7º CONGRESSO BRASILEIRO DE ENGENHARIA DE FABRICAÇÃO
7th BRAZILIAN CONGRESS ON MANUFACTURING ENGINEERING
20 a 24 de maio de 2013 – Penedo, Itatiaia – RJ - Brasil
May 20th to 24th, 2013 – Penedo, Itatiaia – RJ – Brazil
REDE NEURAL APLICADA A CINÉTICA DE RECRISTALIZAÇÃO DE UM
AÇO IF APÓS LAMINAÇÃO A FRIO
Gerson Alves Inácio, gerson_inacio@terra.com.br1 Eder dos Reis Silva, reis.eder@hotmail.com1
Phablo Ramos Carvalho, phablocarvalho@yahoo.com.br1 Adauto Martins de Assis, adauto@metal.eeimvr.uff.br1 Jose Flavio Silveira Feiteira, joseflavio@vm.uff.br1 Gláucio Soares da Fonseca, glaucio@metal.eeimvr.uff.br1
1Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro, Brasil,
Resumo: A idéia principal do trabalho é criar e aplicar uma rede neural artificial (RNA) para prever a cinética de recristalização estática. Primeiramente, foram testadas a convergência de duas configurações de RNA através de dados experimentais disponíveis na literatura. Em seguida treinou-se uma nova RNA adequada aos dados experimentais da
fração volumétrica recristalizada (VV) de um aço IF (Interstitial Free) da Companhia Siderúrgica Nacional (CSN), após
laminação a frio e conseqüentemente recozimento. Este material é muito empregado na indústria automobilística e apresenta alta resistência mecânica e uma excelente conformabilidade. Finalmente, foram realizadas medidas de dureza
nas amostras de aço IF como medida indireta de VV para confirmar os resultados previstos pela rede neural
implementada. Os dados previstos e dados experimentais apresentaram boa concordância. Palavras-chave: rede neural artificial, cinética, recristalização, aço IF.
1. INTRODUÇÃO
Em um processo de laminação a frio, o aço encrua e aumenta a resistência mecânica, mas reduz sua conformabilidade. Uma maneira de restaurar esta última propriedade é realizar o processo de recozimento após a laminação. Durante o recozimento ocorre o fenômeno da recristalização, que é uma transformação microestrutural que envolve a formação de novos grãos livres de deformação em determinados locais do material e o crescimento destes grãos até consumir a microestrutura deformada, o que ocorre através da eliminação de defeitos cristalinos por migração de contornos. A cinética da recristalização geralmente é apresentada pela evolução da fração recristalizada (VV) em função do tempo e representada por uma curva em formato sigmoidal, que mostra o aspecto de transformações ocorridas por nucleação e crescimento (Humphreys e Hatherly, 2004).
Uma maneira de representar a cinética de recristalização é pela equação de JMAK. Este modelo analítico conhecido como modelo de Johnson, Mehl, Avrami e Kolmogorov (JMAK), representada na Eq. (1), considera as seguintes hipóteses simplificadoras: a taxa de nucleação de novos grãos é constante, a taxa de crescimento dos novos grãos é linear, os novos grãos são considerados esféricos e o crescimento é isotrópico, e a amostra recristalizada é infinita e a nucleação ocorre de forma aleatória e homogênea (Humphreys e Hatherly, 2004).
nV
kt
V
1
exp
(1)Onde, n e k são constantes, estando k relacionado com a velocidade e dependente da temperatura e “n” indica o tipo de nucleação e se o processo é controlado pela interface ou por difusão.
Geralmente VV é medida por técnicas estereológicas. É necessária uma preparação criteriosa da amostra por lixamento, polimento e ataque (químico ou eletroquímico). O que demanda tempo e perícia do pesquisador. De posse dos dados de VV é elaborado um gráfico de VV em função do tempo. E a Eq. (1) usualmente é utilizada para avaliar a cinética de recristalização. Uma maneira alternativa de analisar a cinética de recristalização é utilizar redes neurais artificiais (RNA’s) (Löffler, 2004 e Salehi e Serajzadeh, 2010).
Com as bases da neurocomputação introduzidas pelos pesquisadores McCullough e Pitts, em 1943, as RNA’s são baseadas no funcionamento do cérebro humano. Estas são ferramentas de grande versatilidade e aplicabilidade, especialmente na indústria, tanto para reconhecimento de padrões, como para previsão de variáveis em problemas complexos, de caráter não linear (Haykin, 2007).
