ray haddeleme sġstemġnde tandem

2. Uluslar arası Raylı Sistemler Mühendisliği Sempozyumu (ISERSE’13), 9-11 Ekim 2013, Karabük, Türkiye
RAY HADDELEME SĠSTEMĠNDE TANDEM PARAMETRELERĠNĠN
YAPAY SĠNĠR AĞI ĠLE BELĠRLENMESĠ
a*
b
Hüseyin Altınkaya
a, *
b
İlhami M. Orak ve İsmail Esen
c
Karabük Üniversitesi, Karabük, Türkiye, haltinkaya@karabuk.edu.tr
Karabük Üniversitesi, Karabük, Türkiye, imorak@karabuk.edu.tr
c
Karabük Üniversitesi, Karabük, Türkiye, iesen@karabuk.edu.tr
Özet
Haddeleme prosesinde Tandem bölümü rayın nihai şeklinin verildiği, ilk iki bölümden farklı olarak dört
merdane ile yatay ve dikey haddelemenin yapıldığı son bölümdür. Bu çalışmada rayların üretim
parametrelerinin Yapay Sinir Ağı (YSA) ile modellenerek başka tipteki bir ray için en uygun parametre
değerlerinin elde edilmesi amaçlanmıştır. Kardemir AŞ’ de bulunan Ray ve Profil Haddehanesinin
üretim portföyünde bulunan beş çeşit rayın üretim parametrelerinden üç adet parametre giriş değeri
olarak, dört adet parametre ayrı ayrı çıkış değeri olarak belirlenmiştir. Tandem bölümüne ait yüzey
alanı, ezme oranı ve haddeleme hızı parametreleri kullanılarak 49kg/m lik ray için web (kaburga),
head (mantar) ve base (ayak) kısmına uygulanan kuvvetler ile tork parametrelerinin değerlerine kabul
edilebilir hata oranları ile ulaşılmıştır. YSA modellemesi Matlab programında gerçekleştirilmiştir.
Anahtar kelimeler: Sıcak haddeleme, Ray, Modelleme, YSA, Matlab
Abstract
Tandem is the station at which the rail takes its final shape. Contrary to the other two stations, there
are four rollers here to perform the horizontal and vertical rolling. This study aims to model the
production parameters of rails with Artificial Neural Network (ANN) in order to obtain the optimum
parameters for a differents type of rail. From the production parameters of five different rails, produced
by Kardemir AŞ’ Rail and Profile Rolling Mill, three parameters are chosen as the input value and four
parameters are chosen for the output value seperately. Using the surface area of the tandem section,
reduction rate and rolling speed parameters, the forces applied to the web, head and base parts of the
49kg/m rail as well as the torque values were obtained with acceptable errors for each pass. Matlab is
used for ANN modeling.
Keywords: Hot rolling, Rail, Modelling, ANN, Matlab
1.Giriş
Demir yolu taşımacılığı dünyada ilk zamanlarından bu yana önemini korumuş, hızlı tren projeleri her
zaman ilgi çekici olmuştur. Ülkemizde de son yıllarda hızlı tren projeleri ile ilgili önemli gelişmeler
yaşanmaktadır. Bu durum üretilen rayların yeni şartları ve istekleri karşılaması gerekliliğini ortaya
çıkarmıştır. Hem geleneksel hem de üniversal üretim yöntemlerinde üretilen ürünün kalitesini arttırmak
için çalışmalar yapılmaktadır. Üretim yapılırken kalitenin ve hızın arttırılabilmesi için bilgisayar
teknolojilerinden, simülasyon tekniklerinden yararlanılmaktadır. Demir yolu taşımacılığında kullanılan
raylar haddelendikten sonra nihai şekillerini alırlar. Haddeleme, plastik şekil verme ise demir-çelik
sektöründe çok önemli bir yere sahiptir. Haddeleme sistemlerinde her yönü ile kaliteli sonuçların
alınabilmesi için haddeleme parametrelerinin optimum şekilde düzenlenmesi gerekmektedir.
