method for quenching steel material, and method for quenching and tempering steel material | |
| KR102161348B1 (en) | Apparatus and Method for Determining Descaling Method Based on Image of Slab | |
| JP2022038840A (en) | Method for manufacturing metal molding | |
| CN105921522A (en) | Laminar flow cooling temperature self-adaptive control method based on RBF neural network | |
| JP2019173096A5 (en) | ||
| JP4396237B2 (en) | Steel material heat treatment apparatus and steel material manufacturing method | |
| WO2024084824A1 (en) | Defect occurrence factor estimation device, defect occurrence factor estimation method, learning method for defect occurrence factor estimation model, operation condition determination method, and steel product production method | |
| JP3114593B2 (en) | Steel plate manufacturing method | |
| JP2006183108A (en) | Heat treatment apparatus for steel material and method for producing steel material |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |