CN110674568A - 一种预测棒材力学性能的方法 - Google Patents
一种预测棒材力学性能的方法 Download PDFInfo
- Publication number
- CN110674568A CN110674568A CN201910816806.0A CN201910816806A CN110674568A CN 110674568 A CN110674568 A CN 110674568A CN 201910816806 A CN201910816806 A CN 201910816806A CN 110674568 A CN110674568 A CN 110674568A
- Authority
- CN
- China
- Prior art keywords
- data
- mechanical property
- neural network
- bar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 229910000851 Alloy steel Inorganic materials 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000011573 trace mineral Substances 0.000 claims description 5
- 235000013619 trace mineral Nutrition 0.000 claims description 5
- 229910045601 alloy Inorganic materials 0.000 claims description 4
- 239000000956 alloy Substances 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 229910052748 manganese Inorganic materials 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 2
- 238000005096 rolling process Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 16
- 229910000831 Steel Inorganic materials 0.000 description 15
- 239000010959 steel Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005098 hot rolling Methods 0.000 description 3
- 238000005272 metallurgy Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052758 niobium Inorganic materials 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- RMLPZKRPSQVRAB-UHFFFAOYSA-N tris(3-methylphenyl) phosphate Chemical compound CC1=CC=CC(OP(=O)(OC=2C=C(C)C=CC=2)OC=2C=C(C)C=CC=2)=C1 RMLPZKRPSQVRAB-UHFFFAOYSA-N 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种预测棒材力学性能的方法,首先,选取预测模型变量,对变量进行数据处理,得到特征参数;再将特征参数划分为训练数据和测试数据,训练数据用于构建神经网络模型,测试数据用于验证神经网络模型的诊断性能;设定隐含层节点数,建立优化的BP神经网络的诊断模型,获得预测的力学性能数据;最后,对预测的力学性能数据进行反归一化处理,得到棒材力学性能的预测结果。本发明一种预测棒材力学性能的方法,解决了现有技术中存在的在试轧钢材期间难以预测棒材力学性能、且成本高的问题。
Description
技术领域
本发明属于钢材轧制技术领域,涉及一种预测棒材力学性能的方法。
背景技术
热轧棒材作为最广泛应用的建筑结构材料,其屈服强度、抗拉强度、延伸率是评价其是否满足各种专用钢技术标准的最主要判据。过去三十多年来,世界各国投入大量技术力量和资金,研究开发热轧板带的组织性能预报模型,在基础物理冶金实验与模型、热轧工艺技术、计算机软件与模型几方面做了大量工作并取得了重要进展。目前已经有一些较成功的基础物理冶金模型、实验室组织性能预报模型和离线预报模型,但是,至今在线组织性能预报与控制模型商业应用鲜有。
目前,热轧棒线材还没有在线性能预报模型进行商业应用。不仅如此,热轧棒线材在奥氏体热变形与相变基础物理冶金试验研究、热轧形变热处理TMCP工艺技术开发与应用、离线组织性能预报与控制模型的开发等方面,均显著落后于热轧板带在这些方面的研究开发进展。欧洲、美国、日本和中国在过去30多年里对热轧板带进行了大量研究和开发,并为在线组织性能预报模型的建立提供了充分的基础。在国内,建筑用钢筋在生产量方面占了全国钢材总产量的40%左右,但是在成分、组织与力学性能对应关系基础研究,特别是在成分、组织与力学性能性能预方面的研究工作少之又少。
