CN117494531B - 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 - Google Patents
一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 Download PDFInfo
- Publication number
- CN117494531B CN117494531B CN202311847617.2A CN202311847617A CN117494531B CN 117494531 B CN117494531 B CN 117494531B CN 202311847617 A CN202311847617 A CN 202311847617A CN 117494531 B CN117494531 B CN 117494531B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- model
- billet
- xgboost
- 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
- 238000005261 decarburization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 229910000954 Medium-carbon steel Inorganic materials 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000009792 diffusion process Methods 0.000 claims abstract description 35
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 23
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 229910000975 Carbon steel Inorganic materials 0.000 claims abstract description 7
- 239000010962 carbon steel Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 64
- 239000010959 steel Substances 0.000 claims description 64
- 238000010438 heat treatment Methods 0.000 claims description 63
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 229910001566 austenite Inorganic materials 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 17
- 238000005096 rolling process Methods 0.000 description 17
- 238000002791 soaking Methods 0.000 description 12
- 239000010410 layer Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000003245 coal Substances 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000149 penetrating effect Effects 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 229910000677 High-carbon steel Inorganic materials 0.000 description 1
- 206010040844 Skin exfoliation Diseases 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- -1 blank specification Substances 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000007704 transition Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,包含以下步骤:采集炉温均匀性试验数据;利用Abaqus有限元软件建立钢坯温度场模型;采集中碳钢生产过程数据、生产计划数据和脱碳质量数据;数据进行预处理;修改钢坯温度场模型中相应的初始条件,算出钢坯表面的碳扩散量;将数据集划分训练集与测试集;将训练集数据在python环境下运用XGBoost构建模型;使用建好的XGBoost模型对测试集进行验证。整个过程简单,根据有限元模型对数据集进行预处理,再运用XGBoost算法搭建模型,能够很好的保证计算模型的精确性。
