CN105868483A - 一种铸钢流动性预测方法 - Google Patents
一种铸钢流动性预测方法 Download PDFInfo
- Publication number
- CN105868483A CN105868483A CN201610217971.0A CN201610217971A CN105868483A CN 105868483 A CN105868483 A CN 105868483A CN 201610217971 A CN201610217971 A CN 201610217971A CN 105868483 A CN105868483 A CN 105868483A
- Authority
- CN
- China
- Prior art keywords
- cast steel
- network model
- function
- sample
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910001208 Crucible steel Inorganic materials 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005266 casting Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000011229 interlayer Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000005275 alloying Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000007790 solid phase Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 7
- 230000001737 promoting effect Effects 0.000 abstract 1
- 229910045601 alloy Inorganic materials 0.000 description 8
- 239000000956 alloy Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910001369 Brass Inorganic materials 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2117/00—Details relating to the type or aim of the circuit design
- G06F2117/08—HW-SW co-design, e.g. HW-SW partitioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了一种铸钢流动性预测方法，包括以下步骤：（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据；（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。通过本发明中神经网络模型，为铸钢零部件铸造工艺设计中铸钢流动性提供了一种预测方法，有利于促进铸造业数字化、智能化、节能化的发展。
Description
技术领域
本发明涉及一种铸钢流动性预测方法，属于铸造技术领域。
背景技术
液态金属合金的流动性是铸造生产的重要工艺性能，流动性的好坏直接影响金属的充型性能。金属液的流动性好，充型性能就强，容易获得尺寸准确、外形完整、轮廓清晰的铸件。否则容易造成铸件冷隔、浇不足、气孔与夹杂缺陷。
铸钢合金是铸造生产中的一种常用材料，其流动性比灰铸铁、硅黄铜合金、硅铝合金差，所以对于铸钢件来说其液态合金的流动性对铸造工艺设计的影响很大。铸钢合金流动性受多种因素综合影响，其好坏主要取决于合金本身的性质，此外外在的工艺条件对其也有重要影响。外在条件如浇注温度、浇注压力、铸型结构复杂程度、空腔壁厚等因素对铸钢流动性的影响较为简单且接近线性相关；而铸钢合金本身性质（即合金成分的不同）对其流动性的影响却有着复杂的非线性相关特征，至今还没有理论公式或经验公式来描述这两者间的关系。铸造从业者若依靠经验来对铸钢的流动性做判断，缺乏科学性和可靠性；若通过生产试验来对铸钢流动性做判断，不仅增加成本，还延长了产品研发制造周期。
发明内容
本发明要解决的技术问题是：提供一种铸钢流动性预测方法，建立铸钢合金成分与其流动性间非线性映射关系的数学模型，通过该模型可以较为准确地预测不同牌号铸钢材料本身的流动性好坏。
本发明的目的是通过以下技术方案实现的：
一种铸钢流动性预测方法，包括以下步骤：
（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填充完毕时式样的固相质量分数作为流动性评价指数w，所述样本数据包括铸钢材料合金成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w；
（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；
（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；
（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；
（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。
优选的，所述步骤（2）中，神经网络模型的层数为三层，包括输入层、隐含层和输出层，其中输入层节点数目为5，隐含层结点数目为11，输出层节点数目为1。由于样本数据由5种合金成分及1个评价指数组成，所以确定输入层节点数目为5，输出层节点数目为1。
优选的，所述输入层与隐含层间的传递函数采用S型正切函数tansig，隐含层与输出层间的传递函数采用S型对数函数logsig。各层间传递函数具有非线性特点及处处连续可导。
优选的，步骤（3）中网络训练函数选用动量及自适应lrBP的梯度递减函数traingdx，学习函数选用梯度下降动量函数learngdm，网络性能函数选用加权均方误差函数msereg，设定性能参数为0.5，网络训练的最小均方误差设为0.001，最大迭代次数为5000，采用初始化函数init初始化网络的权值和阈值。
优选的，步骤（1）中样本数据的数量为26组。
优选的，步骤（3）中提取24组样本数据作为训练样本，直至网络训练结束，步骤（4）中提取剩余2组样本数据作为仿真测试样本。