热轧棒材作为最广泛应用的建筑结构材料,但是现有的工艺难以高效实现高强度钢筋、线材开发和低成本生产,往往一个钢种从开发到达到行业中上水平需要2~3年的时间,因此亟需在试轧钢材期间提前预测成分与成品性能之间的关系。
发明内容
本发明的目的是提供一种预测棒材力学性能的方法,解决了现有技术中存在的在试轧钢材期间难以预测棒材力学性能、且成本高的问题。
本发明所采用的技术方案是,一种预测棒材力学性能的方法,具体按照以下步骤实施:
步骤1,选取预测模型变量,对变量进行数据处理,得到特征参数;
步骤2,将特征参数划分为训练数据和测试数据,训练数据用于构建神经网络模型,测试数据用于验证神经网络模型的诊断性能;
步骤3,设定隐含层节点数,建立优化的BP神经网络的诊断模型,获得预测的力学性能数据;
步骤4,对预测的力学性能数据进行反归一化处理,得到棒材力学性能的预测结果。
本发明的特点还在于:
步骤1中,数据处理具体采用如下公式:
特征参数包括钢种合金成分和力学性能数据,钢种合金成分包括C、Si、Mn、P、S、微合金和微量元素;力学性能数据包括屈服强度、抗拉强度和延伸率。
步骤3具体为:
步骤3.1,构建BP神经网络的诊断模型,并确定训练函数与转移函数;
步骤3.2,采用init函数来初始化BP神经网络,初始化参数包括:数据规模、最大迭代次数tmax;采用转移函数对BP神经网络的权值和阈值进行调整;
步骤3.3,设置BP神经网络的训练次数和训练目标误差;
步骤3.4,设置训练数据为输入矩阵P,设置目标值为矩阵T,采用训练函数对BP神经网络进行数据训练;
步骤3.5,记录最优解及其适应度;
步骤3.6,若当前迭代次数t<tmax,搜索最优解,且每次循环后,迭代次数加1;否则跳转至步骤3.9;
步骤3.7,计算新解的适应度,若新解优于当前解,则用新解替换当前解;
步骤3.8,记录最佳适应度及最优解;
步骤3.9,将最优解作为BP神经网络的权阈值参数;
步骤3.10,采用优化的BP神经网络对测试数据进行测试,获得预测的力学性能数据。
步骤3.1中,BP神经网络选择三层拓扑的网络;转移函数选择tansig;训练函数选择train函数。
步骤3中,隐含层节点数按照以下公式计算:
式(2)中,n为隐层节点数,ni为输入节点数,n0为输出接点数,a∈[1,10]。
步骤4中,归一化处理公式为:
本发明的有益效果是:
(1)、建立钢种合金成分与力学性能两者的对应关系模型,实现前期对力学性能预判,为后期调整优化工艺成分做准备;在调整优化合金配比、降低合金加入量的条件下,缩小棒材性能波动,稳定棒材质量,提高热轧棒线材生产的经济效益;本发明方法对屈服强度的预报命中率达到85%-92%,抗拉强度的预报命中率达到80%-95%,延伸率的预报命中率达到75%-90%;
(2)、本发明方法可通过优化后的BP神经网络建立工艺成分与力学性能两者的对应关系模型,实现前期对力学性能预判,为后期调整优化工艺成分做准备,减少成分试轧引起的钢水的浪费和检测样品数量;同时,也为钢厂降本增效提供依据,建立钢水残留元素对成材性能的影响数据库,为轧制生产异常作出预判。
附图说明
图1是本发明一种预测棒材力学性能的方法中的预测模型;
图2是本发明一种预测棒材力学性能的方法预测的屈服强度值和实验实测值;
图3是本发明一种预测棒材力学性能的方法预测的抗拉强度值和实验实测值;
图4是本发明一种预测棒材力学性能的方法预测的Agt值和实验实测值。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明一种预测棒材力学性能的方法,具体按照以下步骤实施:
步骤1,选取预测模型变量,对变量进行数据处理,得到特征参数;
其中,数据处理具体采用如下公式:
特征参数包括钢种合金成分和力学性能数据,钢种合金成分包括C、Si、Mn、P、S、微合金(V,Nb)和微量元素(Ni、Cr、Cu、Al、As、Sn、Sb、N、Ti、Nb、Co、Pb、B);力学性能数据包括屈服强度、抗拉强度和延伸率。
步骤2,将特征参数划分为训练数据和测试数据,训练数据用于构建神经网络模型,测试数据用于验证神经网络模型的诊断性能;
步骤3,设定隐含层节点数,建立优化的BP神经网络的诊断模型,获得预测的力学性能数据;
其中,隐含层节点数按照以下公式计算:
式(2)中,n为隐层节点数,ni为输入节点数,n0为输出接点数,a∈[1,10]。
具体按照以下步骤实施:
步骤3.1,构建BP神经网络的诊断模型,并确定训练函数与转移函数;
其中,BP神经网络选择三层拓扑的网络;转移函数选择tansig;训练函数选择train函数。
步骤3.2,采用init函数来初始化BP神经网络,初始化参数包括:数据规模、最大迭代次数tmax;采用转移函数对BP神经网络的权值和阈值进行调整;
步骤3.3,设置BP神经网络的训练次数和训练目标误差;
步骤3.4,设置训练数据为输入矩阵P,设置目标值为矩阵T,采用训练函数对BP神经网络进行数据训练;
步骤3.5,记录最优解及其适应度;
步骤3.6,若当前迭代次数t<tmax,搜索最优解,且每次循环后,迭代次数加1;否则跳转至步骤3.9;
步骤3.7,计算新解的适应度,若新解优于当前解,则用新解替换当前解;
步骤3.8,记录最佳适应度及最优解;
步骤3.9,将最优解作为BP神经网络的权阈值参数;
步骤3.10,建立残留的微量元素的数据库,重复步骤3.1~3.9;
步骤3.11,采用优化的BP神经网络对测试数据进行测试,获得预测的力学性能数据。
步骤4,对预测的力学性能数据进行反归一化处理,得到棒材力学性能的预测结果。
其中,归一化处理公式为:
BP神经网络模型的诊断原理:
学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。
