基于RBF神经网络的热轧碳钢变形抗力预测

以凸轮式高速形变试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了碳钢的变形抗力与其化学成分、变形温度、变形程度及变形速度对应关系的RBF神经网络预测模型.通过对函数newrb()中宽度系数的调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.结果表明,与传统的BP网络模型相比较,RBF网络模型具有更高的精度和较强的泛化能力.     

TWIP 钢的变形抗力的影响因素

以 Fe-Mn-C 系 TWIP 钢为例,利用 Gleeble -3500热模拟试验机对其塑性变形抗力进行试验研究。通过实验得到的数据分析了不同变形温度、变形程度、应变速率、C 含量与变形抗力的关系,并为实际轧制提供更精准的实验方案。     

不同热轧参数对无取向硅钢变形抗力的影响

通过使用热模拟试验机,在不同变形速率、不同变形温度及不同化学成分组成下,获取了无取向硅钢的热变形抗力数据。试验结果表明:更高的变形速率会增高变形抗力;而当应变量达到一定程度,在较高变形速率时,无取向硅钢的变形抗力反而变低。在α相区及γ相区,随着试验温度的增加,无取向硅钢的热变形抗力随之降低;在两相区内,随试验温度的提高,变形抗力有所增加;应通过降低终轧温度,使终轧避免在两相区内进行。更高的Si及P含量会提高无取向硅钢的变形抗力,而当温度达到1 200℃时,P提高变形抗力的能力却趋于消失;而高的Als含量会降低无取向硅钢的变形抗力。     

铝合金变形抗力的实验研究

采用恒应变速率凸轮式形变压缩试验机试验了四种铝合金材料的变形抗力 ,分析了应变率和应变速率对变形抗力的影响 ,结果表明随应变的增加 ,变形抗力以近似幂函数关系增加 ,在此基础上建立了简单、适用的变形抗力计算模型     

X100管线钢的高温变形力学行为

采用Gleeble-3500热模拟试验机对X100管线钢进行单道次压缩试验,研究其变形抗力与应变量、应变速率和变形温度的关系,利用回归分析确立合适的变形抗力数学模型,并将模型预测值与试验值进行比较。结果表明,变形温度对X100管线钢变形抗力影响显著;高温低应变速率更有利于X100管线钢回复和再结晶的发生;应变速率过高会引起非稳态变形,不利于X100管线钢轧制过程的控制;利用回归分析确定的变形抗力模型能够准确预测X100管线钢的变形抗力,相关系数为0.986。     

基于热轧生产实绩的变形抗力模型参数确立

基于某厂热连轧生产线实际数据,用单纯形法对16个钢种的变形抗力模型参数进行数学回归,得出其相应变形抗力模型,利用该变形抗力模型计算轧制力,经与实测值相比较,所构变形抗力模型能综合反映诸因素对轧制力的影响,既能重现样本数据,也能准确预报非样本数据。     

TRIP800钢变形抗力的试验研究

以TRIP800钢为例,利用Gleeble-1500热模拟试验机对金属塑性变形抗力进行试验研究。通过实测数据,分析了不同变形温度、应变速率和变形程度与变形抗力的关系,确定了金属塑性变形抗力的数学模型。并对其数学模型进行回归,模型具有良好的曲线拟合特性。     

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法,以生产实测数据为基础,建立了高精度的中厚板精轧机轧制力预报模型。     

基于化学成分的铝合金热变形抗力模型

现有的铝合金变形抗力模型只针对具体牌号合金,之间没有联系,一旦成分变化就不再适用了。为了克服这个问题,本文对21种热成形典型铝合金以Hansel–Spittel模型为基础,对其模型系数A,m1,m2,m3,m4进行基于化学成分的线性拟合,建立了Hansel–Spittel模型系数的化学成分模型,进而获得基于化学成分和高温变形参数的热变形抗力模型,经检验所得模型具有较好的精度。     

微碳钢铁素体区轧制的变形抗力模型

利用Gleeble热模拟试验机对微碳钢铁素体区轧制的变形抗力进行了试验研究.通过实测微碳钢铁素体区不同变形温度、应变速率、变形程度和变形抗力的关系,建立了变形抗力的数学模型.通过对模型进行回归分析,证明该模型具有良好的曲线拟合特性,为微碳钢铁素体区轧制力能参数计算提供准确的数学模型.     

紫铜热变形流动应力的实验研究

采用恒变形速率凸轮压缩试验机对紫铜的流动应力进行了实验研究，分析了变形温度、变形速率、变形程度对流动应力的影响，同时对不同的数学模型结构进行了非线性回归，通过分析比较，提出了拟合精度高的流动应力数学模型．     

利用BP神经网络预测材料温锻流动应力

采用 BP神经网络算法对 0 8F钢和 40 Cr在温锻温度范围内流动应力的实验数据进行处理 ,建立起预测材料温锻流动应力的 BP网络模型 .同传统回归方法相比 ,该方法不需事先判断变形温度 t、应变速率 ε·-、应变 ε与流动应力 σ的复杂关系 ,而是通过对大量离散样本进行多次训练 ,找出蕴含在 t、ε·-、ε与σ之间的本质联系 .结果表明 ,训练好的神经网络模型能够比较准确地描述温锻成形时 t、ε·-、ε与 σ的关系 ,从而预测出材料在一定变形条件下的 σ     

铝合金流动应力数学模型

采用恒应变速率凸轮塑性计，对４种铝合金的流动应力进行了实验研究，分析了变形温度、应变速率及应变率对流动应力的影响。通过对５种不同结构型式的流动应力数学模型的回归分析比较，提出了拟合精度较高的４个铝合金流动应力的数学模型，并给出了数学模型的回归系数值。     

用人工神经元方法预报IF钢性能

用人工神经元方法分析ＩＦ钢性能与成分、加工工艺之间关系，通过实验与现场数据训练１个前向网络的考核结果表明，该方法是用于大生产中ＩＦ钢成分与工艺设计的有效方法。     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

一种混合模型在30 MnSi钢变形抗力预测中的应用

利用Gleeble-1500热模拟实验机对30 MnSi钢进行热模拟实验来获取不同变形条件下的变形抗力,提出一种新的混合模型--人工免疫最小二乘支持向量机模型来提高变形抗力的预测精度.在混合模型中,最小二乘支持向量机的最优参数通过人工免疫算法获得.实验结果表明,这种新模型不仅能重现样本数据的变形抗力,而且也能非常精确地预测非样本数据.通过与BP方法相比较,该方法在变形抗力预测的有效性和精确性方面都有很大提高,尤其是网络泛化性能的提高.     

人工神经网络在热轧宽厚板性能预测中的应用

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 ,并对预测结果与生产数据进行了比较 .此外 ,还利用神经网络对生产工艺参数进行了优化 .结果表明 ,将神经网络应用于热轧生产进行力学性能预测和工艺参数优化具有一定现实意义