Module also offered within study programmes:
General information:
Name:
Projektowanie w systemach CAMS/CAMD
Course of study:
2017/2018
Code:
MIM-2-107-IS-s
Faculty of:
Metals Engineering and Industrial Computer Science
Study level:
Second-cycle studies
Specialty:
Joining Engineering
Field of study:
Materials Science
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr hab. inż, prof. AGH Pawłowski Bogdan (bpawlow@agh.edu.pl)
Academic teachers:
dr hab. inż, prof. AGH Bała Piotr (pbala@agh.edu.pl)
Madej Marcin (mmadej@agh.edu.pl)
dr hab. inż, prof. AGH Pawłowski Bogdan (bpawlow@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Skills
M_U001 Student potrafi, wykorzystując istniejące systemy komercyjne, dobrać stal do określonych zastosowań oraz według składu chemicznego IM2A_U01, IM2A_U03, IM2A_U10 Project
M_U002 Student potrafi zaprojektować skład chemiczny stali w celu uzyskania odpowiedniej struktury i własności IM2A_U03, IM2A_U15, IM2A_U11 Project
M_U003 Student potrafi zastosować sztuczne sieci neuronowe do prognozowania własności stali IM2A_U02, IM2A_U01, IM2A_U05 Project
Knowledge
M_W001 Student zna strukturę oraz zasady działania systemów eksperckich i sztucznych sieci neuronowych. IM2A_W04, IM2A_W19, IM2A_W07 Test
M_W002 Student posiada wiedzę na temat wpływu składu chemicznego na strukturę i własności stali IM2A_W09, IM2A_W01 Project
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Skills
M_U001 Student potrafi, wykorzystując istniejące systemy komercyjne, dobrać stal do określonych zastosowań oraz według składu chemicznego - - - + - - - - - - -
M_U002 Student potrafi zaprojektować skład chemiczny stali w celu uzyskania odpowiedniej struktury i własności - - - + - - - - - - -
M_U003 Student potrafi zastosować sztuczne sieci neuronowe do prognozowania własności stali - - - + - - - - - - -
Knowledge
M_W001 Student zna strukturę oraz zasady działania systemów eksperckich i sztucznych sieci neuronowych. + - - + - - - - - - -
M_W002 Student posiada wiedzę na temat wpływu składu chemicznego na strukturę i własności stali + - - + - - - - - - -
Module content
Lectures:
  1. Struktura i zasada działania systemów eksperckich

    Zasady działania systemów eksperckich. Zaznajomienie się z elementami składowymi systemów eksperckich i ich rolą. Przykłady systemów eksperckich.

  2. Sztuczne sieci neuronowe

    Budowa i zasada działania sztucznych sieci neuronowych (SSN). Metody uczenia SSN.

  3. Projektowanie składów chemicznych stali

    Program komputerowy ProStal – algorytm, obsługa programu. Obliczanie wykresu CTPc przy użyciu programu ProStal.

Project classes:
  1. Dobór stali na podstawie określonych właściwości

    Przykład zastosowania komercyjnego systemu eksperckiego – system CASS (wspomagany komputerowo dobór stali). Określanie zamienników stali. Praca w zespołach dwuosobowych.

  2. Dobór stali na podstawie zastosowań

    Przykład zastosowania komercyjnego systemu eksperckiego – system CASS (wspomagany komputerowo dobór stali). Określanie zamienników stali. Praca w zespołach dwuosobowych.

  3. Struktura i zasada działania systemów eksperckich

    Określenie przestrzeni stanów dla prostych przypadków. Praca w zespołach dwuosobowych.

  4. Sztuczne sieci neuronowe: budowa, zasada działania

    Przygotowywanie własnych zbiorów uczących z wykorzystaniem systemów CASS. Tworzenie własnych sieci neuronowych. Praca w zespołach dwuosobowych.

  5. Projektowanie składu chemicznego stali

    Projektowanie składu chemicznego stali na walce przeznaczonych do niskiego odpuszczania. Projektowanie składu chemicznego stali na walce przeznaczonych do średniego i wysokiego odpuszczania.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 75 h
Module ECTS credits 3 ECTS
Participation in lectures 10 h
Participation in project classes 32 h
Contact hours 6 h
Examination or Final test 2 h
Realization of independently performed tasks 10 h
Completion of a project 15 h
Additional information
Method of calculating the final grade:

Średnia ważona z kolokwium i wykonanych projektów – największe wagi dla dla projektu z SSN oraz doboru stali

Prerequisites and additional requirements:

Zgodnie z Regulaminem Studiów AGH podstawowym terminem uzyskania zaliczenia jest ostatni dzień zajęć w danym semestrze. Termin zaliczenia poprawkowego (tryb i warunki ustala prowadzący moduł na zajęciach początkowych) nie może być późniejszy niż ostatni termin egzaminu w sesji poprawkowej (dla przedmiotów kończących się egzaminem) lub ostatni dzień trwania semestru (dla przedmiotów niekończących się egzaminem).