Description
技术领域
本发明涉及冶金技术领域,具体涉及一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法。
背景技术
中碳钢是指碳含量为0.25%~0.60%的钢材,其热加工及切削性能良好,便于锻造及车削加工各种复杂的机械零件。中碳钢的强度、硬度比低碳钢高,同时塑性和韧性低于低碳钢并高于高碳钢,极为适用于对强度、韧性均有特别要求的机械零件,如:空气压缩机、泵的活塞,蒸汽透平机的叶轮,重型机械的轴、蜗杆、齿轮等等,以及表面耐磨的零件,如:曲轴、机床主轴、滚筒、钳工工具等。
脱碳是指在加热时,钢内层碳原子因温度升高,脱离了原来的位置,发生跃迁,扩散到钢表层,并与炉内中的氧气、氢气、二氧化碳等发生反应,进而失去了全部或者部分碳,最终造成钢材表面的碳含量比内部少的现象。由于脱碳,钢材的表面强度下降,在应力作用下,脱碳层与基体组织之间容易形成裂纹源,从而使钢材断裂破坏,大大缩减钢材使用寿命。另外,钢材热处理淬火时,表面脱碳层与基体组织因淬火时膨胀系数不同而产生应力,致使钢材表面的脱碳层与未脱碳层之间产生微裂纹。
钢结构机械零件制造过程分为高炉冶炼、LF精炼、连铸、钢坯加热、轧制、热锻、热处理、机加工等工序。其中钢坯加热工序加热时间长,温度高,是导致脱碳的最主要因素。目前为了减少脱碳层对后续加工和使用过程的影响,主要通过两种方法减少脱碳层,一是坯料涂防脱碳涂层或者对轧制后的钢材采用扒皮处理去除脱碳层,这提高了生产成本和延长了交货周期;二是通过调整炉内温度、气氛和时间等控制脱碳深度,因此,有必要需要一种直观的脱碳分析预测方法,能对中碳碳素钢脱碳进行智能分析和预测,从而为生产操作提供预警和指导,进而提高钢材表面质量和生产制造过程稳定性。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法。
为达到上述目的,本发明采用的技术方案是:一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,包含以下步骤:
S1:采集炉温均匀性试验数据,分别在钢坯的外表面、钢坯横截面中心处及1/2R半径的位置处布置热电偶,热电偶随温度跟踪测试仪一起进入加热炉内进行加热,加热时间控制在120-240min,所述试验在正常生产条件下进行;
S2:利用Abaqus有限元软件建立钢坯温度场模型,具体为:根据步骤S1的试验工况施加边界条件,并经行温度场模拟,将步骤S1中热电偶测试的结果与模拟的温度场结果进行反复校核,直至所施加的边界条件使得模拟结果与实际热电偶的测试结果一致为止;
S3:采集中碳钢生产过程数据、生产计划数据和脱碳质量数据;
S4:对步骤S3得到的数据进行预处理,剔除数据中的重复项和空值;利用z-score方法将数据进行标准化,消除量纲和变量自身变异大小以及数值大小的影响,利用箱线图检测法,删除异常点;
S5:将经步骤S4得到的包含炉气温度和各段加热时间在内的数据代入步骤S2中的钢坯温度场模型中,修改钢坯温度场模型中相应的初始条件,算出钢坯表面的碳扩散量,将碳扩散量作为新增参数列入到步骤S4所得到的数据集中;
S6:将步骤S5得到数据集划分训练集与测试集;
S7:将训练集数据在python环境下运用XGBoost构建模型,建立输入特征与输出特征之间的关系,并根据输入特征对输出特征的贡献度进行排序,最后将对目标指数贡献度分数小于35的特征剔除;
S8:使用建好的XGBoost模型对测试集进行验证,用均方误差MSE和决定系数R2作为评价标准,若MSE值和R2值均在预设范围内,判定XGBoost模型评价合格,采用合格的XGBoost模型进行脱碳深度预测,反之不合格,重新进行步骤S4至步骤S8的操作。
作为一种具体的实施方式,步骤S2中的钢坯温度场模型为:
,
其中:T为温度,为时间,λ为导热系数,ρ为密度,c为比热。
作为一种具体的实施方式,步骤S2中Abaqus有限元建立钢坯温度场模型中初始边界条件设定如下:
在Property模块设置材料物理属性参数,其中,钢坯比热容、钢坯内部传热系数与温度相关;
在Interaction模块amplitude中根据S1所测得的时间-温度数据曲线,设置幅值参数;
