E36船板钢连续冷却转变行为研究

在THERMECMASTOR-Z热模拟实验机上测定了E36船板钢的连续冷却转变曲线,利用光学显微镜对钢组织进行了观察,并利用维氏硬度计对E36钢硬度进行了测定.结果表明,试验钢奥氏体向铁素体转变温度在785～590℃范围内.当冷却速率小于20℃/s时,随着冷却速率的增快,E36钢晶粒度增加较为明显;而当冷却速率大于20℃/s时,E36钢晶粒度变化趋于平缓.当冷却速率小于20℃/s和大于60℃/s时,E36钢维氏硬度值增加较大;而当冷却速率在20～60℃/s范围时,E36钢维氏硬度的变化趋于平缓.     

管线钢X65热轧变形抗力数学模型

利用热加工模拟试验机进行高温单道次、多道次压缩试验，测定了管线钢Ｘ６５在不同条件下的变形抗力。在此基础上，建立了Ｘ６５钢的高温变形抗力模型和残余应变率模型，并对残余应变现象及其影响因素和算法进行了探讨。     

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。     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义。     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型.以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MATLAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络.模型的综合采用加法和乘法两种方式.结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好.     

关于钢板性能最优化问题

作者在钢板力学性能统计规律的基础上,应用线性规划方法,算出了某轧板厂16Mn容器板在现行工艺制度条件下钢板综合性能最优时的钢板化学成分含量和板厚规格。指出影响16Mn容器板性能最主要的化学成分是C,Mn元素。所提出的优化数学模型及所得计算结果,可直接作为厂控化学成分的依据,对于提高产品质量各项性能指标的合格率有重要的意义。     

中厚板轧制轧件头部弯曲模拟计算

在建立中厚板轧制轧件头部弯曲人工神经网络模型的基础上,计算分析了中厚板精轧过程上下辊转速比、压下率、来料厚度材质对轧件头部弯曲的影响,并给出了轧件头部弯曲控制参数下辊转速比和压下率的最优控制范围。     

高碳低合金钢丝拉拔杯锥断口的成因

对高碳低合金钢丝拉拔杯锥断口形成的原因进行了实验分析，结果表明，高碳低合金钢丝拉拔杯锥断口的根本原因是钢丝芯部组织缺陷和钢丝拉拔过程中芯部与外层的不均匀变形共同作用的结果。通过提高盘条钢质的纯度和均匀度，改善拉拔工艺，降低拉拔摩擦系数，可以显著减少杯锥断口的发生。     

中厚板平面形状控制的立轧参数神经网络识别

根据中厚板轧制过程平面形状立辊控制的原理和现场生产数据,采用人工神经网络方法,建立了立轧参数的识别模型,应用效果良好。并用该神经网络模型计算,得到了各影响因素驿立轧量设定值的影响。