带钢层流冷却过程数值模拟及卷取温度预测分析

结合宝钢2050热连轧层流冷却生产线,建立了带钢层流冷却过程传热数学模型,同时考虑相变潜热对带钢温度的贡献。采用实测的卷取温度,修正了带钢表面换热系数模型,模拟研究了冷却模式、速度、厚度等对卷取温度的影响。结果表明:卷取温度计算值与实测值的标准差小于14℃;相变潜热对卷取温度的贡献为28℃;冷却模式、速度、厚度是影响卷取温度的重要因素;该模型能够满足宝钢2050热连轧层流冷却卷取温度的预报精度,对实际生产具有较好的指导性作用。     

基于神经网络的热带层流基本热流密度的计算

利用现场的数据，采用BP神经元网络预报热连轧层流水冷区集管组内的基本热流密度，将预报的结果用于上、下集管组的热流密度的数学模型计算，进而优化层冷集管组的水冷温降计算数学模型的精度。将结果与采用多元回归方法所得到的结果作比较，表明采用BP神经元网络计算基本热流密度的精度要高于多元回归方法的计算精度，卷取温度的计算值与实测值的标准差比解析回归方法减少了近20％，说明该方法具有良好的在线应用前景。     

热轧带钢层流冷却温度控制模型的应用分析

 工业大学金属材料与加工重点实验室, 安徽 马鞍山 243002) 摘要：在带钢热轧后的冷却过程中，热轧带钢卷取温度的数学模型是至关重要的。介绍了某热轧带钢厂的卷取温度控制数学模型，针对传统的热轧带钢层流冷却卷曲温度控制中数学模型的固有缺陷，分别采用了差分方程和有限元数值模拟的方法，建立带钢厚度方向上的温度场。对测得的数据进行了分析，结果表明：在考虑带钢与介质的热交换的同时再考虑带钢内部的热传导大大提高模型的预报精度，为定量地描述计算值与实测值之间的偏差提供了依据。     

热轧带钢轧后冷却过程卷取温度的设定策略

为了提高热轧带钢卷取温度控制精度,针对热轧带钢轧后冷却过程非线性、强耦合性等特性,建立了具有非线性结构特征的热轧带钢轧后冷却过程控制的温度数学模型,并对热轧带钢轧后冷却过程卷取温度的设定策略进行了研究,同时在该模型基础上开发了系统软件,通过现场实际应用对模型功能进行了验证.结果表明,该冷却数学模型的卷取温度设定计算结果与实测结果吻合较好,卷取温度控制精度可达到±10℃,表明该模型取得了较好的应用效果,能够达到较高的控制精度.     

人工神经网络在层流冷却卷取温度预报中的应用

针对宝山钢铁（集团）公司2050热连轧层流冷却系统，采用神经网络与数学模型相结合的方法，给出优化的层流冷却对流换热系数，以实现准确地预报卷取温度的目的。结果表明，采用神经网络计算出的对流换热系数后，卷取温度的计算值与实测值的标准差降低了22．84％，效果显著。     

辊底式热处理炉钢板温度预报模型的研究及应用

 为了提高辊底式热处理炉的钢板温度预报精度,采用了遗传神经网络的方法,运用大量的现场实际数据进行训练和仿真,建立了钢板温度预报模型,并将结果应用于计算辊底式热处理炉钢板温度的数学模型中。结果表明,所建立的模型简单、精度高,能够满足在线应用的要求。     

热轧带钢卷取温度高精度预报的人工神经网络方法

针对传统卷取温度模型的固有缺陷，为了满足扩展钢种，规格及卷取温度高精度的要求，提出热轧带钢卷取温度预报的人工神经网络方法，运用实际生产数据对BP神经网络进行了训练和仿真。结果表明，它能准确地预报钢卷取温度，实现卷取温度高精度的实时预报，有在线实际应用的前景。     

宽厚板在线冷却控制系统

以舞阳钢铁公司轧钢厂4 200 mm轧机轧后快冷系统为背景,介绍了设备的工艺布置和计算机控制系统的组成,并提出了应用于现场的数学模型,该模型由冷却温度预报模型、返红温度预报模型、模型自学习等几部分组成。该数学模型采用有限差分形式对钢板冷却过程中的温度场进行数值模拟计算,与大型计算分析软件相比具有计算速度快、预报精度高等特点。     