在Interaction模块Property中设置炉气与钢坯表面换热系数,炉气与钢坯表面不仅进行对流换热,而且还会进行辐射换热,把钢坯与炉气热对流和热辐射系数用总的换热系数表示,且换热系数是与温度相关的参数。
作为一种具体的实施方式,步骤S5中,加热过程中钢坯表面温度与时间的函数为:
,
式中:T为温度,℃;t为时间,s;
因加热炉中钢坯表面温度随时间变化而变化,而碳扩散系数表示的是某一温度下不同持续时间所对应的脱碳深度,由此,建立扩散系数公式,公式为:
,
其中,D为扩散系数;D0为扩散常数,2.0*105m2/s;R为气体常数,8.314J/(mol·K);Q取C在奥氏体中的扩散激活能1.34*105J/mol;
为模拟计算加热过程中钢坯表面脱碳,根据叠加原理进行分段叠加计算,将总加热时间分成n段,可表示为:
,
式中:Ti为温度;ti为时间;
脱碳模型表示为:
,
,
式中:K为总的碳扩散量;ΔK为不同温度段的扩散量;Ti为温度;ti为时间。
作为一种具体的实施方式,步骤S8中,均方误差MSE和决定系数R2的具体公式如下:
,
,
式中:n为样本预测个数;为模型预测值;/>为实际值;/>为平均值;R2为决定系数;MSE为均方误差。
作为一种具体的实施方式,步骤S8中,XGBoost模型设置为树模型gbtree,其中:
树的最大深度max-depth设置为7;
学习率cta在模型中设置为0.113;
gbtree分类器数目设置为700。
作为一种具体的实施方式,步骤S8中,MSE值的设定范围为小于0.005,R2值的设定范围为大于0.90,预测值与实际值相差±0.03内的比率大于90%。
由于上述技术方案的运用,本发明与现有技术相比具有下列优点:
1)本发明充分利用加热炉炉温均匀性试验数据,能够结合加热炉设备状态和坯料规格搭建钢坯温度场模型,与钢材生产过程中的数据相结合,提高脱碳预测精度;
2)通过机器学习算法搭建脱碳预测模型,及时提供中碳钢生产过程中的脱碳分析和预测,有助于提高产品制造过程中的质量稳定性。
附图说明
图1为本发明所述的基于有限元和XGBoost算法的中碳钢脱碳深度预测方法流程图;
图2为热电偶安装示意图;
图3为炉温均匀性试验时间-温度曲线图;
图4为钢坯温度场横截面图;
图5为钢坯温度场表面与炉温均匀性试验时间-温度曲线图;
图6为特征重要性参数排序示意图;
图7为实测值与预测值的对比图。
具体实施方式
下面结合附图及具体实施例来对本发明的技术方案作进一步的阐述。
本发明提供一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,所述中碳钢采用棒材生产工艺,所述棒材生产工艺包括上料区、加热区、轧制区和水冷区等多个工艺区间,用于棒材生产工艺的设备包括加热炉、除鳞机、轧机组、穿水箱等,用于棒材生产工艺的系统包括过程控制系统和生产管理系统。
参见图1,所述预测方法包括如下步骤:
S1,采集炉温均匀性试验数据,分别在钢坯径向方向上的四个外侧面的表面深5mm、1/2R半径和中心处的布置12个热电偶,热电偶布置见图2所示,1-12表示热电偶的安装位置,热电偶随温度跟踪测试仪一起进入加热炉内进行加热,加热时间控制在120-240min;钢坯步进节奏前后一致,确保预热段、加热段和均热段钢坯加热时间相同,且该试验是在正常生产条件下进行的,试验钢坯与正常生产的钢坯规格一致,炉温均匀性试验得到的表面、1/2R半径和中心处温度取平均值,试验时间-温度曲线见图3;
因传热过程中,热量从炉气到钢坯表面、钢坯表面到钢坯内部,存在两个不同的传热系数,后一个传热系数会影响前一个的传热效率,为此,在1/2R半径处设置了一个热电偶。
S2,利用Abaqus有限元软件建立钢坯温度场模型,钢坯规格与炉温均匀性试验钢坯规格一致,钢坯温度场模型为:
,
式中:T为温度,℃;为时间,s;λ为导热系数,W/m·K;ρ为密度,kg/m³;c为比热,J/Kg•K。
钢坯温度场模型中初始边界条件设定如下:
钢坯温度设置为25℃,在预热段、加热段、均热段的加热时间均为3000s,在Interaction模块amplitude中根据S1所测试的时间-温度数据曲线,设置幅值参数。在Property设置材料物理属性参数,钢坯比热容,钢坯内部传热系数与温度相关,如表1所示。
表1 钢坯的物理属性
在Interaction模块Property中设置炉气与钢坯表面换热参数,炉气与钢坯表面不仅进行对流换热,而且还会进行辐射换热,把钢坯与空气热对流和热辐射系数用总的换热系数表示,且换热系数与温度相关,如表2所示。
表2 炉气与钢坯的总换热系数