Recommended literature and teaching resources:

1. Dobrzański L.A. Podstawy nauki o materiałach i metaloznawstwo. Materiały inżynierskie z podstawami projektowania materiałowego. Wydawnictwa Naukowo-Techniczne, 2002
2. Leksykon materiałoznawstwa. Praca zbiorowa pod redakcją L.A. Dobrzańskiego. Wydawnictwo Verlagt Dashofer Sp. z o.o., Warszawa 2004
3. J. Pacyna. Projektowanie składów chemicznych stali. Wydawnictwo Wydziału Metalurgii i Inżynierii Materiałowej AGH, Kraków 1997
4. Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa, 1993
5. Białko M. Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych, Wydawnictwo Uczelniane Politechniki Koszalińskiej, 2005.

Scientific publications of module course instructors related to the topic of the module:

Pawłowski B., Bała P., Dziurka R.: The effect of alloying elements on the temperature range of pearlite to austenite transformation in low alloy hypoeutectoid steels, Metal 2015, 24th International Conference on Metallurgy and Materials, June 3rd-5th 2015, Brno, Conference proceedings, 2015.

Jabłoński G., Pawłowski B., Pietrzyk M.: Application of the Cellular Automata method to modelling lower bainite in steels, Computer Methods in Materials Science, vol. 12, no. 1, p.51-62, 2012.

Pawłowski B.: Critical points of hypoeutectoid steel – prediction of the pearlite dissolution finish temperature Ac1f, Journal of Achievements in Material and Manufacturing Engineering, vol.49, iss.2, p.331-337, 2011

Rauch Ł., Madej Ł., Pawłowski B., Numerical simulations of hypoeutectoid steels under loading conditions, based on image processing and digital material representation, Proc. II Int. Symposium CompIMAGE. 2010, eds. Reneta P. Barneva, [et al.], Buffalo, NY, USA. Lecture Notes in Computer Science, 2010, 221–230.

Pawłowski B., Stalica D.: Wybrane przykłady zastosowania wolnego oprogramowania w Inżynierii Materiałowej. Trzydziesta Czwarta Szkoła Inżynierii Materiałowej, Kraków-Krynica, 26.IX-29. IX. 2006, Akademia Górniczo-Hutnicza im. Stanisława Staszica. Wydział Inżynierii Metali i Informatyki Przemysłowej, s.347-350, 2006.

Pawłowski B., Pawelec M.: Wpływ składu chemicznego na kształt linii początku przemiany bainitycznej na wykresach CTPc. Trzydziesta Druga Szkoła Inżynierii Materiałowej, Kraków-Krynica, 28.IX-1. X. 2004, Akademia Górniczo-Hutnicza im. Stanisława Staszica. Wydział Metalurgii i Inżynierii Materiałowej, s.209-212, 2004.

Pawłowski B., Tyrna A.: Położenie punktu przecięcia linii temperatur Bs i Ms na wybranych wykresach CTPc. Trzydziesta Pierwsza Szkoła Inżynierii Materiałowej, Kraków-Krynica, 7-10. X. 2003, Akademia Górniczo-Hutnicza im. Stanisława Staszica. Wydział Metalurgii i Inżynierii Materiałowej, s.169-173, 2003.

Pawłowski B.: Wpływ pierwiastków stopowych na zmianę temperatury Bs na wykresach CTP określony przy użyciu sztucznych sieci neuronowych. Trzydziesta Szkoła Inżynierii Materiałowej, Kraków-Ustroń Jaszowiec, 1-4. X. 2002, Akademia Górniczo-Hutnicza im. Stanisława Staszica. Wydział Metalurgii i Inżynierii Materiałowej, s.131-135, 2002.

Pawłowski B., Popowicz P.: Wyznaczanie niektórych charakterystyk stali w oparciu o typ wykresu CTPi przy użyciu sztucznych sieci neuronowych, Informatyka w Technologii Materiałów, t.2, nr 1, s.19-25, 2002.

Pawłowski B.: Wykorzystanie sztucznych sieci neuronowych do prognozowania niektórych charakterystyk stali do ulepszania cieplnego, Hutnik Wiadomości Hutnicze. R.67, nr 7-8, s.281-283, 2001

Pawłowski B., Mazur A.: Optymalizacja składu chemicznego stali ulepszanych cieplnie i ich hartowności przy zastosowaniu techniki mikrokomputerowej. Hutnik Wiadomości Hutnicze. nr 1, s.25-30, 1996.

http://www.bpp.agh.edu.pl/

Additional information:

None