通过采用上述技术方案，本发明的有益效果：通过本发明中神经网络模型，为铸钢零部件铸造工艺设计中铸钢流动性提供了一种预测方法，通过一种CAE手段对当前铸造工艺设计提供指导，有利于促进铸造业数字化、智能化、节能化的发展。
附图说明
图1为螺旋形试样模型图；
图2为本发明中神经网络模型的拓扑结构图；
图3为本发明的过程原理图。
具体实施方式
下面结合附图及具体的实施例对发明进行进一步介绍：
实施例1：一种铸钢流动性预测方法，包括以下步骤：
步骤（1）：用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据。在本实施例中，选用26种牌号的铸钢材料，在控制过热度、浇注速度一致的条件下（过热度为该种铸钢液相温度+10℃，浇注速度为0.01m/s），向螺旋型试样（如图1所示）中浇注钢液，取铸型填充完毕时试样的固相质量分数作为流动性评价指数w，样本数据包括铸钢材料合金成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w，所得样本数据如下表1所示：
表1 神经网络训练样本数据
步骤（2）：建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构。神经网络模型的层数为三层，包括输入层、隐含层和输出层，其中输入层节点数目为5，隐含层结点数目为11，输出层节点数目为1。所述输入层与隐含层间的传递函数采用S型正切函数tansig，隐含层与输出层间的传递函数采用S型对数函数logsig。
步骤（3）：提取步骤（1）中所得样本数据中的1至24组数据训练该神经网络模型。网络训练函数选用动量及自适应lrBP的梯度递减函数traingdx，学习函数选用梯度下降动量函数learngdm，网络性能函数选用加权均方误差函数msereg，设定性能参数为0.5，网络训练的最小均方误差设为0.001，最大迭代次数为5000，采用初始化函数init初始化网络的权值和阈值。
步骤（4）：用剩余的第25、26组样本数据对训练后的网络模型进行仿真测试，结果如表2所示：
表2 仿真测试结果
| 序号 | 期望输出 | 实际输出 | 误差 |
| 25 | 0.616 | 0.6160 | 0% |
| 26 | 0.592 | 0.5934 | 0.12% |
通过分析误差，该神经网络模型对铸钢流动性的预测达到所需的精度要求。
步骤（5）：通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种铸钢流动性预测方法，其特征在于：包括以下步骤：
（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填充完毕时式样的固相质量分数作为流动性评价指数w，所述样本数据包括铸钢材料合金成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w；
（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；
（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；
（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；
（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。
2.根据权利要求1所述的一种铸钢流动性预测方法，其特征在于：所述步骤（2）中，神经网络模型的层数为三层，包括输入层、隐含层和输出层，其中输入层节点数目为5，隐含层结点数目为11，输出层节点数目为1。
3.根据权利要求2所述的一种铸钢流动性预测方法，其特征在于：所述输入层与隐含层间的传递函数采用S型正切函数tansig，隐含层与输出层间的传递函数采用S型对数函数logsig。
4.根据权利要求3所述的一种铸钢流动性预测方法，其特征在于：步骤（3）中网络训练函数选用动量及自适应lrBP的梯度递减函数traingdx，学习函数选用梯度下降动量函数learngdm，网络性能函数选用加权均方误差函数msereg，设定性能参数为0.5，网络训练的最小均方误差设为0.001，最大迭代次数为5000，采用初始化函数init初始化网络的权值和阈值。
5.根据权利要求1所述的一种铸钢流动性预测方法，其特征在于：步骤（1）中样本数据的数量为26组。
6.根据权利要求5所述的一种铸钢流动性预测方法，其特征在于：步骤（3）中提取24组样本数据作为训练样本，直至网络训练结束，步骤（4）中提取剩余2组样本数据作为仿真测试样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610217971.0A CN105868483A (zh) | 2016-04-11 | 2016-04-11 | 一种铸钢流动性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610217971.0A CN105868483A (zh) | 2016-04-11 | 2016-04-11 | 一种铸钢流动性预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105868483A true CN105868483A (zh) | 2016-08-17 |
Family
ID=56637188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610217971.0A Pending CN105868483A (zh) | 2016-04-11 | 2016-04-11 | 一种铸钢流动性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105868483A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
| CN109977488A (zh) * | 2019-03-05 | 2019-07-05 | 东南大学 | 基于支持向量回归的铸造铝合金流动性预测方法 |
| CN112529029A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 信息处理方法、神经网络的训练方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1842384A (zh) * | 2003-08-26 | 2006-10-04 | 西门子公司 | 一种用于预测和控制液态钢的铸造性能的方法 |
| CN102425148A (zh) * | 2011-09-02 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
