基于神经网络的连铸坯表面纵裂预测

针对铸坯质量预报问题,利用人工神经网络中的BP算法建立原始化学成分和连铸生产的主要工艺参数与产品最终质量之间的关系,并开发出专门的应用软件.软件共分3部分:数据处理部分、人工神经网络训练部分、运用成熟网络预报部分.该预测方法的特点是直观、方便、稳定.数据均从稳定生产的现场取得.采用神经网络对D32-1钢的铸坯质量进行预报,经过上千次训练后,产品质量的预报值与实际值拟合良好,预报结果的相对误差很小.     

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。     

利用性能预报模型对SS400热轧板力学性能实施预报

以现场收集的四钢轧SS400热轧板的原始化学成分、终轧厚度、实测的力学性能数据为基础,通过回归模型和人工神经网络BP算法建模,确定其相互关系,并最终通过其化学成分和终轧厚度来预测产品力学性能。现场使用证明,在现有的条件下,回归模型比人工神经网络更适用。经测试,其抗拉强度预报值与实测值的相对误差有80％7g超过5％,屈服强度预报值与实测值的相对误差有76％不超过10％,延伸率预报值与实测值的相对误差有77％不超过10％。     

首钢合金结构钢40CrA力学性能预报控制模型的开发与应用

 采用人工神经网络方法开发了首钢合金结构钢40CrA的力学性能预报模型,并采用Matlab和VC++两种软件平台建立了对应的力学性能预报系统。该预报系统投入现场在线应用后,通过预测值与实际抽样检验值的分析比较,表明该系统预报精度较高,屈服强度、伸长率等各项性能预报精度达到97%以上,能够满足生产检验要求。     

人工神经网络预报高炉下部热量水平

应用人工神经网络对高炉下部热量水平与风量、风温、湿度、煤气利用率及负荷的关系进行拟合和预报，并通过训练好的神经网络进行工艺参数离线模拟调整，为炉稳定生产提供一种有效途径。     

热连轧钢材力学性能在线预报的研究与应用

 传统的产品力学性能检测是一种建立在统计学随机抽样理论基础上的检验方法,即在实验室中对取样板卷的头尾部切割样品进行检测,检测结果代表整批产品的力学性能。由于钢材生产流程长,生产过程控制参数存在一定的波动,传统力学性能检测方法不能反应每一卷带钢的力学性能,所检测样品的代表性不够充分。随着工业互联网、大数据和人工智能技术的飞速发展,特别是工业大数据相关技术的发展和应用,为这一问题的解决提供了新的途径。以实现山东钢铁集团日照有限公司热连轧产品力学性能在线预报为试验对象,以热连轧产品生产全流程关键控制工艺参数为基础,采用神经元网络、随机森林等算法建立碳素结构钢、低合金高强度结构钢的力学性能预报模型,构建了一种基于工业大数据为基础的热轧产品力学性能预报系统,包括数据采集、数据清洗、模型训练、结果分析、再现性试验和在线应用。力学性能在线预报系统已成功运行2年多时间,系统的预测精度高、稳定可靠。预测结果精度在±6%以内的比例达到90%以上,MAPE(平均绝对百分误差)不大于4%,均低于再现性检测水平,预测结果完全可以取代检测试验;提高了生产效率,缩短了产品的检测周期,轧后即可掌握产品的力学性能,降低了生产成本,已成为生产运行过程不可缺少的环节。     

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。     

中板轧机轧制压力人工神经网络预报

基于人工神经网络软件Matlab，采用改进的BP(Back Propagation)网络Levenberg-Marquardt训练规则，根据中板轧件入口厚度、出口厚度和宽度、轧辊直径、轧制速度和温度、轧件主要成分等输入参数，优化计算2350中板轧机的轧制压力和力矩。通过该网络的μ参数的自适应调整，提高收敛速度，使2350中板轧机轧制力和力矩的预报精度显著提高。轧制压力的BP网络预报值相对误差小于3％，轧制力矩的BP网络预报值相对误差小于4％。     

基于人工神经网络预报性能的齿轮钢LF—VD过程钢水成分微调

开发了基于人工神经网络预报性能的齿轮钢LF－VD过程钢水成分微调软件,对减小齿轮钢的成分波动范围,保证窄淬透性的控制有重大意义。在成分微调过程中,可随时利用人工神经网络的方法对钢的性能进行预报,预报结果精确度高,利于有效的控制生产。     

RH-TB精炼温度预报模型

根据钢液热平衡原理,综合考虑吹氧情况、合金添加情况、真空室及钢包状况等多种因素,结合人工神经网络算法以及实际生产数据,建立了RH-TB精炼过程钢水温度预报模型。针对120炉超低碳IF钢的RH-TB处理过程,在过程有一次测温的前提下,温度模型离线计算值与实测值的偏差在±5℃以内的比例达到了85%以上;利用Microsoft Visual.Studio.net程序设计软件以及Microsoft SQL Server 2000数据库软件,开发了RH-TB精炼温度预报模型软件,该软件应用于实际生产中,取得了良好的应用效果。     

