CN115034121B - 一种基于组织性能智能预报模型的带钢工艺调控方法 - Google Patents
一种基于组织性能智能预报模型的带钢工艺调控方法 Download PDFInfo
- Publication number
- CN115034121B CN115034121B CN202210958019.1A CN202210958019A CN115034121B CN 115034121 B CN115034121 B CN 115034121B CN 202210958019 A CN202210958019 A CN 202210958019A CN 115034121 B CN115034121 B CN 115034121B
- Authority
- CN
- China
- Prior art keywords
- strip steel
- data
- microstructure
- model
- mapping relation
- 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.)
- Active
Links
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Metal Rolling (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于组织性能智能预报模型的带钢工艺调控方法,包括:基于机器学习和晶体塑性的框架,对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,获得实验数据与模拟数据;根据所述实验数据与模拟数据构建样本数据集;基于所述样本数据集的样本数据进行GA‑BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系;基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行计算,根据计算结果进行热变形工艺制定。本发明能够准确、高效预测带钢的力学响应和微观组织演化,为热变形工艺参数的制定和优化设计提供参考,大大提高了生产效率。
Description
技术领域
本发明属于轧制技术控制领域,特别是涉及一种基于组织性能智能预报模型的带钢工艺调控方法。
背景技术
近年来,随着钢铁生产技术的发展,对于带钢的组织及性能控制方法开始不断涌现。目前,大多数钢铁企业通过对钢材进行大量破坏性实验来检测成品的性能指标,其实验-验证规律-再实验的方式需要耗费大量的时间和经济成本。如何根据产品的性能要求制定出合理的工艺路线,即组织-性能关系模型的逆向优化成为了目前最为关心的问题。
目前,随着大数据时代的到来和计算机技术的快速发展,将机器学习与晶体塑性有限元模拟结合,可以实现在不同工艺条件下带钢微观组织和力学性能的精准预测,从而调节和优化热连轧生产工艺,对制定加工工艺和指导现场生产具有重要意义。
发明内容
本发明的目的是提供一种基于组织性能智能预报模型的带钢工艺调控方法,实现对带钢微观组织和力学性能的精准预测,进而指导热变形工艺制定及优化。
为实现上述目的,本发明提供了如下方案:一种基于组织性能智能预报模型的带钢工艺调控方法,包括:
基于机器学习和晶体塑性的框架,对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,获得实验数据与模拟数据;根据所述实验数据与模拟数据构建样本数据集;
基于所述样本数据集的样本数据进行GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系;
基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行计算,根据计算结果进行热变形工艺制定。
优选地,对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,获得实验数据与模拟数据,根据所述实验数据与模拟数据构建样本数据集的过程包括,
获取不同工艺条件下带钢试样的实验数据;其中,所述带钢试样的实验数据包括力学性能数据、微观组织数据;
优选地,力学性能数据包括真应力和真应变数据;微观组织数据包括表示晶体取向的欧拉角数据。
构建考虑微观组织的代表性体积单元模型,基于晶体塑性本构理论,模拟带钢在不同工艺条件下的力学响应和微观组织演变,获得模拟数据;
将所述实验数据与所述模拟数据进行对比,验证所述模拟数据的可靠性后,与所述实验数据组成样本数据集。
优选地,获取不同工艺条件下带钢试样的实验数据的过程包括,将带钢加工成标准试样,并在Gleeble热模拟试验机上做热成形实验,将压缩后的试样经切割、磨样,电解抛光后进行EBSD表征实验,基于实验结果采集所述力学性能数据和微观组织数据。
优选地,获得模拟数据的过程包括,根据带钢的EBSD源数据构建代表性体积单元模型,基于所述代表性体积单元模型对带钢的晶粒形貌和取向进行复现;基于晶体塑性本构理论,模拟带钢在预设条件下的力学响应和微观组织演变。
优选地,基于晶体塑性本构理论,模拟带钢在预设条件下的力学响应和微观组织演变的过程包括,
构建晶体模型,将晶体材料参数输入所述晶体模型,完成微观组织建模;
基于晶体塑性本构理论与有限元法,根据工况施加对应的边界条件,实现数值模拟过程。
优选地,基于所述样本数据集的样本数据进行GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系的过程包括,