Haddelenecek malzeme ve istenilen geometriye bağlı olarak haddeleme hızı, haddeleme kuvveti,
haddeleme sıcaklığı, sürtünme katsayısı gibi parametrelerin haddeleme prosesinde belirleyici faktörler
olduğu bilinmektedir.
Haddeleme sistemlerinin optimizasyonu, modellenmesi ve simülasyonu ile ilgili yapılan çalışmalarda
genellikle malzemenin kimyasal kompozisyonu, haddeleme kuvvetinin etkisi, sıcaklık dağılımı,
deformasyon bölgesinin çıkarılması gibi konular üzerinde durulmuştur.
Altınkaya, H., Orak, İ. ve Esen, İ.
Haddeleme sistemlerinin modellenmesinde kullanılan modeller genelde üç grupta sınıflandırılmaktadır.
[1] Bunlar; İkonik Model, Analog Model ve Sembolik Modeldir. Bu modeller arasında en yaygın olarak
ise sembolik (matematiksel) model kullanılmaktadır. Literatür incelendiğinde sıcak haddeleme
sistemlerinin analizinde, simülasyonunda ve optimizasyonunda en çok kullanılan yöntemin sonlu
elemanlar metodu (FEM-SEM) olduğu görülmektedir. Yapay Sinir Ağı (YSA) ve Bulanık Mantık gibi
yapay zeka tekniklerinin kullanımı SEM kadar yaygın olmasa da tek başına ya da SEM ile birlikte
kullanılmaları azımsanamayacak sayıda ve önemde olmuştur. Ray haddeleme süreci ile ilgili
çalışmaların sayısı ise oldukça azdır.
L. Cser, A.S. Korhonen ve arkadaşları sıcak haddelemede durum görüntülemede yeni bir konsept
üzerinde çalışmışlardır. Bütün faktörlerin detaylı analizine dayanan bir durum görüntüleme önermişler,
sistem durumu gereken kalite aralığından ayrılıyorsa durum değerlendirilerek sinyal verilmesi
sağlanmıştır. Çalışmada Yapay Sinir Ağlarının SOM (Self Organising Maps) algoritmasını
kullanmışlardır. Bu algoritma çok kompleks sıcak haddeleme analizi için uygun bulunmuştur. SOM
uygulamasının pürüzsüzlük, biçim, yoğunluk gibi kaliteyi etkileyen faktörlerin gizli bağlantılarını ortaya
koymaya yardımcı olduğunu göstermişlerdir.[2]
Thomas Martinetz ve arkadaşları Yapay Sinir Ağları ile sıcak haddeleme prosesinde malzeme ve
enerji tasarrufu sağlanabileceğini ve haddeleme parametrelerinin optimizasyonunda kullanılabileceğini
göstermişlerdir. Yüz bin adet şerit profilden alınan verilerle yapılan çalışmalarda haddeleme kuvvetinin
RMS hatalarının YSA yaklaşımında konvansiyonel yöntemlere göre % 28’e varan oranlarda
iyileşmeler olduğunu bir tabloda göstermişlerdir.[3]
A.R. Shahani ve arkadaşları AA5083 alüminyum alaşımının sıcak haddeleme prosesinin hem
simülasyonunu hem de YSA ile modellenmesini gerçekleştirerek proseste etkili olan parametrelerin
tahmininde simülasyondan elde ettikleri sonuç ile YSA’dan elde ettikleri sonuçları mukayese
etmişlerdir. Simülasyonu SEM kullanarak gerçekleştirmişlerdir.
