热镀锌钢卷力学性能GBDT预报模型

针对热镀锌钢卷力学性能预报建模条件属性选取难、预报精度不足的问题,研究热镀锌钢卷力学性能梯度提升树(gradient boosting decision tree,GBDT)预报模型.利用互信息差算法综合评估工艺参数、化学成分和钢卷尺寸参数等条件属性的相对重要性以及属性之间的冗余性,进行模型条件属性筛选;采用同分布原理进行样本划分,结合网格搜索法和交叉验证法优化模型参数,建立力学性能GBDT预报模型;并将GBDT模型预报结果与随机森林(random forest,RF)、AdaBoost算法和BP神经网络的预报结果进行比较.结果表明:GBDT模型优于其他模型,90%的数据样本预测的绝对误差小于14.24 MPa,94.6%的数据样本相对误差在6%范围内,具有更高的预测精度.

基于梯度提升决策树的特征筛选与钢卷力学性能预测

基于冶金机理选取热镀锌钢卷基本建模特征,采用梯度提升决策树算法对其他化学元素特征进行筛选,结合网格搜索与交叉验证方法对模型参数进行优化,并利用模型分析不同特征对钢卷屈服强度的影响。结果表明:热镀锌钢卷力学性能预测建模的基本特征包括工艺参数特征、规格特征以及基本化学元素特征,对钢卷屈服强度影响较大的其他化学元素特征为氮、铝含量;模型参数优化后,在测试集上测得屈服强度的均方根误差为10.671 MPa,平均绝对误差为8.244 MPa,平均绝对百分误差为2.641%,模型预测精度比模型参数优化前的明显提高;当碳、硅、锰含量变化或热轧入轧温度变化时,钢卷屈服强度的变化幅度较大。