A rede neural artificial, mostrada na Fig. (1), é um conjunto de equações que recebem entradas (informações), com as respectivas ponderações (pesos) que são otimizados visando minimizar o erro entre os valores previstos e os experimentais, transformando-os em resultados (saídas numéricas), sendo uma tentativa de criar um modelo matemático capaz de apresentar algumas características de inteligência e cumprir a função de prever o valor da variável resposta através de treinamento com base na quantidade de dados analisados. A conexão torna-se cada vez mais forte entre os elementos processados, através da reanálise dos pesos (w), associados a cada informação de entrada (x), os quais vão se ajustando, no sentido de fornecer resultados cada vez mais próximos dos resultados objetivados (y), contidos nos dados iniciais. Com isto, comportamentos complexos podem ser reproduzidos por um modelo resultante de treinamento de uma rede neural (Haykin, 2007).
Figura 1. Neurônio artificial (Haykin, 2007).
As redes neurais artificiais estão bem estabelecidas como suplementos de modelos físicos. Sempre que possível, os modelos físicos são usados para descrever o processo. No entanto, para alcançar a precisão melhor possível do modelo, os modelos devem ser adaptados aos dados medidos. Em muitas aplicações as redes neurais artificiais tornaram-se efetivas para essas adaptações, com relação à exatidão e tempo de computação (Löffler, 2004).
No trabalho de Salehi e Serajzadeh, (2010), foi criada uma rede neural artificial para predição da cinética de recristalização estática após uma análise de elementos finitos e que poderia ser empregada em simulações de operações de deformação de uma liga de alumínio AA5083 em um laminador a quente, onde foi observada uma boa consistência entre os dados experimentais e os dados de predição obtidos, onde o modelo foi capaz de trabalhar com parâmetros, como a temperatura e deformação efetiva. Os resultados de treinamento e teste da rede obtidos pelos autores são apresentados na Fig. (2), com valores de coeficiente de determinação, R2, muito próximo de 1.
Figura 2. Resultados de treinamento (a) e de teste (b) da rede da liga AA5083 de Salehi e Serajzadeh (2010). A curva de aprendizagem, Fig. (3), mostra uma rede analisada por Salehi e Serajzadeh aonde os resultados chegaram a 2,31x10-5 de erro de treinamento após 2000 épocas, em uma rede com três camadas, com onze neurônios na primeira camada e nove e seis neurônios nas camadas subsequentes, empregando a função de transferência tansig nas primeiras camadas e função linear na camada de saída.
Wk1 Wk2 Wkm x1 x2 x3
Σ
φ(.) Saída yK Função de ativação Junção aditiva Vkk bk Pesos sinápticos Sinais de entrada . . . . . .Figura 3. Curva de aprendizagem da liga AA5083, com a validação da rede neural (Salehi e Serajzadeh, 2010).
A curva da Fig. (4) mostrou a comparação entre os valores experimentais e os da predição da fração recristalizada sob a temperatura de 400ºC. Esta figura indica uma boa relação entre a RNA com os dados experimentais.
Figura 4. Comparação entre a predição e a medição experimental da fração recristalizada sob temperatura inicial de 400ºC (Salehi e Serajzadeh, 2010).
O objetivo deste trabalho consiste da criação e aplicação de redes neurais artificiais visando a possibilidade de prever a cinética de recristalização. Em um primeiro momento, a possibilidade de utilizar as RNA’s, foi verificada através de dados experimentais obtidos por: Raghunathan et al (1986), que utilizaram a liga AA5056 e por Vandermeer e Rath (1989), que utilizaram o ferro puro. Em um segundo momento, uma RNA é treinada baseada em dados experimentais da fração volumétrica recristalizada (VV) de um aço IF (Interstitial Free) laminado e recozido. As amostras de aço IF foram retiradas após 77% de redução por laminação a frio e em seguida, recozidas em três temperaturas: 650,700 e 750ºC em tempos variados. Foram realizadas medidas de dureza nas amostras de aço IF para testar a RNA.
2. MATERIAIS E MÉTODOS
A metodologia de estudo empregada neste trabalho apresenta: construção de RNA’s baseadas em dados de dois artigos sobre cinética de recristalização: um por Raghunathan et al (1986), que utilizaram a liga AA5056 e outro por Vandermeer e Rath (1989), que utilizaram ferro puro. Análise metalográfica em amostras de um aço IF foi realizada para obtenção de VV em função do tempo de recozimento para posterior treinamento de uma rede neural, além de medir a dureza para testar a rede criada.