对所述样本数据集的样本数据进行预处理及提取特征值,建立工艺参数与带钢力学性能和微观组织之间的映射关系模型,基于所述样本数据对所述映射关系模型进行训练、测试与评估,获得目标映射关系模型。
优选地,基于所述样本数据对所述映射关系模型进行训练、测试与评估,获得目标映射关系模型的过程包括,
将变形温度、应变速率、真应变和初始欧拉角数据输入GA-BP模型,输出真应力和变形后的欧拉角数据;
基于所述样本数据对所述映射关系模型进行训练,获得工艺参数与带钢力学性能和微观组织之间的映射关系,通过测试数据集对所述映射关系模型的性能通过均方根误差和均方相关系数进行评估,获得目标映射关系模型。
优选地,基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行计算,根据计算结果进行热变形工艺制定的过程包括,
基于目标映射关系模型对带钢热变形不同工艺条件下的力学性能与微观组织进行精准预测,获得预测结果;
基于所述预测结果反推出所需力学性能和微观组织的工艺参数,实现带钢热变形满足组织性能的精准工艺制定。
本发明公开了以下技术效果:
本发明提供的一种基于组织性能智能预报模型的带钢工艺调控方法,基于机器学习和晶体塑性的框架,首先对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,然后将模拟获得的数据与实验测得的数据组成样本数据集,最后将采集的数据用于GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系。利用所建立的框架对带钢不同工艺条件下的力学性能和微观组织进行准确计算,在此基础上进行热变形工艺制定。本发明能够准确、高效预测带钢的力学响应和微观组织演化,为热变形工艺参数的制定和优化设计提供参考,大大提高了生产效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图;
图2(a)和(b)为本发明实施例的晶体塑性有限元模拟与实验的对比图;
图3为本发明实施例的不同工艺条件下的预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于组织性能智能预报模型的带钢工艺调控方法,具体实现步骤如下:
步骤1:将带钢加工成标准试样,并在Gleeble热模拟试验机上做热成形实验,将压缩后的试样经切割、磨样,电解抛光后进行EBSD表征实验,最后采集上述实验所得力学性能和微观组织数据;
步骤2:根据带钢的EBSD源数据构建代表性体积单元(RVE)模型,该模型对其晶粒形貌和取向进行复现。基于晶体塑性本构理论,模拟带钢在温度为950℃,应变速率为0.01s-1条件下的力学响应和微观组织演变;
步骤2.1:运行Python语言脚本将晶体取向等材料参数赋予给基于Voronoi图建立的晶体模型,完成微观组织建模;
步骤2.2:将UMAT子程序定义的晶体塑性本构理论引入有限元法,并根据工况施加相应边界条件,从而实现数值模拟过程;
晶体塑性本构理论为:
(3)塑性流变采用幂率方程:
步骤3:通过将步骤2中得到的数据与步骤1的实验数据对比,验证其可靠性,然后将其与实验数据组成样本数据集;
步骤3.1:模拟结束后,利用Python脚本和Matlab对后处理数据进行提取及可视化;
步骤3.2:将模拟结果与步骤1的实验结果进行对比分析,如图2所示,验证将数值模拟结果作为部分样本数据集的可靠性。
步骤4:对步骤3数据集进行预处理及提取特征值,建立工艺参数与带钢力学性能和微观组织之间的映射关系模型,并通过对模型进行训练、测试与评估,得到最优的模型;
步骤4.1:以变形温度、应变速率、真应变和初始欧拉角数据作为GA-BP模型的输入,以真应力和变形后的欧拉角数据作为GA-BP模型的输出;
步骤4.2:采用训练数据集进行训练,最终完成工艺参数与带钢力学性能和微观组织之间的映射关系的建立,并采用测试数据集对模型的性能通过均方根误差(RMSE)和均方相关系数(R2)进行评估,得到最优预测模型;
均方根误差(RMSE)和均方相关系数(R2)公式如下:
步骤5:工艺制定,利用所建立的框架对带钢热变形不同工艺条件下的力学性能与微观组织进行精准预测,在此基础上反推出所需力学性能和微观组织的工艺参数,从而完成带钢热变形满足组织性能的精准工艺制定;
步骤5.1:利用建立的基于机器学习和晶体塑性的框架计算变形温度为1000、1050、1150、和1200℃,应变速率为0.01、0.1、1和10s-1的工艺条件下的微观组织和力学性能的预测值,结果如图3所示;
步骤5.2:将得到的预测值作为目标值,根据不同工艺条件对其微观组织和力学性能的影响进行分析,可以改进和制定生产工艺参数,如表1所示。
步骤6:基于步骤1至步骤5建立带钢组织性能在线预测控制系统。该系统包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有如上述的预测模型,通过所述预测模型预测带钢微观组织和力学性能;并且,该处理器可针对预测值来调整热连轧生产工艺参数。