人工神经网络在中厚板轧机轧制力预报中的应用

在实际生产过程中 ,传统轧制力模型在计算中板轧机轧制力时存在着较大的误差 ,为了提高中厚板轧机轧制力的预报精度 ,提出了一种将人工神经元网络用于轧制力预报数学模型中 ,进行轧制力预设定。离线仿真表明 ,采用本文所述的方法 ,预报精度要优于传统的数学模型 ,预报精度的相对误差可以控制在± 4 %以内     

辊底式热处理炉钢板温度预报模型的研究及应用

 为了提高辊底式热处理炉的钢板温度预报精度,采用了遗传神经网络的方法,运用大量的现场实际数据进行训练和仿真,建立了钢板温度预报模型,并应用于计算辊底式热处理炉钢板温度的数学模型中。结果表明,所建立的模型简单、精度高,能够满足在线应用的要求。     

Improvement of Prediction Method for Strip Coiling Temperature

Thecoilingtemperatureisoneoftheimportanttechnologicalparametersaffectingthefinalmechani calpropertiesofstrip[1,2 ] .The purposeofcoilingtemperaturecontrolistomakestripcooltorequiredcoilingtemperaturefromhighertemperatureforap propriatemicrostructureandmechanicalproperty .Atpresent ,thecontrolmodelofcoilingtemperatureforBaosteel 2 0 5 0millisaself adaptingempiricalmodel.Thoughthecontrolissatisfactory ,theout of toleranceofcoilingtemperatureisstillobservedinproduction .Itwasconcludedbytheinvest…     

基于人工神经网络的热轧带钢热流密度预测

采用BP神经网络与数学模型相结合的方法对热带精轧机组机架间水冷区带钢热流密度进行预测，进而优化了机架间冷却的数学模型。结果表明，利用BP神经网络得出的带钢热流密度计算的终轧温度与实测值的标准差比原来仅用数学模型的传统算法减少了14．08％，故该方法具有较好的在线应用前景。     

基于人工神经网络模型的Ti-6Al-4V合金离子氮化层厚度、硬度预测

利用人工神经网络技术研究Ti-6Al-4V合金离子氮化层厚度、硬度与热处理工艺参数之间的关系。以钛合金离子氮化工艺试验为基础,构建以离子氮化温度、保温时间、压力为输入参数,离子氮化层厚度、硬度为输出变量的3层BP神经网络模型,探究模型学习训练过程的最优化算法与神经元个数,预测合金离子氮化层厚度与硬度值。预测结果表明,该模型的综合复相相关系数为0.978 45,网络预测值与样本值相似度较高。获得该合金最优化离子氮化工艺区间,温度为850~880 ℃,保温时间为16 h,压力为200~300 Pa,合金氮化层厚度大于85 μm,硬度大于1 000HV。从而可为钛合金复杂零件离子氮化工艺-组织-性能控制研究提供新的方法与思路。     

基于人工神经网络模型的Ti-6Al-4V合金离子氮化层厚度、硬度预测

利用人工神经网络技术研究Ti-6Al-4V合金离子氮化层厚度、硬度与热处理工艺参数之间的关系。以钛合金离子氮化工艺试验为基础,构建以离子氮化温度、保温时间、压力为输入参数,离子氮化层厚度、硬度为输出变量的3层BP神经网络模型,探究模型学习训练过程的最优化算法与神经元个数,预测合金离子氮化层厚度与硬度值。预测结果表明,该模型的综合复相相关系数为0.978 45,网络预测值与样本值相似度较高。获得该合金最优化离子氮化工艺区间,温度为850~880 ℃,保温时间为16 h,压力为200~300 Pa,合金氮化层厚度大于85 μm,硬度大于1 000HV。从而可为钛合金复杂零件离子氮化工艺-组织-性能控制研究提供新的方法与思路。     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

高炉炉壁侵蚀状态预测的神经网络分析法

采用二雏简化的炉壁模型，用ANSYS软件进行热传导仿真计算；同时在MATLSAB环境中建立BP网络模型，并利用炉壳外部测点的温度值识别炉壁侵蚀线，从而证明了神经网络方法在高炉炉壁侵蚀状态预测中应用的可行性。     

基于炉热指数计算和炉温预测的电石炉热状态判断

鉴于炉热状态判断对电石冶炼的重要性,在对电石炉冶炼过程特点分析的基础上,提出炉热指数的基本概念.建立了基于两段式热平衡分析的炉热指数计算模型,在此基础上建立了基于BP神经网络的电石液温度预测模型.采用这两种模型可以更有效地对电石炉热状态进行判断.模型仿真研究表明,电石液温度与高温区热盈余线性相关,用炉热指数判断电石炉热状态是可行的.电石液温度预测模型的命中率达到86.7%.