2.1 Estudos de Aplicação de Redes Neurais Artificiais
2.1.1 Construção da Rede com Dados Baseados no Artigo de Raghunathan et al (1986)
A primeira rede neural foi construída baseada nos dados do artigo de Raghunathan et al, que mostra a fração volumétrica recristalizada obtida em função do tempo durante experimentos de recozimento isotérmico, onde foi produzido uma curva sigmoidal, da forma da Eq. (1), para uma liga de alumínio AA 5056 variando-se as temperaturas de 300°C a 450ºC, com intervalo de 50ºC, e com valores de deformação equivalente de 52% e diâmetro inicial de grão de 144µm. Foram extraídos destas curvas os valores de VV em função do tempo para estudo e aplicação na rede.
O tipo de rede utilizada foi Multilayer Perceptron, com uma camada de entrada, quatro camadas ocultas e uma camada de saída. Os dados coletados foram aleatoriamente divididos para treinamento, validação e teste da rede na seguinte proporção: 60%; 20%; 20%, utilizando o software Matlab. Na camada de entrada foram utilizados quatro neurônios, um para cada classe de dados, que são: temperatura, tempo, diâmetro inicial de grão e deformação equivalente e para camada de saída foi utilizado um neurônio correspondente a fração volumétrica com uma função linear. No treinamento de neurônios por backpropagation foi utilizado à função de transferência trainlm. Dois critérios diferentes foram usados para parar o treinamento. O primeiro inclui a soma dos erros quadráticos (SSE), e o segundo o número máximo de épocas. O SSE foi ajustado para 10-4 e o número máximo de épocas foi igual a 2000.
2.1.2. Construção da Rede com Dados Baseados no Artigo de Vandermeer e Rath( 1989)
A segunda rede neural foi baseada no artigo de Vandermeer e Rath, que estudaram a cinética de recristalização do ferro puro com 70% de deformação equivalente e diâmetro inicial de grão de 60µm em um processo de laminação e posterior recozimento entre as temperaturas de 500ºC a 600ºC, com intervalo de 25ºC. Foram extraídos destas curvas os valores de VV em função do tempo para estudo e aplicação na rede.
O tipo de rede utilizada foi Multilayer Perceptron, com uma camada de entrada e cinco camadas ocultas e uma camada de saída. Os dados coletados foram aleatoriamente divididos para treinamento, validação e teste da rede na seguinte proporção: 60%; 20%; 20%, utilizando o software Matlab. Na camada de entrada foram utilizados quatro neurônios, um para cada classe de dados, que são: temperatura, tempo, diâmetro inicial de grão e deformação equivalente e para camada de saída foi utilizado um neurônio correspondente à fração volumétrica com uma função linear. No treinamento de neurônios por backpropagation foi utilizado à função de transferência trainlm. Dois critérios diferentes foram usados para parar o treinamento. O primeiro inclui o erro médio quadrático (MSE), e o segundo o número máximo de épocas. O MSE foi ajustado para 10-5 e o número máximo de épocas foi igual a 2000.
2.2 Análise Metalográfica do Aço IF
A obtenção dos dados do aço IF, utilizado para treinar e testar as redes, foi seguido conforme a metodologia e procedimentos apresentados no fluxograma da Fig. (5).
Figura 5. Metodologia de estudo e procedimento experimental.
As amostras de aço IF foram retiradas na dimensão 0,80 (espessura) x 955 mm, após o processo de laminação a frio, com 77% de redução, em seguida, ocorreu a preparação destas amostras. Elas foram cortadas em dimensões 15 x 25 mm e levadas a um forno tipo mufla para tratamento nas temperaturas de 650, 700 e 750ºC e tempo de recozimento controlado,
Coleta das Amostras de Aço IF com 77% Redução Preparação das Amostras de Aço IF Tratamentos Térmicos de Recozimento 650ºC 700ºC 750ºC Preparação Metalográfica Microscopia Ótica Microdureza Vickers
como apresentado na Tab. (1). Após o tratamento térmico ocorreu o embutimento a quente das amostras em uma prensa metalográfica. As amostras foram lixadas com lixas de carbeto de silício de 320, 500, 800, 1000 e 1200 mesh, na sequência foram polidas com solução de alumina de 1µm e realizado o ataque químico com Nital 3% e em seguida com Klemm’s (solução saturada de tiossulfato de sódio com metabissulfito de potássio) para visualização das microestruturas.