本实施例基于机器学习和晶体塑性的框架,首先对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,然后将模拟获得的数据与实验测得的数据组成样本数据集,最后将采集的数据用于GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系。利用所建立的框架对带钢不同工艺条件下的力学性能和微观组织进行准确计算,在此基础上进行热变形工艺制定。本发明能够准确、高效预测带钢的力学响应和微观组织演化,为热变形工艺参数的制定和优化设计提供参考,大大提高了生产效率。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种基于组织性能智能预报模型的带钢工艺调控方法,其特征在于,包括:
基于机器学习和晶体塑性的框架,对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,获得实验数据与模拟数据;根据所述实验数据与模拟数据构建样本数据集;
基于所述样本数据集的样本数据进行GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系;
基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行计算,根据计算结果进行热变形工艺制定;
对带钢进行力学性能实验、微观组织表征以及基于率相关的晶体塑性有限元数值模拟,获得实验数据与模拟数据,根据所述实验数据与模拟数据构建样本数据集的过程包括,
获取不同工艺条件下带钢试样的实验数据;其中,所述带钢试样的实验数据包括力学性能数据、微观组织数据;
构建考虑微观组织的代表性体积单元模型,基于晶体塑性本构理论,模拟带钢在不同工艺条件下的力学响应和微观组织演变,获得模拟数据;
将所述实验数据与所述模拟数据进行对比,验证所述模拟数据的可靠性后,与所述实验数据组成样本数据集;
基于所述样本数据集的样本数据进行GA-BP模型训练,建立工艺参数与带钢力学性能和微观组织之间的映射关系的过程包括,
对所述样本数据集的样本数据进行预处理及提取特征值,建立工艺参数与带钢力学性能和微观组织之间的映射关系模型,基于所述样本数据对所述映射关系模型进行训练、测试与评估,获得目标映射关系模型;
基于所述样本数据对所述映射关系模型进行训练、测试与评估,获得目标映射关系模型的过程包括,
将变形温度、应变速率、真应变和初始欧拉角数据输入GA-BP模型,输出真应力和变形后的欧拉角数据;
基于所述样本数据对所述映射关系模型进行训练,获得工艺参数与带钢力学性能和微观组织之间的映射关系,通过测试数据集对所述映射关系模型的性能通过均方根误差和均方相关系数进行评估,获得目标映射关系模型。
2.根据权利要求1所述的基于组织性能智能预报模型的带钢工艺调控方法,其特征在于,
获取不同工艺条件下带钢试样的实验数据的过程包括,将带钢加工成标准试样,并在Gleeble热模拟试验机上做热成形实验,将压缩后的试样经切割、磨样,电解抛光后进行EBSD表征实验,基于实验结果采集所述力学性能数据和微观组织数据。
3.根据权利要求1所述的基于组织性能智能预报模型的带钢工艺调控方法,其特征在于,
获得模拟数据的过程包括,根据带钢的EBSD源数据构建代表性体积单元模型,基于所述代表性体积单元模型对带钢的晶粒形貌和取向进行复现;基于晶体塑性本构理论,模拟带钢在预设条件下的力学响应和微观组织演变。
4.根据权利要求3所述的基于组织性能智能预报模型的带钢工艺调控方法,其特征在于,基于晶体塑性本构理论,模拟带钢在预设条件下的力学响应和微观组织演变的过程包括,
构建晶体模型,将晶体材料参数输入所述晶体模型,完成微观组织建模;
基于晶体塑性本构理论与有限元法,根据工况施加对应的边界条件,实现数值模拟过程。
5.根据权利要求1所述的基于组织性能智能预报模型的带钢工艺调控方法,其特征在于,
基于机器学习和晶体塑性的框架对带钢不同工艺条件下的力学性能和微观组织进行计算,根据计算结果进行热变形工艺制定的过程包括,
基于目标映射关系模型对带钢热变形不同工艺条件下的力学性能与微观组织进行精准预测,获得预测结果;
基于所述预测结果反推出所需力学性能和微观组织的工艺参数,实现带钢热变形满足组织性能的精准工艺制定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958019.1A CN115034121B (zh) | 2022-08-11 | 2022-08-11 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958019.1A CN115034121B (zh) | 2022-08-11 | 2022-08-11 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034121A CN115034121A (zh) | 2022-09-09 |
CN115034121B true CN115034121B (zh) | 2022-10-25 |
Family
ID=83131100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958019.1A Active CN115034121B (zh) | 2022-08-11 | 2022-08-11 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034121B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115597970B (zh) * | 2022-11-17 | 2023-04-11 | 太原科技大学 | 一种含铜不锈钢薄板的应变分布测试方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006224177A (ja) * | 2005-02-21 | 2006-08-31 | Jfe Steel Kk | 金属帯の形状予測方法ならびに予測形状に基づく形状判定方法および形状矯正方法 |
