Regular Article

A fuzzy neural network approach for modeling the growth kinetics of FeB and Fe₂B layers during the boronizing process

Une approche neuro-floue pour la modélisation de la cinétique de croissance des couches FeB et Fe₂B durant le procédé de boruration

¹ The Research Laboratory of Industrial Technologies, Ibn Khaldoun University, Tiaret, Algeria
² Laboratoire de Technologie des Matériaux, Faculté de Génie Mécanique et Génie des Procédés, USTHB, B.P No. 32, 16111 El-Alia, Bab-Ezzouar, Alger, Algérie

^* e-mail: mebarekbendaoud@yahoo.fr

Received: 2 March 2018
Accepted: 8 January 2019

Abstract

In this paper, we develop a boronizing process simulation model based on fuzzy neural network (FNN) approach for estimating the thickness of the FeB and Fe₂B layers. The model represents a synthesis of two artificial intelligence techniques; the fuzzy logic and the neural network. Characteristics of the fuzzy neural network approach for the modelling of boronizing process are presented in this study. In order to validate the results of our calculation model, we have used the learning base of experimental data of the powder-pack boronizing of Fe-15Cr alloy in the temperature range from 800 to 1050 °C and for a treatment time ranging from 0.5 to 12 h. The obtained results show that it is possible to estimate the influence of different process parameters. Comparing the results obtained by the artificial neural network to experimental data, the average error generated from the fuzzy neural network was 3% for the FeB layer and 3.5% for the Fe₂B layer. The results obtained from the fuzzy neural network approach are in agreement with the experimental data. Finally, the utilization of fuzzy neural network approach is well adapted for the boronizing kinetics of Fe-15Cr alloy.

Résumé

Dans cette étude, nous développons un modèle de simulation du processus de boruration basé sur l’approche neuro-floue pour l’estimation de l’épaisseur des couches FeB et Fe₂B. Ce modèle représente une synthèse des deux techniques d’intelligence artificielle ; la logique floue et le réseau de neurone. Les caractéristiques de l’approche neuro-floue pour la modélisation du procédé de boruration sont présentées dans cette étude. Pour valider les résultats de notre modèle de calcul, nous avons utilisé la base d’apprentissage des données expérimentales de la boruration de l’alliage Fe-15Cr dans des poudres, pour des températures comprises entre 800 et 1050 °C et pour une durée de traitement de 0,5 à 12 h. Les résultats obtenus montrent qu’il est possible d’estimer l’influence des différents paramètres du processus. L’erreur moyenne générée à partir du réseau de neuro-flou est de 3 % pour la couche de FeB et 3,5 % pour la couche Fe₂B. Les résultats obtenus par la méthode de neuro-floue sont en accord avec les données expérimentales. Finalement, l’utilisation de l’approche neuro-floue est bien indiquée pour la cinétique de boruration de l’alliage Fe-15Cr.