Tabela 1. Tratamento térmico realizado. Temperatura (ºC) Tempo (s) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 650 3600 5400 7200 10800 12600 14400 16200 18000 19800 - - - - - 700 240 480 600 900 1200 1800 2400 3000 3600 - - - - - 750 10 20 30 45 60 75 90 100 110 115 120 180 210 240 A captura de imagens foi realizada com um microscópio óptico acoplado a uma câmera digital e ao software Image-Pro Plus, onde foram capturadas 36 imagens de cada amostra e feito as quantificações estereológicas. VV foi obtida por VV= PP, em que PP é a porcentagem de pontos de interesses observados. Adotou-se o seguinte procedimento: sobrepor uma grade de pontos sobre a imagem (no caso foi utilizada uma grade de 400 pontos); contagem dos grãos recristalizados que interceptam os pontos na grade e divisão do número de interceptos pelo número total de pontos na grade (Russ e Dehoff ,2000). Estes valores de VV foram utilizados para construção da rede neural.
Na sequência do estudo, foi realizado o ensaio de microdureza Vickers em um microdurômetro em todas as amostras que sofreram o tratamento térmico, com 36 medições aleatórias, utilizando uma escala Vickers (HV) de 200 gf e 15s para cada penetração. Os valores de dureza podem ser transformados em fração volumétrica através da Eq. (2)
VF VO V VO V
H
H
H
H
V
(2)Em que HVO, HV e HVF, são respectivamente o valor de dureza na amostra deformada, parcialmente recristalizada e 100% recristalizada. O valor de VV obtido via dureza, Eq.(2), será comparada com a rede neural construída para o aço IF. 2.2.1 Construção de Rede com os Dados baseados na Análise Metalográfica do Aço IF
O tipo de rede utilizada foi Multilayer Perceptron, com uma camada de entrada, quatro camadas ocultas e uma camada de saída. Os dados coletados foram aleatoriamente divididos para treinamento, validação e teste da rede na seguinte proporção: 60%; 20% e 20%, utilizando o software Matlab. Na camada de entrada foram utilizados três neurônios, um para cada classe de dados, que são: temperatura, tempo e dureza e para camada de saída foi utilizado um neurônio correspondente à fração volumétrica com uma função linear. Foram adotadas quatro camadas ocultas, sendo a primeira camada com oito neurônios e utilizando a função logsig, a segunda e terceira camadas com dez neurônios, utilizando as funções tansig e logsig, respectivamente, e a quarta camada com oito neurônios com a função tansig. O número de repetições consideradas foi de 1000 épocas. Para treinamento de neurônios por backpropagation foi utilizada a função de transferência trainlm. Dois critérios diferentes foram usados para parar o treinamento. O primeiro inclui o erro médio quadrático (MSE), e o segundo o número máximo de épocas. O MSE foi ajustado para 10-4 e o número máximo de épocas foi igual a 1000.
3 RESULTADOS E DISCUSSÃO
Os resultados das aplicações das redes neurais relativos aos materiais AA5056 e ferro puro, citados anteriormente, e aos resultados encontrados neste trabalho para o aço IF são discutidos.
3.1 Avaliação da Rede Neural com base na liga AA5056.
Os dados para treinar a rede foram: temperatura, tempo, diâmetro inicial de grão; deformação equivalente e fração volumétrica de grãos recristalizados obtidos de Raghunathan et al (1986). A Fig. (6a) apresenta o resultado de treinamento da rede e a Fig. (6b) apresenta o teste da rede. Observa-se nessas Figuras uma boa correlação tanto para treinamento quanto para teste, com coeficientes de determinação, R2, maior que 0,99. A validação ocorreu após 141 épocas.
Figura 6. Resultados de treinamento (a) e teste (b) da rede neural para análise da Liga AA5056.
No gráfico da Fig. (7) os resultados de VV em função do tempo obtidos por Raghunathan et al são comparados com a rede neural construída. É notória a boa relação entre a rede neural para cada temperatura com os dados experimentais.
Figura 7. Comparação das curvas de recristalização da Liga AA5056 do artigo de Raghunathan et al (1986) com as redes neurais artificiais desenvolvidas.