根据上述条件模拟温度曲线,再调整换热系数等边界条件,拟合S1所测得的温度数据(图3)曲线,直至所施加的边界条件使得模拟结果与实际热电偶的测试结果一致为止,钢坯横截面温度场见图4,曲线拟合结果见图5;
S3,采集中碳钢生产过程数据、生产计划数据和脱碳质量数据;
其中,生产过程数据是指整个棒材生产工艺上和各个工艺区间相关的数据,生产过程数据由过程控制系统采集得到,生产过程数据包括但不限于加热区数据、轧制区数据和控冷区数据。加热区数据、轧制区数据和控冷区数据均包括多个特征,具体地,加热区数据包括炉号、轧批号、钢坯位置、入炉方式、预热段温度、加热段温度、均热段温度、预热段时间、加热段时间、均热段时间、预热段风煤比、加热段风煤比、均热段风煤比、预热段残氧、加热段残氧、均热段残氧、煤气流量、空气流量、煤气热值、煤气成分、加热总时间、步进节奏等;轧制区数据包括除鳞压力、开轧温度、轧制道次、轧制速度、轧机功率等;控冷区数据包括穿水箱流量、穿水箱压力、穿水管规格、穿水速度、终轧温度、上冷床温度、剪锯切温度、下线温度等。
生产计划数据包括钢种成分、坯料规格、产品规格、生产工艺等。
脱碳质量数据包括合同号、检测协议标准、取样位置、脱碳深度等。
本实施例中,数据采集是以轧批号为过程实绩统计信息,即每个轧批号的数据采集实绩统计汇总为一条记录。
S4,对步骤S3得到的数据进行预处理,剔除数据中的重复项和空值;利用z-score方法将数据进行标准化,消除量纲和变量自身变异大小以及数值大小的影响;利用箱线图检测法,删除异常点;
S5,对步骤S4得到的炉气温度和各段加热时间等数据代入步骤S2中Abaqus的钢坯温度场模型,修改相应初始条件,算出钢坯表面的碳扩散量,将碳扩散量作为新增参数列入步骤四得到的数据集;
由图5可知,加热过程中钢坯表面温度呈二次曲线规律变化,即钢坯表面温度T为时间t的函数:
式中:T为温度,℃;t为时间,s;
不同温度下钢坯中碳的扩散系数存在区别,而生产数据采集到的只有预热段、加热段和均热段的炉气温度和时间,受生产节奏影响,钢坯并不是匀速步进的,通过炉气温度和时间难以表示钢坯实际碳扩散情况,这里设置碳扩散系数公式:
D为扩散系数,m2/s;D0为扩散常数,2.0*105m2/s;R为气体常数,8.314J/(mol·K)。Q取C在奥氏体中的扩散激活能1.34*105J/mol;
由于加热炉中钢坯表面温度随时间变化而变化,而碳扩散系数表示的是某一温度下不同持续时间所对应的脱碳深度,为模拟计算加热过程中钢坯表面脱碳,根据叠加原理进行分段叠加计算。
将总加热时间分成n段,可表示为:
式中:Ti为温度,℃;ti为时间,s;
脱碳模型表示为:
,
,
式中:K为总的碳扩散量;ΔK为不同温度段的碳扩散量;Ti为温度,℃;ti为时间,s;
S6,将步骤S5得到数据集划分训练集与测试集;
S7,将训练集数据在python环境下运用XGBoost构建模型,建立输入特征与输出特征之间的关系,并根据输入特征对输出特征的贡献度进行排序,最后将对目标指数贡献度分数小于35的特征剔除,见图6;
XGBoost模型设置如下:
booster设为树模型gbtree;
树的最大深度max-depth设置为7;
学习率cta在模型中设置为0.113;
gbtree分类器数目设置为700。
S8,使用建好的XGBoost模型对测试集进行验证,用均方误差MSE和决定系数R2作为评价标准,若MSE值和决定系数R2值均在预设范围内时,判定XGBoost模型评价合格,采用合格的模型脱碳深度进行预测,反之不合格,重新进行步骤S4至步骤S8的操作,具体公式如下:
,
,
式中:n为样本预测个数;为模型预测值;/>为实际值;/>为平均值;R2为决定系数;MSE为均方误差。
脱碳模型中的MSE值设定范围为小于0.005,模型的R2值设定范围大于0.90,预测值与实际值相差±0.03之内的比率大于90%,见图7,模型评价合格后对脱碳深度进行预测。
实施例1
本例对Y钢厂2022年的生产数据为例,进行碳钢脱碳深度预测,具体步骤如下:
S1,利用Y钢厂2022年炉温均匀性试验时,分别在钢坯上下左右的表面深5mm、1/2R半径和中心处的布置12个热电偶,热电偶随温度跟踪测试仪一起进入加热炉内加热,加热时间控制在150min。钢坯步进节奏前后一致,确保预热段、加热段和均热段钢坯加热时间相同,且该试验是在正常生产条件下进行的,试验钢坯与正常生产的钢坯规格一致,炉温均匀性试验得到的表面、1/2R半径和中心处温度取平均值;
S2,利用Abaqus有限元软件建立钢坯温度场模型,钢坯规格与炉温均匀性试验钢坯规格一致,根据钢坯的物理属性参数、试验工况、换热系数等参数建模,并经行温度场模拟。
将上述炉温均匀性试验的结果和钢坯温度场模拟结果对比,对上述参数进行调整,直至所施加的边界条件使得模拟结果与炉温均匀性试验的结果一致为止;