CN102254057A (zh) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | 薄板轧制离线力学性能预报方法 |
JP2014176858A (ja) * | 2013-03-13 | 2014-09-25 | Nisshin Steel Co Ltd | 冷間圧延における形状制御方法、及び形状制御方法 |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
CN105257425A (zh) * | 2014-06-11 | 2016-01-20 | 凯文·李·弗里斯特 | 具有集成能源供给、存储设备和混合控制系统的五重效果发电多循环混合可再生能源系统 |
CN107520257A (zh) * | 2016-06-22 | 2017-12-29 | 上海宝钢工业技术服务有限公司 | 带钢机械性能在线检测系统 |
CN108710729A (zh) * | 2018-04-28 | 2018-10-26 | 武汉理工大学 | 一种基于组织与性能控制的铝合金热成形工艺制定方法 |
CN111889524A (zh) * | 2020-07-31 | 2020-11-06 | 中冶赛迪重庆信息技术有限公司 | 一种基于机器学习方法的冷轧轧制力预测方法及系统 |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
CN113221954A (zh) * | 2021-04-15 | 2021-08-06 | 长春工业大学 | 一种基于改进的蝙蝠算法的bp分类算法 |
CN113392594A (zh) * | 2021-08-13 | 2021-09-14 | 北京科技大学 | 一种基于abc极限学习机的力学性能区间预测方法及装置 |
CN113420385A (zh) * | 2021-05-25 | 2021-09-21 | 武汉工程大学 | 一种基于机器学习的钢材微观组织力学性能预测方法 |
CN114091352A (zh) * | 2021-12-01 | 2022-02-25 | 东北大学 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102151695B (zh) * | 2011-01-18 | 2013-05-01 | 东北大学 | 一种冷轧无取向高硅钢薄带的制造方法 |
CN102923789A (zh) * | 2012-07-16 | 2013-02-13 | 北京科技大学 | 一种冷轧铁泥制备云母氧化铁的方法 |
CN103614618A (zh) * | 2013-12-06 | 2014-03-05 | 东北大学 | 一种双辊薄带连铸制备高效电机用无取向电工钢的方法 |
-
2022
- 2022-08-11 CN CN202210958019.1A patent/CN115034121B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006224177A (ja) * | 2005-02-21 | 2006-08-31 | Jfe Steel Kk | 金属帯の形状予測方法ならびに予測形状に基づく形状判定方法および形状矯正方法 |
CN102254057A (zh) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | 薄板轧制离线力学性能预报方法 |
JP2014176858A (ja) * | 2013-03-13 | 2014-09-25 | Nisshin Steel Co Ltd | 冷間圧延における形状制御方法、及び形状制御方法 |
CN105257425A (zh) * | 2014-06-11 | 2016-01-20 | 凯文·李·弗里斯特 | 具有集成能源供给、存储设备和混合控制系统的五重效果发电多循环混合可再生能源系统 |
CN104785535A (zh) * | 2015-01-30 | 2015-07-22 | 北京科技大学 | 一种基于模糊算法的冷轧平坦度质量判定方法 |
CN107520257A (zh) * | 2016-06-22 | 2017-12-29 | 上海宝钢工业技术服务有限公司 | 带钢机械性能在线检测系统 |
CN108710729A (zh) * | 2018-04-28 | 2018-10-26 | 武汉理工大学 | 一种基于组织与性能控制的铝合金热成形工艺制定方法 |
CN111889524A (zh) * | 2020-07-31 | 2020-11-06 | 中冶赛迪重庆信息技术有限公司 | 一种基于机器学习方法的冷轧轧制力预测方法及系统 |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
CN113221954A (zh) * | 2021-04-15 | 2021-08-06 | 长春工业大学 | 一种基于改进的蝙蝠算法的bp分类算法 |