| JP5552037B2 (ja) * | 2010-12-10 | 2014-07-16 | 株式会社富士通コンピュータテクノロジーズ | モデル変換プログラム、シミュレーションプログラム、シミュレーション装置、モデル変換方法およびシミュレーション方法 |
-
2016
- 2016-04-11 CN CN201610217971.0A patent/CN105868483A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1842384A (zh) * | 2003-08-26 | 2006-10-04 | 西门子公司 | 一种用于预测和控制液态钢的铸造性能的方法 |
| JP5552037B2 (ja) * | 2010-12-10 | 2014-07-16 | 株式会社富士通コンピュータテクノロジーズ | モデル変換プログラム、シミュレーションプログラム、シミュレーション装置、モデル変換方法およびシミュレーション方法 |
| CN102425148A (zh) * | 2011-09-02 | 2012-04-25 | 铁道第三勘察设计院集团有限公司 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王力: ""低压铸造过程数值模拟及基于神经网络的优化系统开发与应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ι辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509719A (zh) * | 2018-03-30 | 2018-09-07 | 华中科技大学 | 一种基于bp神经网络的铸铁件断芯预测方法及系统 |
| CN109977488A (zh) * | 2019-03-05 | 2019-07-05 | 东南大学 | 基于支持向量回归的铸造铝合金流动性预测方法 |
| CN109977488B (zh) * | 2019-03-05 | 2023-04-07 | 东南大学 | 基于支持向量回归的铸造铝合金流动性预测方法 |
| CN112529029A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 信息处理方法、神经网络的训练方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN105321345B (zh) | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 | |
| Wang et al. | Forecast of passenger and freight traffic volume based on elasticity coefficient method and grey model | |
| CN105868483A (zh) | 一种铸钢流动性预测方法 | |
| CN106650170B (zh) | 一种液压伺服作动器的可靠性评估方法 | |
| CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
| CN104699894A (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
| CN107577850A (zh) | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 | |
| Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
| CN103942433A (zh) | 一种基于历史资料分析的建筑物沉降预测方法 | |
| Mandal et al. | Modeling the compressive strength of molasses–cement sand system using design of experiments and back propagation neural network | |
| CN103853927B (zh) | 基于聚类全局优化算法预测材料力学行为的方法 | |
| CN106372320B (zh) | 一种采用亚滤波尺度模型对公路隧道湍流进行大涡模拟的方法 | |
| Wang et al. | A new data-driven roll force and roll torque model based on FEM and hybrid PSO-ELM for hot strip rolling | |
| CN104866679A (zh) | 一种开关设备的机械特性预测方法 | |
| Grasso et al. | Mixed mode fatigue crack propagation behaviour of aluminium F357 alloy | |
| CN104866930A (zh) | 一种基于定量筛选时间序列预测模型的时间序列预测方法 | |
| CN106408118A (zh) | 一种基于grnn组合模型的城市日供水量预测方法 | |
| CN107679630A (zh) | 一种基于比例维修模型的维修作业时间估计方法 | |
| Jiang et al. | Nonlinear combined forecasting model based on fuzzy adaptive variable weight and its application | |
| Munoz-Ibanez et al. | Hierarchical artificial neural network modelling of aluminum alloy properties used in die casting | |
| CN107992454A (zh) | 一种基于在线顺序回归的空气质量等级预测方法 | |
| CN106599494A (zh) | 基于多重动态plsr模型的产品质量软测量方法 | |
| CN103593552B (zh) | 一种冶金行业污水处理工艺调控方法 | |
| Li et al. | Research on the material mechanics performance prediction based on back propagation neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |