一种压轧耦合作用下螺纹钢筋力学性能预测方法

摘要

一种压轧耦合作用下螺纹钢筋力学性能预测方法，其步骤包括：确定研究对象，获取样本变量；构造针对检验样本力学性能预测的样本变量子空间；建立螺纹钢筋力学性能RBF网络预测模型并确定模型参数；对建立的预测模型精度与稳定性进行研究，寻求最优模型参数组合；建立压轧耦合作用下螺纹钢筋工艺多目标优化模型；求解压轧耦合作用下螺纹钢筋工艺多目标优化模型；对得到的压轧耦合作用下螺纹钢筋工艺优化结果进行检验。通过本方法获得了压轧耦合作用下工艺参数和成品力学性能参数之间的精准关系，提高了压轧耦合作用下螺纹钢筋力学性能预测的准确性，有利于提高压轧耦合作用下螺纹钢筋质量。

说明书

技术领域

本发明涉及一种压轧耦合作用下螺纹钢筋力学性能预测方法,，属于建筑用材技术领域。

背景技术

螺纹钢筋是一种优质高效的建筑用材，以普通碳热轧盘条为母材，经过除磷、除锈、压轧耦合等工艺后,，使其带有月牙形横肋。

现阶段螺纹钢生产中还存在以下问题：实际生产中压轧机理及工艺参数与成品力学性能关系不明确，难以精准确定冷轧工艺参数。传统的工艺实验法成本较高且实验周期较长；理论计算法在进行建模引入许多简化和假设，致使计算结果偏离实际工况；有限元仿真法需要反复迭代，运算时间长且计算效率低；螺纹钢筋生产中，成品力学性能预测方法可靠性低。虽然在钢筋和钢筋构件力学性能、轧制力预报和粘结锚固性能等方面，已有学者进行了较为充分和深入的研究，但基于RBF神经网络的螺纹钢筋力学性能预测方法研究成果较少，研究较为薄弱。

发明内容

针对上述现有技术存在的问题，本发明提供一种压轧耦合作用下螺纹钢筋力学性能预测方法，该方法能够实现对压轧耦合作用下螺纹钢筋生产中工艺参数与成品力学性能关系的研究，提高力学性能预测方法的可靠性，最终提高压轧耦合作用下螺纹钢筋成品质量。

为了实现上述目的，本发明提供一种压轧耦合作用下螺纹钢筋力学性能预测方法，包括以下步骤：

(1)确定研究对象，获取样本变量；

(2)构造针对检验样本力学性能预测的样本变量子空间；

(3)建立螺纹钢筋力学性能RBF网络预测模型并确定模型参数；

(4)对建立的预测模型精度与稳定性进行研究，寻求最优模型参数组合；

(5)建立压轧耦合作用下螺纹钢筋工艺多目标优化模型；

(6)求解压轧耦合作用下螺纹钢筋工艺多目标优化模型；

(7)对通过步骤(6)得到的压轧耦合作用下螺纹钢筋工艺优化结果进行检验。

进一步地，所述步骤(1)中，样本变量通过正交实验设计方法，在实验用冷轧设备允许的轧制工艺范围内，即全样本空间内进行获取，通过轧制出所述样本变量对应的螺纹钢筋样品，采用冲击试验机、常温纯弯曲疲劳试验机以及材料力学多功能实验台测得所述样本的抗拉强度和延伸率作为训练样本。

进一步地，所述步骤(2)中，利用聚类分析的方法处理步骤(1)中的样本变量，构造出以各个检验样本为中心的非球状聚类，将各个聚类成员作为预测检验样本力抗拉强度和延伸率的训练样本，构造聚类时，使聚类成员各个分量包络而成的子空间包含检验样本。

进一步地，所述步骤(3)中，分别在各子空间和全空间内建立螺纹钢筋的抗拉强度和延伸率RBF网络预测模型。

进一步地，所述步骤(4)中，在各子空间和全空间内，研究训练样本数目、训练样本分布形式、RBF网络参数对螺纹钢筋力学性能预测模型的预测精度与预测稳定性影响，寻求最优模型参数组合。

进一步地，所述步骤(5)中，采用目标规划法对各个分目标统一化处理，将期望的成品抗拉强度和延伸率作为各分目标函数的最优值，之后根据多目标优化问题的总体要求，按照平方和法来构造统一的目标函数将多目标优化问题转换为单目标优化问题。