S3,采集Y钢厂2022年1月-6月中碳钢生产过程数据、生产计划数据和脱碳质量数据共1200组数据;
S4,对步骤S3得到的数据进行预处理,剔除数据中的重复项和空值;利用z-score方法将数据进行标准化,消除量纲和变量自身变异大小以及数值大小的影响;利用箱线图检测法,删除异常点,剩余1000组数据;
S5,对步骤S4得到的炉气温度和各段加热时间等数据代入步骤S2中Abaqus中的钢坯温度场模型,修改相应初始条件,算出钢坯表面的碳扩散量,将碳扩散量作为新增参数列入步骤S4得到的数据集;
加热过程中钢坯表面温度呈二次曲线规律变化,即钢坯表面温度T为时间t的函数:
式中:T为温度,℃;t为时间,s;
由于加热炉中钢坯表面温度随时间变化而变化,而碳扩散系数表示的是某一温度下不同持续时间所对应的脱碳深度。
为模拟计算加热过程中钢坯表面脱碳,根据叠加原理进行分段叠加计算。
将总加热时间分成n段,时间步长为300s,可表示为:
,/>
式中:Ti为温度,℃;ti为时间,s;
脱碳模型表示为:
,
式中:K为总的扩散量;ΔK为不同温度段的扩散量;Ti为温度,℃;ti为时间,s;
S6,将步骤S5得到数据集划分训练集与测试集,将经预处理后的数据随机分为训练数据800组,测试数据200组;
S7,将训练集数据在python环境下运用XGBoost构建模型,建立输入特征与输出特征之间的关系,并根据输入特征对输出特征的贡献度进行排序,最后将对目标指数贡献度分数小于35的特征剔除,最终选取特征参数,包括:K值、首支加热总时间、末支加热总时间、均热段温度最大值、产品规格、均热段残氧、加热段残氧、加热段温度最小值、均热段温度最小值、预热段温度最大值、加热段风煤比、均热段风煤比、Mo含量、Cr含量、Mn含量、入炉支数、控轧控冷方式、预热段残氧、Si含量、预热段风煤比、预热段温度最小值、开轧温度最大值、入炉重量、C含量、开轧温度最小值,
XGBoost模型设置如下:
booster设为树模型gbtree;
树的最大深度max-depth设置为7;
学习率cta在模型中设置为0.113;
gbtree分类器数目设置为700;
S8,使用建好的XGBoost模型对测试集验证,用均方误差MSE和决定系数R2作为评价标准,通过计算,当XGBoost模型的分类器数目设置为700时,MSE为0.0005,R2达到了0.9036,预测值与实际值相差±0.03之内的比率为91.28%;MSE值小于设定值0 .005,同时R2大于设定值0 .9,预测值与实际值相差±0.03之内的比率大于90%,判定模型评价合格,模型评价合格后对脱碳深度进行预测。
本发明的基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,基于有限元、大数据和机器学习技术,通过收集加热炉炉温均匀性试验数据、棒材生产工艺全流程的生产过程数据和脱碳质量数据,采用定性和定量相结合的方法对处于不同加热炉的中碳钢产品进行脱碳分析和预测,适用于棒材生产工艺过程中大量非线性关系数据分析,通过智能的脱碳预测模型能够为中碳钢生产工艺提供实时的预警指示和操作指导。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,包含以下步骤:
S1:采集炉温均匀性试验数据,分别在钢坯的外表面、钢坯横截面中心处及1/2R半径的位置处布置热电偶,热电偶随温度跟踪测试仪一起进入加热炉内进行加热,加热时间控制在120-240min,所述试验在正常生产条件下进行;
S2:利用Abaqus有限元软件建立钢坯温度场模型,具体为:根据步骤S1的试验工况施加边界条件,并经行温度场模拟,将步骤S1中热电偶测试的结果与模拟的温度场结果进行反复校核,直至所施加的边界条件使得模拟结果与实际热电偶的测试结果一致为止;
S3:采集中碳钢生产过程数据、生产计划数据和脱碳质量数据;
S4:对步骤S3得到的数据进行预处理,剔除数据中的重复项和空值;利用z-score方法将数据进行标准化,消除量纲和变量自身变异大小以及数值大小的影响,利用箱线图检测法,删除异常点;
S5:将经步骤S4得到的包含炉气温度和各段加热时间在内的数据代入步骤S2中的钢坯温度场模型中,修改钢坯温度场模型中相应的初始条件,算出钢坯表面的碳扩散量,将碳扩散量作为新增参数列入到步骤S4所得到的数据集中;
S6:将步骤S5得到数据集划分训练集与测试集;
S7:将训练集数据在python环境下运用XGBoost构建模型,建立输入特征与输出特征之间的关系,并根据输入特征对输出特征的贡献度进行排序,最后将对目标指数贡献度分数小于35的特征剔除;
S8:使用建好的XGBoost模型对测试集进行验证,用均方误差MSE和决定系数R2作为评价标准,若MSE值和R2值均在预设范围内,判定XGBoost模型评价合格,采用合格的XGBoost模型进行脱碳深度预测,反之不合格,重新进行步骤S4至步骤S8的操作。