为了验证本发明一种预测棒材力学性能的方法的有效性。采集同一轧制工艺、同一规格的棒线材即钢材的钢种合金成分和力学性能数据,选取HRB500EΦ25总计100个数据。其中,80组作为训练,剩余20组作为训练结果检验。
BP神经网络的参数设置:迭代次数为100次,训练速度定义为0.04,训练误差为0.00005;因输入层有7个变量,即C、Si、Mn、P、S、微合金和微量元素,所以根据隐含层节点个数2n+1(n为输入层节点个数)得到隐含层节点个数为15;设定训练在迭代到21次的时候停止,即神经网络训练已经达到预期的要求。
经过优化后的BP神经网络模拟预测棒材力学性能的结果如图2~4,从图2~4可知,本发明方法对屈服强度的预报命中率达到85%-92%,抗拉强度的预报命中率达到80%-95%,延伸率的预报命中率达到75%-90%;伸长率(%)、Agt(%)模拟效果良好。从而验证了本发明一种预测棒材力学性能的方法的有效性。
本发明适用的钢种为热轧抗震钢筋,适用的工艺过程为热连轧、直轧过程。通过优化后的BP网络建立钢种合金成分与力学性能两者的对应关系模型,本发明方法可根据不同的轧制工艺条件和不同规格的棒线材,快速建立与之对应的预报模型,实现钢水成分优化的同时预报成品的力学性能,提前指导热轧生产。
Claims (7)
1.一种预测棒材力学性能的方法,其特征在于,具体按照以下步骤实施:
步骤1,选取预测模型变量,对所述变量进行数据处理,得到特征参数;
步骤2,将特征参数划分为训练数据和测试数据,训练数据用于构建神经网络模型,测试数据用于验证神经网络模型的诊断性能;
步骤3,设定隐含层节点数,建立优化的BP神经网络的诊断模型,获得预测的力学性能数据;
步骤4,对预测的力学性能数据进行反归一化处理,得到棒材力学性能的预测结果。
3.根据权利要求1所述的一种预测棒材力学性能的方法,其特征在于,步骤1中,所述特征参数包括钢种合金成分和力学性能数据,所述钢种合金成分包括C、Si、Mn、P、S、微合金和微量元素;所述力学性能数据包括屈服强度、抗拉强度和延伸率。
4.根据权利要求1所述的一种预测棒材力学性能的方法,其特征在于,步骤3具体为:
步骤3.1,构建BP神经网络的诊断模型,并确定训练函数与转移函数;
步骤3.2,采用init函数来初始化BP神经网络,初始化参数包括:数据规模、最大迭代次数tmax;采用转移函数对BP神经网络的权值和阈值进行调整;
步骤3.3,设置BP神经网络的训练次数和训练目标误差;
步骤3.4,设置训练数据为输入矩阵P,设置目标值为矩阵T,采用训练函数对BP神经网络进行数据训练;
步骤3.5,记录最优解及其适应度;
步骤3.6,若当前迭代次数t<tmax,搜索最优解,且每次循环后,迭代次数加1;否则跳转至步骤3.9;
步骤3.7,计算新解的适应度,若新解优于当前解,则用新解替换当前解;
步骤3.8,记录最佳适应度及最优解;
步骤3.9,将最优解作为BP神经网络的权阈值参数;
步骤3.10,采用优化的BP神经网络对所述测试数据进行测试,获得预测的力学性能数据。
5.根据权利要求4所述的一种预测棒材力学性能的方法,其特征在于,步骤3.1中,所述BP神经网络选择三层拓扑的网络;所述转移函数选择tansig;所述训练函数选择train函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816806.0A CN110674568A (zh) | 2019-08-30 | 2019-08-30 | 一种预测棒材力学性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816806.0A CN110674568A (zh) | 2019-08-30 | 2019-08-30 | 一种预测棒材力学性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674568A true CN110674568A (zh) | 2020-01-10 |
Family
ID=69076483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910816806.0A Pending CN110674568A (zh) | 2019-08-30 | 2019-08-30 | 一种预测棒材力学性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674568A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832215A (zh) * | 2020-04-10 | 2020-10-27 | 南京钢铁股份有限公司 | 一种在线预测钢板组织性能的方法 |
CN112359303A (zh) * | 2020-11-09 | 2021-02-12 | 中南大学 | 一种基于数据驱动镍基高温合金强度评估的方法 |
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
-
2019
- 2019-08-30 CN CN201910816806.0A patent/CN110674568A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101905239A (zh) * | 2010-07-15 | 2010-12-08 | 首钢总公司 | 一种40Cr线棒材力学性能预报系统 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