Slabın (kütüğün) geometrik şekli,
haddeleme yükü, haddeleme hızı, ezilme oranı, levhanın ilk kalınlığı ve sürtünme katsayısı modelin
oluşturulmasında kullanılmıştır. Deformasyon bölgesindeki sıcaklık dağılımının
ve gerilmenin
grafikleri SEM ve YSA ile ayrı ayrı elde edilmiş ve sonuçların büyük oranda uyuştuğunu
göstermişlerdir. YSA’ nın giriş verileri için SEM’den elde ettikleri sonuçları kullanmışlardır. Ağın
eğitilmesinde 25 adet örnek kullanılmış, girdi katmanında sürtünme katsayısı, hız, ezme oranı ve ilk
sıcaklık bilgileri girdi hücreleri olarak belirlenmiştir. 12 adet örneği ise test amaçlı kullanmışlardır. Ağın
öğrenmesinde geri yayılım (back propagation) kuralını tercih etmişlerdir.[4]
E. Öznergiz ve arkadaşları sıcak haddeleme prosesinin deneysel olarak ve YSA ile modellenmesini
karşılaştırmışlardır. Deneysel model oluşturularak haddeleme kuvveti, tork ve slab (kütük) sıcaklığı
parametrelerinin değerlerinin doğru olarak elde edilmesini amaçlamış ve aynı parametrelerin YSA ile
de tahmin edilebileceğini göstermişlerdir. Model verileri olarak Erdemir AŞ.’ de bulunan 2. sıcak
haddehanesinden ettikleri verileri kullanmışlardır.[5]
Ray haddelemesine yönelik daha önce yapmış olduğumuz çalışmalarda BD1 ve BD2 haddesinin
kuvvet ve tork değerleri ile bloomun hadde çıkışındaki genişliği ve yüksekliğinin yapay sinir ağları ile
yüksek doğruluk değerlerinde tahmin edilebileceğini göstermiştik.[6,7,8] Bu çalışmalarda elde ettiğimiz
birikimle Tandem haddesinde benzer modelleme çalışması ile rayın web (kaburga), head (mantar) ve
base (ayak) kısmına uygulanan kuvvetler ile tork değerinin tahmin edilmesini hedefledik.
2. Haddeleme
Genel anlamda haddeleme, malzemelere, bir kalıp yardımıyla plastik (kalıcı) şekil verilmesi işlemidir.
Haddeleme denilince metallerin haddelemesi öncelikle akla gelmektedir. Metalik malzemelerin uzun
ya da yassı ürün haline getirilmesi, hadde adı verilen kalıplarla haddelenmesi işlemi ile gerçekleştirilir.
Plastik şekil vermenin en önemli kısmı haddeleme ile yapılmaktadır. Şekil verilecek olan malzeme,
birbirine zıt yönde dönen iki veya daha çok silindirin (merdaneler) arasından geçirilerek yeniden
boyutlandırılır. Haddelemede ilk amaç, haddelenecek malzemeyi sıkıştırmak yani daha yoğun hale
getirmektir. İkinci amaç malzemeyi daha küçük bir kesit haline getirmektir.[9]
Haddeleme esnasında merdaneler aynı hızla ve birbirine zıt yönde dönerler (Şekil 1). Malzeme
merdaneler arasından geçerken istenen şekli alır. Merdaneler arasındaki açıklık malzemenin giriş
Altınkaya, H., Orak, İ. ve Esen, İ.
kalınlığından daha az olduğundan haddelenen malzemenin çıkış kalınlığında bir azalma gerçekleşir.
Malzemenin merdaneler arasından her bir geçişine paso denilmektedir. Haddeleme bir dolaylı basma
mekanik işlemi olup, genellikle uygulanan tek kuvvet merdanelerle sağlanan radyal basınçtır.
Şekil 1. İki merdaneli haddeleme işlemi
Yeniden kristalleşme (recrystallization) sıcaklığının altındaki bir sıcaklıkta gerçekleşen haddelemeye
soğuk haddeleme, yeniden kristalleşme sıcaklığının
üzerindeki bir sıcaklıkta gerçekleşen
haddelemeye sıcak haddeleme denilmektedir. [10,11]
Sıcak haddeleme düşük sayılarda haddeleme işlemi ile metallerin büyük oranlarda şekillendirilmesini
sağlar. Sıcak haddelenen malzemeler tavlamaya ihtiyaç duymazlar. Yüksek sıcaklık, malzemede artık
gerilimin toplanmasını engeller. Sonuç olarak malzemenin kararlılığı soğuk haddelenen malzemeden
daha iyidir. Sıcak haddeleme malzemenin mekanik özelliklerinden daha çok malzemenin şeklini ve
geometrisini işlemekle ilgilidir. Bu ise önce bir parçayı veya malzemeyi kritik sıcaklığının üzerinde
ısıtarak ve sonra da malzemeyi istenilen ebatta ve özellikte şekillendirecek kontrollü bir yük
uygulayarak yapılır.