3.2 Avaliação da Rede Neural com base no Ferro Puro
Nesta análise foram utilizados os seguintes dados para treinar a rede: temperatura, tempo, diâmetro inicial de grão; deformação equivalente e fração volumétrica de grãos recristalizados em ferro puro obtidos de Vandermeer e Rath (1986). A Fig. (8a) apresenta o resultado de treinamento da rede e a Fig. (8b) apresenta o teste da rede. Nestas Figuras também observou- se uma boa correlação tanto para treinamento quanto para teste. A validação ocorreu após 123 épocas.
Figura 8. Treinamento (a) e teste (b) da rede neural para análise do ferro puro.
No gráfico da Fig. (9) os resultados de VV em função do tempo obtidos por Vandermeer e Rath são comparados com a rede neural construída. Os pontos fora das curvas sigmoidais são consequências da própria cinética de recristalização do ferro puro como apresentado no artigo. Uma boa relação entre a rede neural para cada temperatura com os dados experimentais foi observada.
Figura 9. Comparação das curvas de recristalização do ferro puro do artigo de Vandermeer e Rath (1989) com as redes neurais artificiais desenvolvidas.
3.3 Avaliação da Rede Neural do Aço IF
A fração volumétrica (VV) recristalizada para o aço IF foi obtida conforme descrito no subitem 2.2. Para efeito de ilustração na Fig. (10a) e (10b) são apresentadas as micrografias obtidas para a amostra tratada a 750ºC com o tempo de 20s e 120s. Os valores de VV nessas condições foram 0,3% e 100%, respectivamente.
(a) (b)
Figura 10. Micrografia do aço IF após o recozimento a 750°C nos seguintes tempos: (a) 20s; (b) 120s. De posse dos dados de VV, temperatura, tempo e dureza pode-se treinar a rede neural. A Fig. (11a) apresenta o resultado de treinamento da rede e a Fig. (11b) apresenta seu teste. Foram observados que houve uma boa correlação no treinamento e teste da rede, com coeficientes de determinação superiores a 0,99.
Figura 11. Treinamento (a) e teste (b) da RNA do aço IF.
A validação ocorreu após 14 épocas, como pode ser visto na curva de aprendizagem da Fig. (12), convergindo para os valores de erro apresentado em um tempo de 16 x 10-4s e um erro médio quadrático de aproximadamente 10-4.
A Figura (13) mostra a comparação entre a fração volumétrica recristalizada obtida pela RNA e a obtida por estereologia, com VV= PP, como descrito no item 2.2, nas temperaturas de 650, 700 e 750ºC. As comparações dos resultados previstos com os experimentais apresentaram uma excelente correlação em todas as temperaturas, com R2 maior que 0,99. O valor de VV obtido via estereologia é uma medida direta, mas exige um grande número de amostras e um preparo metalográfico laborioso. Uma opção foi também estimar VV via dureza, por ser mais rápido, porém a desvantagem é que o valor de VV obtido é indireto. Assim medidas experimentais de dureza foram realizadas nas amostras do aço IF e aplicadas na Eq. (2) para transformar em VV. Esses dados também foram colocados na Fig. (13) para comparação com as RNA’s construídas e apresentaram uma boa performance entre os dados experimentais e os obtidos pela rede.
Figura 13. Comparações das curvas de recristalização do aço IF, nas temperaturas: a) 650ºC, b) 700ºC e c) 750ºC. Observa-se na Figura 13, que o aumento da temperatura de recozimento, influencia significativamente a cinética de recristalização. Por exemplo, a 750ºC em 120s, Fig. (13c) a amostra estava 100% recristalizada. Tempo muito menor quando comparada a 650ºC e 700ºC, Fig. (13a) e (13b), para obter 100% de recristalização.
4 CONCLUSÃO
As aplicações das redes neurais ao processo de recristalização em relação a liga AA5056 e ao ferro puro apresentaram boa correlação no treinamento, teste e por conseguinte na comparação entre os resultados previstos e experimentais de VV em função do tempo.
De posse dos dados de VV, temperatura, tempo e dureza pode-se treinar uma rede neural para prever a fração volumétrica recristalizada em um aço IF. Houve uma boa correlação no treinamento e teste da rede, e na comparação entre os resultados previstos e experimentais, com coeficientes de determinação superiores a 0,99. O valor de VV obtido via estereologia é uma medida direta, mas exige um preparo metalográfico laborioso. Uma opção foi também estimar VV via dureza, por ser mais rápido, porém a desvantagem é que o valor de VV obtido é indireto. Esses dados foram comparados com a RNA, apresentando uma boa performance. A idéia é que com a RNA treinada e testada, a medida de dureza poderia ser usada pontualmente para obter VV, para comparação entre valores experimentais e previstos.