Non-Patent Citations (4)
Title |
---|
刘立鹏: "基于遗传神经网络的焊接接头力学性能预测系统研究", 《万方学术论文库》 * |
张国英等: "神经网络在高强韧钢机械性能研究中的应用", 《沈阳工业大学学报》 * |
梅燕娜等: "人工神经网络设计及其在非调质钢力学性能预测中的应用", 《热加工工艺》 * |
王生朝等: "利用人工神经网络预测钢板性能", 《宽厚板》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832215A (zh) * | 2020-04-10 | 2020-10-27 | 南京钢铁股份有限公司 | 一种在线预测钢板组织性能的方法 |
CN112359303A (zh) * | 2020-11-09 | 2021-02-12 | 中南大学 | 一种基于数据驱动镍基高温合金强度评估的方法 |
CN112359303B (zh) * | 2020-11-09 | 2021-08-24 | 中南大学 | 一种基于数据驱动镍基高温合金强度评估的方法 |
US20220276619A1 (en) * | 2021-03-01 | 2022-09-01 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
US11803165B2 (en) * | 2021-03-01 | 2023-10-31 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674568A (zh) | 一种预测棒材力学性能的方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
CN100362332C (zh) | 轧制过程在线检测钢板力学性能的方法 | |
CN104573278A (zh) | 基于多元线性回归分析的热轧h型钢力学性能预报方法 | |
CN102284512B (zh) | 一种大变形管线钢管制造工艺控制方法 | |
WO1998018970A1 (de) | Verfahren zur überwachung und steuerung der qualität von walzprodukten aus warmwalzprozessen | |
CN103157772B (zh) | 一种连铸坯内部质量的预报方法 | |
CN104451118B (zh) | 一种适合于连续退火过程的带钢板形逐段演变预报方法 | |
CN102122324A (zh) | 热轧棒线材力学性能预报方法 | |
CN105740467A (zh) | 一种C-Mn钢工业大数据的挖掘方法 | |
CN106991242A (zh) | 一种钢板性能优化的控制方法 | |
CN104238498A (zh) | 热连轧管线钢组织及力学性能预测的方法 | |
CN114888094B (zh) | 基于冷却过程残余应力预测的轧制板形补偿方法 | |
Du et al. | Construction of a machine-learning-based prediction model for mechanical properties of ultra-fine-grained Fe–C alloy | |
CN106886799A (zh) | 一种基于混合集成学习的连续退火带钢质量在线检测方法 | |
Saravanakumar et al. | Prediction of mechanical properties of low carbon steel in hot rolling process using artificial neural network model | |
CN1641356B (zh) | 硬线产品显微组织与力学性能预报系统 | |
CN113033105A (zh) | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 | |
CN113434968A (zh) | 一种基于钢板化学成分预测冷轧变形抗力的方法 | |
CN115392104A (zh) | 一种基于退火工艺预测冷轧连续退火带钢力学性能的方法 | |
CN105160127B (zh) | 基于csp流程热连轧生产线q235b钢种的性能预测方法 | |
Gittins et al. | Strength of steels in hot strip mill rolling | |
CN113887089A (zh) | 线棒材力学性能预测方法及计算机可读存储介质 | |
Di Schino | Open die forging process simulation: a simplified industrial approach based on artificial neural network. | |
Perlade et al. | Application of microstructural modelling for quality control and process improvement in hot rolled steels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200110 |