共查询到19条相似文献,搜索用时 75 毫秒
1.
2.
3.
中国连铸保护渣技术现状及发展需求 总被引:1,自引:0,他引:1
保护渣在生产无缺陷铸坯、保证恒拉速的精细化和高效化连铸生产中起到重要的作用。中国连铸保护渣技术伴随着炼钢连铸技术的飞速发展也取得了长足的进步。在保护渣作用机制、性能控制、促进连铸生产顺行和提高铸坯质量方面的研究不断深化和系统化。中国连铸保护渣技术总体上能满足中国连铸生产需要,但是,加大研发投入、稳定原材料条件和生产工艺等方面尚有许多工作要做。从保护渣与连铸工艺的匹配、基础理论研究、关键品种的开发、生产与市场状况、保护渣的选择等方面对中国连铸保护渣技术现状进行了分析,并对今后的发展提出了一些思考。 相似文献
4.
5.
本文阐述连铸保护渣性能改进的最新研究,涉及在颗粒保护渣中加膨胀剂,使用放热型开浇保护渣,改进保护渣添加技术,开发中碳钢高速连铸用保护渣,使用高粘度保护渣,以及保护渣成分对二次冷却水质的影响。 相似文献
6.
高速连铸保护渣技术的探讨 总被引:1,自引:0,他引:1
本文探讨了高速连铸保护渣与普通保护渣的区别。论述了高速连铸保护渣必须保证的粘度、结晶温度、软化及熔融温度、碱度、熔化速度等理化性能。并指出需要根据各国、各地区的不同资源情况不确定不同的保护渣成分。 相似文献
7.
9.
10.
结晶器保护渣在连铸浇注过程中起着非常重要的作用,其功能主要是在连铸结晶器内发挥着绝热保温、防止钢液氧化、控制传热、润滑铸坯的作用,是促进连铸技术发展、保证连铸工艺顺行及铸坯质量的关键性材料。鉴于其重要性,仔细地分析和研究了连铸保护渣的各种物理化学性能,并结合钢种和铸坯断面等工艺条件,系统地分析了保护渣性能对浇注的影响和如何正确的选择保护渣。 相似文献
11.
12.
13.
孙宇 《稀有金属材料与工程》2017,46(12):3868-3874
应用BP神经网络算法分析并预测了高能行星式球磨过程中工艺参数和球磨后Ti_2AlNb基合金粉末的形貌特征之间的关系,建立了粉末参数预测模型。BP网络模型的输入参数为球磨转速,球磨时间,球料比;输出参数为球磨后Ti_2AlNb基合金粉末的晶粒尺寸。BP网络模型中间隐含层节点数为9,输入、输出函数分别为tansig、purelin。通过检验样本验证了所建立神经网络模型的准确性。结果表明:该模型在容错性和通用性等方面优点突出,可用于预测球磨法制备细晶Ti_2AlNb基合金粉末的晶粒尺寸,还可以弥补各种球磨过程物理模型应用与表述方面的不足,对于实际的粉末冶金工艺研究具有积极的应用价值和指导意义。 相似文献
14.
采用反向传播(back propagation,BP)人工神经网络(artificial aeural network,ANN)和遗传算法建立了激光熔覆层形貌质量(熔覆层高度、宽度及稀释率)与激光功率、送粉速率和扫描速率之间的遗传神经网络预测模型.设计正交试验得到预测模型训练样本数据,并在正交试验的基础上,用极差分析法分析了各加工参数对熔覆层形貌质量各个指标的影响规律.经过试验验证,遗传神经网络模型预测值与试验实测值误差不大于4.6%.结果表明,运用该模型可以为准确的选择镍基高温合金激光熔覆参数提供一定参考,从而有利于提高镍基高温合金激光熔覆层形貌质量. 相似文献
15.
目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。 相似文献
16.