2.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S2中的钢坯温度场模型为:,
其中:T为温度,为时间,λ为导热系数,ρ为密度,c为比热。
3.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S2中Abaqus有限元建立钢坯温度场模型中初始边界条件设定如下:
在Property模块设置材料物理属性参数,其中,钢坯比热容、钢坯内部传热系数与温度相关;
在Interaction模块amplitude中根据S1所测得的时间-温度数据曲线,设置幅值参数;
在Interaction模块Property中设置炉气与钢坯表面换热系数,炉气与钢坯表面不仅进行对流换热,而且还会进行辐射换热,把钢坯与炉气热对流和热辐射系数用总的换热系数表示,且换热系数是与温度相关的参数。
4.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S5中,加热过程中钢坯表面温度与时间的函数为:,
式中:T为温度,℃;t为时间,s;
因加热炉中钢坯表面温度随时间变化而变化,而碳扩散系数表示的是某一温度下不同持续时间所对应的脱碳深度,由此,建立扩散系数公式,公式为:
,
其中,D为扩散系数;D0为扩散常数,2.0*105m2/s;R为气体常数,8.314J/(mol·K);Q取C在奥氏体中的扩散激活能1.34*105J/mol;
为模拟计算加热过程中钢坯表面脱碳,根据叠加原理进行分段叠加计算,将总加热时间分成n段,可表示为:
,
式中:Ti为温度;ti为时间;
脱碳模型表示为:
,
,
式中:K为总的碳扩散量;ΔK为不同温度段的扩散量;Ti为温度;ti为时间。
5.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S8中,均方误差MSE和决定系数R2的具体公式如下:
,
,
式中:n为样本预测个数;为模型预测值;/>为实际值;/>为平均值;R2为决定系数;MSE为均方误差。
6.根据权利要求1所述的种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S8中,XGBoost模型设置为树模型gbtree,其中:
树的最大深度max-depth设置为7;
学习率cta在模型中设置为0.113;
gbtree分类器数目设置为700。
7.根据权利要求1所述的种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法,其特征在于,步骤S8中,MSE值的设定范围为小于0.005,R2值的设定范围为大于0.90,预测值与实际值相差±0.03内的比率大于90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847617.2A CN117494531B (zh) | 2023-12-29 | 2023-12-29 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847617.2A CN117494531B (zh) | 2023-12-29 | 2023-12-29 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117494531A CN117494531A (zh) | 2024-02-02 |
CN117494531B true CN117494531B (zh) | 2024-03-01 |
Family
ID=89667600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311847617.2A Active CN117494531B (zh) | 2023-12-29 | 2023-12-29 | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494531B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111668926A (zh) * | 2019-03-06 | 2020-09-15 | 中国电器科学研究院股份有限公司 | 一种配网设备环网单元湿热气候服役微环境监测方法 |
CN115132298A (zh) * | 2021-03-29 | 2022-09-30 | 宝山钢铁股份有限公司 | 弹簧钢脱碳分析预测方法 |