CN113420385A (zh) * | 2021-05-25 | 2021-09-21 | 武汉工程大学 | 一种基于机器学习的钢材微观组织力学性能预测方法 |
CN113392594A (zh) * | 2021-08-13 | 2021-09-14 | 北京科技大学 | 一种基于abc极限学习机的力学性能区间预测方法及装置 |
CN114091352A (zh) * | 2021-12-01 | 2022-02-25 | 东北大学 | 基于Elman神经网络的热连轧出口板凸度动态预测方法 |
Non-Patent Citations (3)
Title |
---|
基于KPLS与SVM的热连轧板凸度预测;姬亚锋 等;《中国冶金》;20210131;第31卷(第1期);20-24 * |
数据驱动的热轧带钢边部线状缺陷智能预报模型;王东城 等;《钢铁》;20201130;第55卷(第11期);82-90 * |
金属增材制造中的关键力学问题与前沿计算技术主题序;廉艳平 等;《力学学报》;20211231;第53卷(第12期);3179-3180 * |
Also Published As
Publication number | Publication date |
---|---|
CN115034121A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brünig et al. | Simulation of damage evolution in ductile metals undergoing dynamic loading conditions | |
Li et al. | Deep learning regression-based stratified probabilistic combined cycle fatigue damage evaluation for turbine bladed disks | |
CN104750932B (zh) | 一种混合不确定性下基于代理模型的结构可靠性分析方法 | |
Li et al. | Multivariate ensembles-based hierarchical linkage strategy for system reliability evaluation of aeroengine cooling blades | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN105426595A (zh) | 一种铝合金热弹塑性变形模拟用本构模型的建立方法 | |
CN107729621B (zh) | 一种静力学模型的验证工具 | |
CN115034121B (zh) | 一种基于组织性能智能预报模型的带钢工艺调控方法 | |
CN106597574A (zh) | 一种基于时变云模型的天气温度预测方法及装置 | |
CN104809273A (zh) | 一种描述蠕变变形的方法 | |
CN102069095A (zh) | 一种基于统计学习的精轧终轧温度预测和控制方法 | |
CN106897505B (zh) | 一种考虑时-空相关性的结构监测数据异常识别方法 | |
US10670515B2 (en) | Detecting edge cracks | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN113722860B (zh) | 基于降阶模型的瞬态热力状态在线评估方法、设备及介质 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN104571086B (zh) | 基于传递函数的温度控制器仿真测试方法 | |
CN111563297A (zh) | 一种基于bp网络的超声速飞行器热环境计算方法 | |
Li et al. | Identification of material parameters from punch stretch test | |
Song et al. | Long-term deformation safety evaluation method of concrete dams based on the time-varying stability of concrete material | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN112131762B (zh) | 模拟马氏体相变的网格自适应有限元方法 | |
Chen et al. | Hybrid identification method of material parameters based on genetic algorithm and improved homotopy algorithm | |
CN115345387B (zh) | 一种风场风速预测方法、装置及存储介质 | |
Oya et al. | A novel multiscale computational methodology for numerical material testing based on finite element polycrystal model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |