无缝钢管张减过程张力对壁厚分布的影响

通过对典型规格张减过程的分析，研究了张力对壁厚分布的影响，并进行了试验研究和有限元模拟，通过对比验证了可靠性，基于机架伸长率计算了增厚段切除长度，为掌握张力和钢管壁厚分布之间的关系，实现预定壁厚钢管的生产提供了依据。     

椭圆孔型张减过程模拟及横向壁厚分布预测

通过对宝钢钢管厂１５２．５ＢＯ椭圆孔型系统主变形机架生产不同壁厚管子的轧制过程进行三维弹塑性有限元模拟,得出经减径后管子沿圆周方向的壁厚分布不均,产生内多边形的缺陷,随着总减径率和壁厚的增加,引起内多边形的程度增大。根据模拟结果对１５２．５ＢＯ椭圆孔型系生产不同规格的管子引起管子在沿圆周方向的壁厚不均进行预测。     

张力减径过程管形预测的分组有限元模型

针对无缝钢管张力减径产品的管形问题,将张力减径过程分为机架内的轧制变形和机架间的网格再生过程,在有限元软件Marc平台上,建立了管形预测的分组有限元模型,进行三维热力耦合有限元模拟研究。结合某厂产品的轧制工艺,进行了管形模拟分析,并与实测数据进行对比,验证模型的可靠性。该模型为提高产品质量、指导工艺设计提供了研究手段。     

无缝钢管张减过程壁厚前馈自适应控制

介绍了宝钢分公司钢管厂在无缝钢管张减过程壁厚控制中实现的前馈自适应控制技术。该技术利用准确料流跟踪所获得的对应来料荒管的管坯称重、连轧机后的测长数据,计算得到来料荒管的壁厚数据,然后根据张减机壁厚分布规律与钢管初始壁厚的关系,在轧制过程中在线计算和调整对应的各机架轧辊的轧制转速分布,实现张减机平均壁厚的前馈自适应控制,尽量减少由来料荒管壁厚偏差所造成的张减成品钢管壁厚偏差。     

无缝钢管张力减径过程中产生内多边形的原因分析

分析了无缝钢管在张力减径时内多边形产生的原因及影响因素,并结合现有生产工艺条件,提出减少直至消除内多边形的措施.     

管材减径过程的计算机预测

采用基于Ｕ．Ｌ．法的三维弹塑性大变型有限元对无缝管成形过程进行了计算机预测，在波前区推导了整体坐标与局部坐标系下的变换矩阵，编写了大型有限元程序《ＥＰＦＥＰ３》及前、后处理程序，给出了工件变形的位移场，速度场分布等信息，实现了有限元法与成形产品ＣＡＤ的一体化研究。     

微力张减径的工艺参数选定

介绍了微张力减径工艺中单机架减径率、孔型椭圆度、张力系数工艺参数的选定原则和选定范围，认为其最佳范围是单机架减径率３％～５％，宽度系数０．９７５～１．０２５，张力系数０．２５～０．４５。     

无缝钢管张力减径有限元模拟的摩擦模型及其应用

采用在轧辊和钢管之间附加一层动态接触摩擦单元的方法,建立了钢管张力减径过程有限元模拟的摩擦模型.通过判断摩擦单元与轧辊的接触或脱离情况(不必确定摩擦力的大小和方向),利用其剪切变形来模拟轧辊与钢管接触表面的摩擦作用,实现了钢管产品张力减径过程的快速准确预报.     

高精度张减机架的轧辊孔型加工

张减机架孔型的精确程度直接关系着成品管的质量，甚至由于孔型的问题可导致堆钢的发生。本文针对这种情况，在现有孔型系列配制下，对高精度张减机架的加工提几点建议。     

利用人工神经网络模型预测SS400热轧板带力学性能

针对传统的回归方法的某些不足 ,采用了人工神经网络的方法预测力学性能。从宝钢 2 0 5 0热轧管理机中随机抽取数据 ,用人工神经网络中的BP网络建立原始化学成分和热轧生产的主要工艺参数与产品力学性能之间的关系。离线仿真表明 ,产品力学性能的预报值与实际值拟合良好 ,预报结果的相对误差很小 ,屈服强度相对误差 88%在± 4 %以内 ,抗拉强度的相对误差 86 %在± 2 %以内 ,伸长率的相对误差 78%在± 6%以内。     

用人工神经网络模型预测高碳钢高速线材力学性能

以现场正交试验数据为基础，采用人工神经网络方法预测高碳钢高碳钢高速线材产品力学性能，将预报结果与试验结果相比较可知，该模型具有较高的精度。     

神经网络BP模型在烧结工序能耗分析中的应用

将人工神经网络的理论和方法，引入到钢铁企业工序能耗的系统分析的学科领域，文中以某钢铁企业的生产和技术指标的相关统计数据为基础，利用人工神经的ＢＰ算法，构造了烧结工序能耗的绽量分析模型，探索了用ＢＰ网络对非机理性因素进行系统分析的新方法，并进行影响工序能耗因素垢规划设计。     

人工神经网络在热轧宽厚板力学性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型，在此基础上，利用神经网络对热轧管线钢力学性能进行了预测，并将预测结果与生产数据进行了比较，同时，还利用神经网络对生产工艺参数进行了优化，计算结果表明，神经网络预测值与实测值之间接相对误差可以控制在11.6%以内，这对现场进行力学性能预测和工艺参数优化具有较强的现实意义。     

人工神经网络在转炉炼钢终点预报中的应用研究

简要介绍几种人工神经网络转炉炼钢终点预报模型,通过分析指出神经网络将在炼钢生产过程中得到广泛的应用。     

基于神经网络的烧结矿化学成分自适应预报系统的开发

将多层前向人工神经网络应用于烧结矿化学成分预报，改进后的BP算法可以实现网络结构的自组织。应用该技术开发的烧结矿化学成分自适应预报系统能够快速，准确地预报烧结矿的化学成分，可用于在线操作指导或作为自动控制的依据。     

高Co-Ni二次硬化钢性能预测及多指标优化

将人工神经网络用于建立高Ｃｏ－Ｎｉ二次硬化钢的性能预测模型。对此类钢合金含量改变时的性能进行了预测,并将其与实验结果相比较,获得了满意的结果。采用模拟退火算法对高Ｃｏ－Ｎｉ二次硬化钢的性能进行了多指标优化。     

精轧机组负荷分配的人工神经网络识别

提出了一种应用人工神经网络识别热轧带钢精轧机组负荷分配的新方法，该方法适于“在线”计算，有很强的学习功能，计算结果精度高等优点，克服了传统负荷分配方法的缺点。本文以实际生产数据为实例进行了计算，证明其效果良好。     

STUDY OF A LABORATORY-SCALE FROTH FLOTATION PROCESS USING ARTIFICIAL NEURAL NETWORKS

A three-layer feed-forward artificial neural network (ANN) model, trained using the error back propagation algorithm, has been established to simulate the froth flotation process for the beneficiation of coal fines. The network model validates the experimentally observed qualitative and quantitative trends. The optimal model parameters in terms of network weights have been estimated and can be used to compute the parameters of the coal flotation process over wide-ranging experimental conditions.     

利用神经网络预测热轧板带力学性能

用神经网络预测热轧板带产品的力学性能可显著地改进回归数学模型的不足，并可充分地反映热轧生产主要工艺参数对产品力学性能的影响规律。为预测和控制热轧板带产品的性能质量提供了行之有效的手段。