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。     

HSMM软件在攀枝花钢铁公司热轧板厂的应用

 热带轧制模型(HSMM)是在美国十几家钢铁企业、北美金属协会及美国能源部的资助下经过长时间开发的软件,该软件可分析热轧过程的力能参数、温度变化、板形以及预测钢板的组织、性能。为了验证模型的精确性,该模型首次在中国针对攀枝花钢铁公司热轧板厂的具体情况分析了3个钢种,这里介绍Q235钢的分析结果。经过修正的轧制力和温度的预测值与在线系统的实测值基本吻合,力学性能的预测值与实测值的误差不大。同时该软件还分析了板形,并提出解决办法。     

OptiLam:Design of Optimised Rolling Schedules

Nowadays it is known that the thermomechanical schedules applied during hot rolling of flat products provide the steel with improved mechanical properties.In this work an optimisation tool,OptiLam (OptiLam v.1),based on a predictive software and capable of generating optimised rolling schedules to obtain the desired mechanical properties in the final product is described.OptiLam includes some well-known metallurgical models which predict microstructural evolution during hot rolling and the transformation austenite/ferrite during the cooling.Furthermore,an optimisation algorithm,which is based on the gradient method,has been added,in order to design thermomechanical sequences when a specific final grain size is desired.OptiLam has been used to optimise rolling parameters,such as strain and temperature.Here,some of the results of the software validation performed by means of hot torsion tests are presented,showing also the functionality of the tool.Finally,the application of classical optimisation models,based on the gradient method,to hot rolling operations,is also discussed.     

C-Mn钢窄带热轧时的再结晶软化规律

针对唐山钢铁有限责任公司带钢厂的生产实际,借助理论与实验结果,研究了C-Mn钢热轧过程中各道次奥氏体的再结晶规律,计算结果与实测结果吻合较好,说明给出的组合模型用于窄带热轧的生产是可行的,它为在生产中控制与预报带钢的组织性能提供了奥氏体再结晶的定量化基础,并为再结晶软化不充分时的力能计算提供了修正依据.     

Neural network modelling of flow stress and mechanical properties for hot strip rolling of TRIP steel using efficient learning algorithm

Abstract

Transformation induced plasticity (TRIP) steels exhibit excellent strength and ductility and can be engineered to provide excellent formability for manufacturing complex parts. In this study, a data driven multi-input multi-output multilayer perceptron based neural network model has been developed to predict the flow stress, yield strength, ultimate tensile strength and elongation as a function of composition and thermomechanical processing parameters for strip rolling of TRIP steels. The input parameters in this generalised regression artificial neural network (ANN) model are steel chemistry, cooling rate and finish roll temperature. The network training architecture has been optimised using the Broyden–Fletcher–Goldfarb–Shanno algorithm to minimise the network training error within few training cycles. The algorithm facilitates a faster convergence of network training and testing errors. There has been an excellent agreement between the ANN model predictions and the target (measured) values for flow stress and mechanical properties depicted by the respective regression fit between these values.     

Microstructural Aspects and Optimization of Thin Slab Direct Rolling of Steels

By using a thin slab casting simulator combined with the hot deformation simulator WUMSI, laboratory tests were performed to investigate the microstructure processes and mechanical properties in the process of thin slab direct rolling (TSDR). The paper shows the possibilities to improve the initial as‐cast state of microstructure prior to hot rolling (microvoids, dendritic structure, austenite grain size, state of precipitation). The main part of the study is dedicated to the role of microalloying and sulphur for the austenite grain control and for the precipitation hardening in the final structure. On examples of selected low carbon steel grades the effect of the variation of the process parameters of hot rolling and cooling on the microstructure and mechanical properties is presented.     

TC11钛合金本构关系神经网络模型的建立

利用MATLAB软件建立了反映材料热变形本构关系的神经网络模型,该模型中采用遗传算法优化其权值和阈值提高了网络收敛的稳定性。并采用Themecmastor-Z型热加工模拟试验机上进行的TC11钛合金等温恒应变速率压缩试验获得的试验数据进行训练,建立了TC11钛合金热变形本构关系的BP神经网络模型,并进行了预测,预测误差小于10%。     

基于组织 性能预测的集装箱热轧板工艺优化

 针对产品的性能要求制定合理的热轧工艺,提出将组织性能预测与控制技术应用于热轧工艺的优化设计。基于大量生产数据,建立了包含10个BP神经网络的模型组以描述化学成分、工艺和力学性能的对应关系,屈服强度、抗拉强度和伸长率的预测精度分别达到了±6%、±6%和±4%。结合多目标粒子群优化算法,针对客户对性能的需求,在化学成分和工艺约束已知的条件下,对热轧工艺进行了优化计算。工艺优化计算结果与现场生产数据吻合良好,验证了工艺优化设计的有效性,从而为热轧最优工艺设计提供指导。