热轧低合金高强度钢性能预报研究

摘要

钢的化学成分是影响热轧材最终组织性能的基本因素，合理的成分设计是生产优良钢铁产品的基础，因此探讨合金成分与钢铁产品的力学性能的关系，分析不同合金成分对不同性能指标的影响程度并最终实现对热轧材性能的预报是当前研究的热点课题。本文采用的性能预报就是通过已知的合金成分对最终的性能进行预测。实践证明采用性能预报的方法预报钢的最终力学性能在很多方面优于传统的人工取样检验，可以减少性能检测时间，缩短生产周期，保持热轧板性能的稳定，促进新产品的开发等。 本文分别采用逐步回归技术和人工神经网络两种方法对武钢热轧低合金高强度钢的力学性能进行预报。预报数据为武钢热轧低合金高强度钢Q345A、Q345B、S355和S275生产现场实测数据，两种方法都是通过研究这几种钢中的合金成分与最终力学性能如屈服强度、抗拉强度、延伸率及冲击功的关系并分别建立逐步回归方程式和人工神经网络模型。 通过统计分析逐步回归方程中的合金元素，得到影响产品最终性能的主要合金元素为碳、锰、硅、磷、硫、钛、铌等元素。人工神经网络模型为具有一个隐层的三层BP网络，输入参数为各种合金成分，输出为各力学性能。选择参数的前提是假设在确定的轧制工艺参数下，生产工艺控制精度较高。两种方法建立的预报模型，其精度均达到了较高的水平，能满足实际生产的应用。 本文还采用已建立的神经网络模型对影响最终性能的主要合金元素进行研究，主要是通过改变各个合金成分的含量来研究每一个合金对最终产品力学性能的影响程度，从而为合金成分优化提供了一种途径。

目录

文摘

英文文摘

声明

第一章前言

第二章低合金钢性能预报研究进展

2.1低合金高强度钢

2.1.1低合金高强度钢的定义

2.1.2低合金高强度钢的发展

2.1.3低合金高强度钢的性能要求

2.2性能预报基本原理方法

2.3性能预报国内外研究进展

2.3.1 国外研究情况

2.3.2国内研究情况

2.4性能预报模型与系统的工业应用及存在的问题

第三章人工神经网络

3.1神经网络基础知识

3.1.1人工神经网络的发展

3.1.2人工神经网络的基本特征和通用性质

3.1.3人工神经网络的类型

3.1.4人工神经网络的主要模型

3.2 BP神经网络

3.2.1 BP神经网络的模型结构

3.2.2 BP神经网络的学习

3.2.3 BP神经网络算法描述

3.3人工神经网络在轧制领域的研究现状

第四章低合金高强度钢性能预报统计模型

4.1 合金成分在性能强韧化过程中的作用

4.1.1 强化机制

4.1.2韧化机制

4.1.3合金元素的作用

4.2成分与性能基本关系分析

4.3 典型钢种的回归模型

4.3.1逐步回归分析

4.3.2各种钢力学性能回归模型

4.3.3小结

第五章性能预报人工神经网络模型

5.1 化学成分与产品力学性能神经网络模型的建立和分析

5.1.1样本数据的整理

5.1.2模型参数的选择

5.1.3网络模型的建立及分析

5.2化学成分对成品力学性能的影响分析

5.3统计模型与神经网络计算结果的比较分析与评价

第六章总结

参考文献

致谢