A Tabela (2) apresenta um resumo comparativo entre as arquiteturas de redes utilizadas neste estudo e os desempenhos alcançados com os resultados simulados no Matlab, sendo encontrados pequenos erros e coeficiente de determinação maior que 0,99, mostrando uma boa performance da rede.
Tabela 2- Comparativo das RNA’s da liga AA5083 de Salehi e Serajzadeh com a liga AA5056, fe puro e aço IF. Material Arquitetura (Camadas) Função Transferência Épocas Erro
Entrada Ocultas Saída
AA5083 4 11, 9, 6 2 Tansig, tansig,tansig, pureline 2000 2,31 x 10-5 AA5056 4 13,10,10,9 1 Logsig-logsig-tansig-logsig-pureline 2000 1,69 x 10-4 Fe Puro 4 8, 10, 10, 8, 6 1 Tansig-logsig-tansig-logsig-tansig-pureline 2000 1,96 x 10-4 Aço IF 3 8, 10, 10, 8 1 Logsig-tansig-logsig-tansig-pureline 1000 3,16 x 10-4 5. AGRADECIMENTOS
Agradecemos aos órgãos: Faperj, CNPQ, Capes e a empresa CSN, pelo apoio no desenvolvimento deste trabalho e no incentivo a pesquisa.
6. REFERÊNCIAS
Haykin, S., 2007, “Redes Neurais Princípios e Práticas”, Ed. Bookman, São Paulo, Brasil, 900 p.
Humphreys, F.J., Hatherly, M., 2004, “Recrystallization and Related Annealing Phenomena”, Ed. Elsevier Ltd, Oxford, England, 628 p.
Löffler, H. U., 2003, “Microstructure Modeling Using Artificial Neural Networks”, in Raabe, D., Roters, F., Barlat, F. Chen, L,Q., Continuum Scale Simulation of Engineering Material, Ed. Wiley-VCH, Weinheim, Germany, pp.829-843.
Raghunathan, N., Zaidi, M. A., Sheppard, T., 1986, “Recrystallization Kinetics of Al-Mg alloys AA5056 and AA5083 after Hot Deformation”, Materials Science and Technology, Vol. 2, pp.938-945.
Russ, J.C., Dehoff, R.T., 2000, “Practical Stereology”, Kluwer Academic / Plenum Publishers, New York. USA, 365p. Salehi, M. S., Serajzadeh, S., 2010, “A Neural Network Model for Prediction of Static Recrystallization Kinetics Under
Non-Isothermal Conditions”, Computacional Materials Science, Vol.49, pp. 773-781.
Vandermeer, R. A., Rath, B. B., 1989, “Microstructural Modeling of Recrystallization in Deformed Iron Single Crystals”, Metallurgical Transactions, Vol. 20A, pp.1933-1942.
7. DIREITOS AUTORAIS
Os autores são os únicos responsáveis pelo conteúdo do material impresso incluídos no seu trabalho.
NEURAL NETWORK APPLIED TO RECRYSTALLIZATION KINETICS
OF A IF STEEL AFTER COLD ROLLING
Gerson Alves Inácio, gerson_inacio@terra.com.br1 Eder dos Reis Silva, reis.eder@hotmail.com1
Phablo Ramos Carvalho, phablocarvalho@yahoo.com.br1 Adauto Martins de Assis, adauto@metal.eeimvr.uff.br1 Jose Flavio Silveira Feiteira, joseflavio@vm.uff.br1 Gláucio Soares da Fonseca, glaucio@metal.eeimvr.uff.br1 1
Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro, Brazil,
Abstract. The main idea of this work is to create and implement an artificial neural network (ANN) to predict static recrystallization kinetics. At first, experimental data found in the literature were used to train two ANN configurations. Then a new ANN was trained based on experimental data of the recrystallized volume fraction (VV) of a IF steel
(Interstitial Free) made by Companhia Siderúrgica Nacional (CSN) after cold rolling and consequently annealing. This material is widely used in automobilist industry and has high mechanical strength and excellent formability. Finally hardness measurements were performed on samples of IF steel to be used as similar parameters of VV to validate the
results predict by the ANN implemented. The predicted and experimental data showed good agreement. Keywords: neural networks, kinetics, recrystallization, IF steel.
