基于人工神经网络的csp热轧深冲板力学性能预报

《基于人工神经网络的csp热轧深冲板力学性能预报》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉科技大学硕士学位论文第1页摘要薄板坯连铸连轧(CSP)是近年来兴起的一项新型轧制技术。而通过CSP生产热轧深冲板则是当今冶金行业的一个热门课题。随着生产工艺的不断进步，对钢材的质量要求也越来越高，尤其是对钢材的力学性能要求要波动小丽稳定。如何更好的在轧制过程中较好的预报和控制钢材的力学性能，优化钢材的质量已成冶金技术人员亟待解决的课题。本文针对邯钢CSP生产线生产的SPHC热轧深冲板化学成分和工艺对力学性能的预报进行研究。以现场实测数据为依据，应用BP神经网络来训练测得的数据，分别建立了不同规格的相同轧制工艺条件下化学成分对力学性能预报模型，以及在此前模型基础上建立了完整的成分和工艺对力

2、学性能的预报模型。通过现场数据检验，模型平均误差均不超过±5％，只有极个别超过4-10％，说明模型精度较高。随后对所建立的各模型的各影响因素进行仿真，得到各因素对各项力学性能的影响关系曲线，为现场轧制工艺的制定提供了理论依据，具有指导意义。通过MATLAB软件的神经网络工具箱提供的图形用户界面GUI，对力学性能预报模型进行与计算机的交互操作设计和仿真神经网络，使得神经网络模型的设计和仿真变得简单易学。关键词：薄板坯连铸连轧；热轧深冲板；神经网络；力学性能；第Ⅱ页武汉科技大学硕士学位论文AbstractCompactstripProduction(CSP)isanewrollingtechno

3、logyinthisseveraldecades．Ahotprobleminmetallurgyindustryishowtoproducthot-rollingdeeppunchingsteelthroughCSP．Followingtheprovingofformingprocessing，thedemandstosteelalemoreandmorestrict，speciallysteel’Smechanicalpropertiesneedssmallfluctuationsandstability．Howtoforecastandcontrolsteel’Smechanicalpr

4、opertiesbetterinrollingprocessandimprovingsteel’Squalityareurgentpriority．TKspapermainlystudiedthemechanicalpropertiesforecastofSPHChot-rollingdeeppunchingsteelwhichproducedbyHandanIronandSteelCompany’CSPproductionline，throughanalysischemicalcompositionandformingprocessing．Basedonthedatameasuredinp

5、roductionsceneandtrainingBPneuralnetwork，thepaperbuiltdifferentforecastingmodels。aboutchemicalcompositionofsteel’Smechanicalpropertiesintheconditionofdifferentthicknessandsameformingprocessing．Andthen,onthebasisofformermodels，aintegralmodelaboutchemicalcompositionandformingprocessingWasbuilt．Accord

6、ingtothetestbyfielddata,allthemodels’haveahighaccuracy，andthemodels’averagee11"01"5arelessthan--E5％，onlyafewbeyond士10％．Thensimulateallthemodels’eachelement,allthecurvedshapesbetweeneachelementandmechanicalpropertyhavebeengot，whichprovidethetheoryfoundationfortheformulatingofformingprocessing,thatha

7、saguidingmeaning．ThemodelsweresimulatedbyusingMATLB’SGraphicalUserInterfaces(GUI)，thiscallmutualdesignandsimulatethenetworkwi廿1computerdirectly,whichmakesneuralnetworkdesignandsimulatebecomeseasytolearn．Key