Sıcak haddeleme yoluyla kare, yuvarlak, yassı, çokgen, kesit, şerit, halka, köşebent, T, I, U, H profil,
ray gibi mamuller üretilir. Sistemin giriş malzemesi olarak slab, blum, beam blank ve kütük olarak
adlandırılan yarı mamuller kullanılır. [12]
3.Yapay Sinir Ağı
Yapay zeka; bir bilgisayarın ya da bilgisayar denetimli bir makinenin, genellikle insana özgü nitelikler
olduğu varsayılan akıl yürütme, anlam çıkartma, genelleme ve geçmiş deneyimlerden öğrenme gibi
yüksek zihinsel süreçlere ilişkin görevleri yerine getirme yeteneği olarak tanımlanmaktadır.[ 13 ] Yapay
sinir ağları, bulanık mantık ve genetik algoritmalar gibi birçok yapay zeka teknikleri kullanılmaktadır.
Yapay Sinir Ağları (YSA) insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme,
yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik
olarak gerçekleştirmek amacı ile geliştirilen bilgisayar ile modelleme tekniğidir. Bu yetenekleri
geleneksel programlama yöntemleri ile gerçekleştirmek oldukça zor veya mümkün değildir. O nedenle,
yapay sinir ağlarının, programlanması çok zor veya mümkün olmayan olaylar için geliştirilmiş adaptif
bilgi işleme ile ilgilenen bir bilgisayar bilim dalı olduğu söylenebilir.
YSA, öğrenme, ilişkilendirme, sınıflandırma, genelleme, özellik belirleme ve optimizasyon gibi
konularda başarı ile uygulanmaktadır. Bu teknikle örneklerden elde edilen bilgiler ile kendi deneyimleri
oluşturulmakta ve benzer konularda benzer kararların verilmesi sağlanmaktadır. Teknik olarak bir
YSA’nın en temel görevi, kendisine gösterilen bir girdi setine karşılık gelebilecek bir çıktı seti
belirlemektir.
YSA yapay sinir hücrelerinden oluşmaktadır. Genel olarak hücreler üç katman halinde bir araya
gelerek ağı oluştururlar (Şekil 2). Girdi katmanında, dış dünyadan gelen girdiler alınarak ara katmana
gönderilir. Her proses elemanının sadece bir tane girdisi ve bir tane çıktısı vardır. Bu çıktı bir sonraki
Altınkaya, H., Orak, İ. ve Esen, İ.
katmanda bulunan bütün proses elemanlarına gönderilir. Ara katman(lar)ında, girdi katmanında gelen
bilgiler işlenerek bir sonraki katmana gönderilir. Birden fazla ara katman ve her katmanda birden fazla
proses olabilir. Çıktı katmanında, ara katmanlardan gelen bilgiler işlenerek girdilere karşılık ağın
ürettiği çıktıları belirleyerek dış dünyaya gönderir. [14]
Bir YSA’da proses elemanlarının bağlanması sonucu oluşan topoloji, proses elemanlarının sahip
oldukları toplama ve aktivasyon fonksiyonları, öğrenme stratejileri ve kullanılan öğrenme kuralı ağın
modelini belirlemektedir. Günümüzde yaygın olarak kullanılan modeller şunlardır: Çok Katmanlı
Algılayıcılar, Vektör Kuantisyon Modelleri(LVQ), Kendi Kendini Organize Eden Model (SOM), Adaptif
Rezonans Teorisi Modelleri (ART), Hopfield Ağları, Counterpropogation Ağı, Neocognitron Ağı,
Boltzman Makinesi, Probabilistic Ağlar,(PNN), Elman Ağı, Radyal Temelli Ağlar (RBN)
Şekil 2. YSA genel yapısı
4. Ray Haddeleme Sisteminde Tandem Bölümü Parametrelerinin
Yapay Sinir Ağı Ġle Belirlenmesi
Haddeleme prosesinde Tandem bölümü rayın nihai şeklinin verildiği, ilk iki bölümden farklı olarak dört
merdane ile yatay ve dikey haddelemenin yapıldığı son bölümdür. Kardemir AŞ’ de bulunan Ray ve
Profil Haddehanesinin üretim portföyünde bulunan beş çeşit rayın üretim parametrelerinden üç adet
parametre giriş değeri olarak, dört adet parametre ayrı ayrı çıkış değeri olarak belirlenmiştir. Her bir
paso için yüzey alanı, ezme oranı ve haddeleme hızı giriş değerleri olarak; rayın web (kaburga), head
(mantar) ve base (ayak) kısmına uygulanan kuvvetler ile tork ise çıkış değerleri olarak kullanılmıştır.