进一步地，所述步骤(6)中，采用遗传算法求解基于RBF神经网络的螺纹钢筋轧制工艺优化模型，高维、多峰值、目标函数未知的约束优化问题求解方法。

进一步地，所述步骤(7)中，以步骤(6)中优化模型的计算结果作为工艺条件，用预定的生产母材重新轧制出样品，测量其抗拉强度和延伸率，并采用X射线能谱仪和波长色散X射线荧光光谱仪，对母材以及成材样品进行元素测定，研究母材表面元素及冷轧工艺过程中各个元素化学状态的变化情况；通过扫描电镜观、三目倒置金相显微镜和万能工具显微镜察母材在不同工艺时的晶相变化过程以及实验样品的断面微观组织结构，与期望的性能指标作比较，检验工艺优化模型的性能。

本发明通过以聚类分析方法、目标规划法、径向基函数网络算法、遗传算法为理论基础，运用综合密度算法、K-MEDOIDS算法搭建了基于RBF神经网络的螺纹钢筋轧制工艺优化模型，获得了准确的工艺参数和成品力学性能之间的复杂映射关系，以及压轧耦合作用时工艺参数和成品力学性能参数之间的精准关系，提高了压轧耦合作用下螺纹钢筋力学性能预测的准确性，有利于提高压轧耦合作用下螺纹钢筋质量。

附图说明

图1是本发明的工作流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种压轧耦合作用下螺纹钢筋力学性能预测方法，包括以下步骤：

(1)确定研究对象，获取样本变量：以普通钢筋混凝土用钢筋CRB550为研究对象，以普通低碳钢Q235热轧盘条为生产母材。样本变量通过正交实验设计方法，在实验用冷轧设备允许的轧制工艺范围内，即全样本空间内进行获取，通过轧制出所述样本变量对应的螺纹钢筋样品，采用冲击试验机、常温纯弯曲疲劳试验机以及材料力学多功能实验台测得所述样本的抗拉强度和延伸率作为训练样本。

(2)构造针对检验样本力学性能预测的样本变量子空间：利用聚类分析的方法处理步骤(1)中的样本变量，构造出以各个检验样本为中心的非球状聚类，将各个聚类成员作为预测检验样本力抗拉强度和延伸率的训练样本，构造聚类时，使聚类成员各个分量包络而成的子空间包含检验样本。

(3)建立螺纹钢筋力学性能RBF网络预测模型并确定模型参数：分别在各子空间和全空间内建立螺纹钢筋的抗拉强度和延伸率RBF网络预测模型，研究针对压轧耦合作用下螺纹钢筋抗拉强度和延伸率预测的RBF网络参数方法；

(4)对建立的预测模型精度与稳定性进行研究，寻求最优模型参数组合；

(5)建立压轧耦合作用下螺纹钢筋冷轧工艺多目标优化模型：采用目标规划法对各个分目标统一化处理，将期望的成品抗拉强度和延伸率作为各分目标函数的最优值，之后根据多目标优化问题的总体要求，按照平方和法来构造统一的目标函数将多目标优化问题转换为单目标优化问题。

(6)求解压轧耦合作用下螺纹钢筋冷轧工艺多目标优化模型；采用遗传算法求解基于RBF神经网络的螺纹钢筋轧制工艺优化模型，高维、多峰值、目标函数未知的约束优化问题求解方法；

(7)对通过步骤(6)得到的压轧耦合作用下螺纹钢筋冷轧工艺优化结果进行检验:以步骤(6)中优化模型的计算结果作为工艺条件，用预定的生产母材重新轧制出样品，测量其抗拉强度和延伸率，并采用X射线能谱仪和波长色散X射线荧光光谱仪，对母材以及成材样品进行元素测定，研究母材表面元素及冷轧工艺过程中各个元素化学状态的变化情况；通过扫描电镜观、三目倒置金相显微镜和万能工具显微镜察母材在不同冷扎工艺时的晶相变化过程以及实验样品的断面微观组织结构，与期望的性能指标作比较，检验工艺优化模型的性能。

本发明通过以聚类分析方法、目标规划法、径向基函数网络算法、遗传算法为理论基础，运用综合密度算法、K-MEDOIDS算法搭建了基于RBF神经网络的螺纹钢筋轧制工艺优化模型，获得了准确的工艺参数和成品力学性能之间的复杂映射关系，以及压轧耦合作用时工艺参数和成品力学性能参数之间的精准关系，提高了压轧耦合作用下螺纹钢筋力学性能预测的准确性，有利于提高压轧耦合作用下螺纹钢筋质量。