-
2023
- 2023-12-29 CN CN202311847617.2A patent/CN117494531B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111668926A (zh) * | 2019-03-06 | 2020-09-15 | 中国电器科学研究院股份有限公司 | 一种配网设备环网单元湿热气候服役微环境监测方法 |
CN115132298A (zh) * | 2021-03-29 | 2022-09-30 | 宝山钢铁股份有限公司 | 弹簧钢脱碳分析预测方法 |
Non-Patent Citations (2)
Title |
---|
刘天源 ; 郑召利 ; 谢永慧 ; 张荻 ; .基于深度卷积网络的裂纹转子耦合故障检测方法.汽轮机技术.2020,(03),全文. * |
束学渊 ; 汪立新 ; .联合循环平稳特征PCA与XGBoost的频谱感知.计算机应用与软件.2020,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117494531A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116501003B (zh) | 一种用于特种钢材冶炼的加工管控方法及系统 | |
CN109280726B (zh) | 一种基于多元线性回归算法预测炼铁高炉炉芯死料柱温度的方法 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN112651562B (zh) | 基于信噪比和改进灰色关联度激光熔覆工艺优化方法 | |
CN114861509B (zh) | 一种特钢热处理工艺数据处理方法及系统 | |
CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
Emamverdian et al. | Deformation and wear in a H21 (3Cr2W8V) steel die during hot forging: Simulation, mechanical properties, and microstructural evolution | |
CN111933221B (zh) | 一种预测Nb微合金钢动态再结晶分数的方法 | |
CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
CN106248715A (zh) | 热模拟试验确定淬火冷却速度的试验方法 | |
CN112464572B (zh) | 一种传动轴加工性能评价及基于关键工艺的控制方法 | |
CN1641356B (zh) | 硬线产品显微组织与力学性能预报系统 | |
CN111861041B (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
CN108396125B (zh) | 一种渗碳钢制铁路轴承锻件晶粒细化的加工工艺 | |
JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
CN115392007A (zh) | 轧辊差温热处理性能预测方法 | |
Di Schino | Open die forging process simulation: a simplified industrial approach based on artificial neural network. | |
CN117291477B (zh) | 一种金属热加工质量控制方法及系统 | |
CN116933594B (zh) | 一种GH4169Plus合金盘类锻件晶粒度预测方法 | |
Wołowiec et al. | Simulation and control of tool steel quenching process | |
CN116913440B (zh) | 建立变形参数动态变化下多道次热变形本构模型的方法 | |
CN113999959B (zh) | 一种用于小试件的真空气淬实验方法 | |
CN117265214B (zh) | 一种特种钢生产的优化控制方法及系统 | |
US20060266125A1 (en) | Method of predicting damage of dies | |
CN112560303B (zh) | 一种验证低温压力容器钢淬火制度的方法 |
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 |