60 kg/m, 54 kg/m, 46 kg/m ve 33 kg/m tipindeki raylara ait veriler ağın eğitilmesi için, 49 kg/m
tipindeki raya ait veriler ise test amaçlı kullanılmıştır. Şekil 3’te 49 kg/m lik raya ait boyutlar
gösterilmektedir.
Altınkaya, H., Orak, İ. ve Esen, İ.
Şekil 3. 49 kg/m ray geometrik ölçüleri
Öğrenme kuralı olarak Backpropagation metodu seçilmiştir. İterasyon sayısı optimum 100 olarak
belirlenmiştir. Farklı algoritma ve ara katman sayılarından en iyi sonuçların Levenberg-Marquardt (LM)
algoritmasında ve 3 ara katman kullanıldığında elde edildiği gözlemlenmiştir. Transfer fonksiyonu
olarak purelin (linear transfer function) ve radbas (radial basis transfer function) seçilmiş, bu iki
fonksiyondan birbirine yakın sonuçlar elde edilmiştir.
Şekil 4’te Matlab programından elde edilen çıkış grafiği, tablo 1’ de ise YSA’dan elde edilen, yedi
pasoya ait force-web (kaburga kısmına uygulanan kuvvet) değerleri ile üretimde kullanılan değerler
arasındaki farkın (hatanın) yüzde olarak sonuçları verilmiştir.
Şekil 4. Kaburga kısmı kuvvet Hedef-Çıkış (T-Y) grafiği
Tablo 1. 49 kg/m ray için kaburga kısmı kuvvet hata oranları
Paso No
1
2
3
4
5
6
7
Hata Oranı(%)
2,9
3,2
---
1,8
1,2
0,5
0,9
Force-head (mantar kısmına uygulanan kuvvet) ile ilgili her bir paso için elde edilen sonuçlar ve hata
oranları şekil 5’te ve tablo 2’de gösterilmiştir.
Altınkaya, H., Orak, İ. ve Esen, İ.
Şekil 5. Mantar (baş) kısmı Hedef-Çıkış (T-Y) grafiği
Tablo 2. 49 kg/m ray için mantar kısmı kuvvet hata oranları
Paso No
1
2
3
4
5
6
7
Hata Oranı(%)
1,8
---
---
1,5
2,18
---
---
Force-base (ayak kısmına uygulanan kuvvet) ile ilgili her bir paso için elde edilen sonuçlar ve hata
oranları şekil 6’da ve tablo 3’te gösterilmiştir.
Şekil 6. Ayak kısmı Hedef-Çıkış (T-Y) grafiği
Altınkaya, H., Orak, İ. ve Esen, İ.
Tablo 3. 49 kg/m ray için ayak kısmı kuvvet hata oranları
Paso No
1
2
3
4
5
6
7
Hata Oranı(%)
1,9
---
---
2,1
1,28
---
1,27
Tork ile ilgili her bir paso için elde edilen sonuçlar ve hata oranları şekil 7’de ve tablo 4’te
gösterilmiştir.
