石墨烯-碳纳米管/WC陶瓷刀具材料的裂纹扩展与力学性能预报模拟

计算机模拟技术的迅猛发展,为陶瓷刀具材料的性能预报和高通量制备提供了理论和技术支持。本文基于Python软件构建含有石墨烯(graphene,缩写为G)和碳纳米管(carbon nanotube,CNT)的WC陶瓷刀具材料微观结构的参数化模型与力学性能预报模型,研究G-CNT对WC刀具材料微观组织与裂纹扩展行为的影响规律。结果表明:与单一G相比,三维G-CNT空间结构可进一步提升WC陶瓷刀具材料的性能,G-CNT的质量分数为0.4%时,刀具材料的综合力学性能最优。强韧化机理主要包括G-CNT强弱界面超混杂分布、材料断裂模式转变和裂纹偏转等。

全局通用型热轧带钢力学性能预报模型技术

经过了几十年的发展,热轧带钢力学性能预报技术仍然存在不少问题。本文对问题的本质进行了深入分析,并结合宝钢的实际条件给出了解决思路,建立了全局通用型热轧带钢力学性能预报模型(Glosp)。全局通用型模型覆盖了80%以上的钢种,完全具备了大规模推广应用的条件。

基于卷积神经网络的热轧带钢力学性能预报

为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于LeNet-5和GoogLeNet卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试。结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15 MPa,预测精度高于BP神经网络和单独的LeNet-5和GoogleNet卷积神经网络模型,所建模型的有效性和准确性均得到了验证。

基于人工神经网络的PC钢棒力学性能预报模型

提出一种PC钢棒抗拉强度的人工神经网络模型方法,采用4×9×1的三层前向BP网络结构,模型主要因素为淬火温度、回火温度、含碳量和单位长度质量。经1500余次训练后,误差平方和<0.001。训练出来的神经网络可以预报生产现场的PC钢棒的抗拉强度σb,预报值与实测值相对偏差在±3%以内,大于93%的预报值与实测值的绝对偏差在±10MPa之间。

一种热轧带钢力学性能预报模型的适用性分析方法

GLOSP模型是以宝钢2 050 mm热轧产线的实际生产数据为基础,历经10年的探索与研究,从实际应用的角度研制出的一个全局通用型热轧带钢力学性能预报模型。提出了一种GLOSP模型的适用性分析方法,该方法通过设置分组变量以剔除一些可见因素造成的干扰,并在各分组内分别对力学性能实测值、预报值与其关键自变量进行线性回归,进而根据相应线性回归系数的相似度进行模型的适用性分析。应用实践表明,该方法不仅有效,还为模型的跨产线应用提供了方便。

热轧优质碳素结构钢线材力学性能预报研究

本文采用系统工程多变量系统统计分析方法，对优质碳素结构钢线材的生产数据进行了回归分析，得到其各力学性能的回归方程及各回归函数的标准方差，并对钢材性能的定量预报进行了探讨。

融合大数据与冶金机理的热轧带钢力学性能预报模型

融合工业大数据与冶金机理,提出一种全局可加型热轧带钢力学性能预报模型。首先,给出一套系统的、具有一定通用意义的建模方法,包括：综合应用随机森林、因果图、贝叶斯网等数据挖掘方法,并结合冶金机理与人的先验知识筛选模型的影响因素;接着,构建一元无交互作用广义可加模型,包括数据清洗、子模型建立、子模型验证、子模型修正等环节;探明各影响因素之间的交互作用,构建二元有交互作用的广义可加模型;分析各子模型之间的关系,将各子模型整合构建整体模型。最后,对上述建模方法进行了应用验证,利用大量热轧含铌微合金钢生产数据,建立微合金钢产品力学性能预报模型,获得工艺、成分对力学性能的影响规律,新模型对钢材抗拉强度的预报误差为2.51%。上述研究为复杂工业系统数学建模提供了新的思路。

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.

热轧产品力学及组织性能预报

带钢组织预报主要基于生产工艺数据,运用相应的冶金模型实现从板坯到带钢成品的组织演变预报。带钢力学性能预报需要建立在组织预报完成的前提下,根据具体的最终金属组织预报结果来计算。文章研究了从热轧板坯到带钢成品的组织演变预报的可行性,结果表明无论是通过组织性能预报离线系统的“虚拟轧制”,还是通过在线系统的实时优化控制,都可以起到预防产品性能不合格和性能波动的效果,提高产品性能指标和稳定产品性能。

数据清洗对热轧微合金钢性能预报模型的改进

热轧生产过程实测数据具有噪音大、信噪比低等特点,运用合适的方法对异常数据进行清洗将有助于提高钢材力学性能预报模型的精度。基于带钢热连轧过程数据的分布特点,采用孤立森林算法对热轧过程异常数据进行清洗,提高了性能预报模型的预测精度。首先,基于收集到的大量热轧微合金钢生产过程数据,采用孤立森林算法计算原始数据集中每条数据记录的异常分值;接着结合异常分值排序与力学性能建模实验,确定异常数据记录的个数;最后,基于清洗后的数据集合,运用融合数据与机理的建模方法建立力学性能预报模型,并对抗拉强度和屈服强度进行预测。预测实践表明,抗拉强度和屈服强度预报的平均绝对百分误差分别为2.50%和3.42%,且分别有93.13%和86.30%的数据预测值和实测值绝对误差在±6%之内;采用孤立森林算法对热轧生产过程异常数据进行清洗,可显著提高热轧带钢力学性能预报模型的精度。