A neural network approach for solution of the inverse problem for selection of powder metallurgy materials 总被引:2,自引:0,他引:2
L. N. Smith R. M. German M. L. Smith 《Journal of Materials Processing Technology》2002,120(1-3):419-425
This paper describes research that has been conducted into artificial intelligence techniques for solving the ‘inverse problem’, for assisting with materials selection. The term inverse problem refers to the task of employing process output information (i.e. the required mechanical or physical properties of the final material), in order to recommend suitable input settings for the process concerned. For example, for the powder metallurgy (P/M) process, where parts are manufactured from powdered metals, powder composition, compaction pressure, and sintering conditions are important input parameters that have to be controlled. Previous attempts at solution of the inverse problem have involved the use of statistical methods (such as regression analysis with application of relevant transforms), for fitting curves to the available experimental data. The resulting equations can be combined in a rule-base for generating materials selection advice. While such techniques are useful for identifying general trends in process inputs and outputs, they are subject to a number of disadvantages. P/M manufacture involves multiple process inputs and outputs. Many of the relationships are non-linear, and the experimental data exhibits considerable noise. When fitting curves to non-linear data the selection of transforms is inevitably subjective and becomes very difficult when multiple inputs are involved; also, regression analysis is not well suited to modelling noisy data. These considerations have lead to the identification of the neural network approach as being suitable for P/M modelling for materials selection purposes. Multiple inputs, modelling of highly non-linear responses, and the avoidance of detrimental noise effects have been provided by training a backpropagation neural network with experimental data for ferrous P/M data. The neural network deductions for process inputs were compared to those generated by regression analysis. The network reduced the standard deviation of the errors associated with the inverse solutions by 36%, thereby demonstrating how the technique can improve the accuracy of process recommendations. 相似文献
17.
目的 探究超疏水涂层各成分的含量对涂层水接触角和导热系数的影响,找到最优成分组合,使涂层水接触角和导热系数同时获得最大值。方法 根据设计的L25(55)正交试验,制作和测试涂层试样,借助Matlab软件建立结构为5-8-2的BP神经网络,通过正交试验结果训练和测试神经网络,得到涂层水接触角和导热系数的预测模型。调用训练好的预测模型,采用遗传算法对涂层各成分含量进行全局寻优。使用寻优得到的参数和调整后的参数进行试验,检验寻优计算结果。结果 BP神经网络预测模型水接触角的最大误差为0.061 98,导热系数的最大误差为0.065 77。基于遗传算法的优化结果,涂层成分(质量分数)为纳米SiO2 10.1%+TiO2 6.4%+碳粉5%+纳米石墨烯0.6%+MTES 1.8%时,涂层的水接触角达到164.24°,导热系数达到14.19W/(m·K),其误差分别为3.80%和2.31%。采用调整后的参数进行试验,测试得到涂层的水接触角为155.02°,导热系数为13.25 W/(m·K),其误差分别5.64%和5.58%。结论 通过BP神经网络预测模... 相似文献
18.
目的研究激光熔覆关键工艺参数(激光功率、扫描速度、送粉速率)与单道熔覆层宏观形貌(宽度、高度、熔池深度)之间的数量关系,以实现对WC-Co50复合熔覆层形貌的预测,从而为牙轮钻头的修复提供参考。方法设计不同的实验参数,利用4k W光纤激光器在牙轮钻头钢15MnNi4Mo表面熔覆单道WC-Co50复合涂层。采用工业显微镜观察单道熔覆层的横截面宏观形貌,并测量其三维尺寸。在上述形貌参数的基础上,分别运用多元线性回归分析和人工神经网络方法,建立关键工艺参数与熔覆层宏观形貌之间的关系模型,并将实验结果与模型预测结果进行对比。结果总体来讲,神经网络对熔覆层形貌的预测结果更为精确,平均相对误差为5.3187%;多元线性回归分析预测的平均相对误差为6.0028%。分析表明,对熔覆层宽度的预测结果最精确,两种方法的平均相对误差仅为1.2999%;对高度及熔池深度的预测结果稍差,平均相对误差分别为8.0586%和7.6237%。结论两种预测方法都具有较高的精度,但神经网络法函数关系不明确,运算过程复杂,需要通过进一步的算法优化来提高预测精度。 相似文献
19.
目的 解决等离子喷涂工艺参数耦合导致的参数选取困难问题,提高AlCoCrNiFe高熵合金涂层力学性能。方法 提出全局混沌高斯融合的海鸥算法(CGSOA),优化权值和阈值,使BP(Back Propagation,反向传递)神经网络训练输出理想控制参数。利用改进logistic混沌序列实现网络参数初始化种群的全局搜索,提高权值和阈值初始质量。引入改进logistic映射跳出局部最优,通过加强局部搜索能力,以提高算法收敛精度。引入高斯变异增加种群多样性,提高全局搜索能力。选取6个基准函数,对BAS、PSO、ACO、SOA及CGSOA算法进行测试,仿真结果表明,所提算法具有较快收敛速度、较高寻优精度和稳定性。结果CGSOA算法优化BP神经网络得出最佳控制量为:喷涂距离99.7 mm,喷涂电流649.6 A,喷涂电压56.3 V,送粉载气203.1L/h,送粉电压5.1V。以其进行喷涂试验,涂层结合强度和显微硬度分别为25.2MPa和616.8HV,与模型预测值的相对误差分别为3.02%和2.91%,验证了CGSOA-BPNN应用到实际喷涂过程的可行性。结论 CGSOA-BPNN对Al CoC... 相似文献