Şekil 7. Tork Hedef-Çıkış (T-Y) grafiği
Tablo 4. 49 kg/m ray için tork hata oranları
Paso No
1
2
3
4
5
6
7
Hata Oranı(%)
1,3
1,11
---
1,7
1,9
1,15
0,9
5. Sonuç ve Değerlendirme
Bu çalışmada haddehanenin tandem bölümünde 60 kg/m, 54 kg/m, 49kg/m, 46 kg/m, 33 kg/m olmak
üzere beş farklı tip raydan dördüne ait üretim parametreleri kullanılarak beşincisine ait parametreler
için doğru sonuçlara ulaşılabileceği gösterilmiştir. 49 kg/m ray için tanden bölümünde kaburga,
mantar ve ayak kısımları kuvvet değerlerinin ve tork değerlerinin bulunabilmesi için YSA’ da
modelleme yapılmış, YSA’dan elde edilen sonuçlar ile üretim değerleri karşılaştırıldığında hata
oranlarının kabul edilebilir oranlarda olduğu görülmüştür. Hata oranlarının küçük olması modelin
güvenilirliğini ortaya koymaktadır.
Yapılan bu çalışma ile ray haddeleme işleminin veriye dayalı olarak modellenebileceği gösterilmiştir.
Bu işlem özellikle her bir deneme işleminin risk ve maliyet oluşturacağı demir çelik prosesinde
uygulanabilir bir yaklaşım geliştirilmesi açısından önemli olarak değerlendirilmektedir.
Kaynaklar
[1] E. Turban, J.E. Aranson, T.P. Liang, “Decision Support Systems and Intelligent Systems”, Pearson
Education Inc., New Jersey, Seventh Edition, (2005).
[2] L. Cser, A.S. Korhonen, J. Gulyas, P. Mantyla, O. Simula, Gy. Reiss, P. Ruha, “Data Mining and
State Monitoring in Hot Rolling”, Bay Zoltan Institute for Logistics and Production Systems,
H3519, Miskolc- Tapolca, Hungry, (1999).
[3] Martinetz T., Protzel P., Gramckow O., Sörgel G., “Neural Network Control for Rolling Mills”,
Altınkaya, H., Orak, İ. ve Esen, İ.
Siemens AG Corporate R&D, München, Germany (1994).
[4] A.R. Shahani, S. Setayeshi, S.A. Nodamaie, M.A. Asadi, S. Rezaie, “Prediction of Influence
Parameters on the Hot Rolling Process Using Finite Element Method and Neural Network”, Journal
of Materials Processing Technology (2009) 1920-1935
[5] E. Öznergiz, C. Özsoy, A. Kural, “Comparison of Emprical and Neural Network Hot-Rolling Process
Models”, DOI: 10.1243/09544054JEM1290, 2008
[6] H. Altınkaya, İ. Orak, İ. Tozlu "Ray Haddeleme Sisteminde Ön Haddeleme (BD1) İsleminin Yapay
th
Sinir Ağı İle Modellenmesi", 6 International Advanced Technologies Symposium (IATS’11), 16-18
Mayıs 2011, Fırat Üniversitesi,Elazığ
[7] H. Altınkaya, İ. Orak, "Ray Haddeleme Sisteminde Ara Haddeleme (BD2) İsleminin Yapay Sinir
Ağı İle Modellenmesi", International Iron & Steel Symposium, 02-04 April 2012, Karabük, Türkiye
[8] H. Altınkaya, İ. Orak, İ. Esen "Ray Haddeleme Sisteminde Ön Haddeleme (BD1) Parametrelerinin
Yapay Sinir Ağı İle Belirlenmesi", 1. Uluslararası Raylı Sistemler Mühendisliği Çalştayı IWRSE’12,
11-13 Ekim 2012, Karabük, Türkiye
[9] Zygmunt Wusatowski, “Fundamentals of Rolling”, PergamonPress
[10] http://en.wikipedia.org/wiki/Recrystallization (metallurgy)
[11] http://en.wikipedia.org/wiki/Rolling (metalworking)
[12] http://www.kardemir.com/frmTesis.aspx?id=4&SectionID=tesis
[13] Vasif V. Nabiyev, “Yapay Zeka”, Seçkin yayınevi, 2005
[14] Ercan Öztemel, “Yapay Sinir Ağları” , Papatya Yayıncılık, 2006