Please wait a minute...
金属学报  2004, Vol. 40 Issue (11): 1133-1137     
  论文 本期目录 | 过刊浏览 |
用人工神经网络模型预测钢的奥氏体形成温度
由 伟; 白秉哲; 方鸿生; 谢锡善
北京科技大学材料科学与工程学院; 北京 100083
ARTIFICIAL NEURAL NETWORK APPLIED TO AUSTENITE FORMATION TEMPERATURES PREDICTION
YOU Wei; BAI Bingzhe; FANG Hongsheng; XIE Xishan
School of Materials Science and Engineering; University of Science and Technology Beijing;Beijing 100083
引用本文:

由伟; 白秉哲; 方鸿生 ; 谢锡善 . 用人工神经网络模型预测钢的奥氏体形成温度[J]. 金属学报, 2004, 40(11): 1133-1137 .
, , , . ARTIFICIAL NEURAL NETWORK APPLIED TO AUSTENITE FORMATION TEMPERATURES PREDICTION[J]. Acta Metall Sin, 2004, 40(11): 1133-1137 .

全文: PDF(205 KB)  
摘要: 根据收集的实验数据, 建立了预测钢的奥氏体形成温度(Ac1和 Ac3) 的反向传播人工神经网络模型. 用散点图和均方误差、相对均方误差和拟合分值三个统计学指标评价模型的预测性能. 人工神经网络预测Ac3和Ac1的三个统计学指标分别为23.8 ℃, 14.6 ℃; 2.89%, 2.06% 和1.8921, 1.7011. 散点图和统计学指标均显示: 人工神经网络的预测性能优于Andrews公式. 此外, 用人工神经网络分析了C和Mn的含量对Ac1和 Ac3温度的定量影响, 计算结果显示, C和Mn含量与Ac3和Ac1点间存在非线性关系, 这主要是由于钢中合金元素间存在的相互作用造成的.
关键词 钢的奥氏体形成温度人工神经网络预测性能    
Key words
收稿日期: 2003-10-22     
ZTFLH:  TG142.1  
[1] Andrews K W. J Iron Steel Inst. 1965; 203: 721
[2] Hecht-Nielsen R. Neurocomputing, Reading, MA: Addi-son Wesley Publishing Co. Inc., 1991: 59
[3] The No.1 Iron Factory, Benxi Iron and Steel Corporation and Tsinghua University: The Atlas of Super-Cooling Austenite Transformation Diagrams, Benxi: The No.l Iron Factory Press, Benxi Iron and Steel Corporation, 1978: 1(本溪钠铁公司第一炼钢厂,清华大学机械系金属材料教研组:钢的过冷奥氏体转变曲线,本溪:本溪钢铁公司第一炼钢厂出版,1978:1)
[4] American Society for Metals: Atlas of Isothermal Trans-formation and Cooling Transformation Diagrams, Metals Park, Ohio: American Society for Metals Press, 1977: 414
[5] Zhang S Z. Atlas of Super-cooling Austenite Transformation Diagrams, Beijing: Metallurgical Industry Press, 1993: 22(张世中.钢的过冷奥氏体转变曲线图集,北京:冶金工业出版社,1993:22)
[6] Ha,erbin Research Institute of Welding, Machinery & Electronical Industry Ministry. CCT Atlas of Welding of Low Alloy Steels, Beijing: China Machine Press, 1990: 3(机械电子工业部哈尔滨焊接研究所.国产低合金钢焊接CCT图册,北京:机械工业出版社, 1990:3)
[7] Japan Society for Irons & Steels. Atlas of CCT of Welding Steels, Tokyo: Japan Society for Iron & Steels Press, 1992: 32(日本钢铁协会.焊接用钢CCT图集,东京:日本金属学会出版社, 1992:32)
[8] Japan Society for Irons & Steels. Atlas of Continuous Cooling Transformation Diagrams of Low Carbon Steels, Tokyo: Japan Society for Irons & Steels Press, 1992: 33(日本钢铁会.低碳钢连续冷却转变图集,东京:日本金属学会出版社,1992:33)
[9] So S S, Karplus M. J Med Chem, 1996; 39(7) : 1524
[10] Cybenko G. Mathematics of Control, Signals and Systems, 2nd ed, New York: Springer International Press, 1980: 303
[11] Hornik K, Baldi P. Neural Network, 1989; 2: 359
[12] Chen T P, Chen H, Liu R W. IEEE Trans NN, 1995; 6(1) :25
[13] Scarselli F, Tsoi A C. Neural Networks, 1998; 11(1) : 15
[14] Vermeulen W G, Morris P F, De Weijer A P, van der Zwaag S. Ironmaking and Steelmaking, 1996; 23(5) : 433
[1] 侯介山,周兰章,郭建亭,袁超. NiAl合金超塑性的人工神经网络预测[J]. 金属学报, 2013, 49(11): 1333-1338.
[2] 邓天勇 吴迪 许云波 赵彦峰 刘相华 王国栋. 普碳钢中厚板热轧温度制定的一种新的数学方法[J]. 金属学报, 2009, 45(1): 67-72.
[3] 李新城; 陈光; 朱伟兴; 王匀; 张开华; 汪建敏 . 齿轮选材及热处理工艺智能专家系统[J]. 金属学报, 2004, 40(10): 1051-1054 .
[4] 骆宇时; 彭志方 . 镍基高温合金中γ’和γ相点阵常数的简捷人工神经网络预测法[J]. 金属学报, 2003, 39(9): 897-902 .
[5] 李锋军; 沈厚发; 柳百成 . 消失模铸造充型过程的模拟方法[J]. 金属学报, 2003, 39(7): 686-690 .
[6] 由伟; 方鸿生; 白秉哲 . 用反向传播人工神经网络预测低碳低合金钢的马氏体转变开始温度[J]. 金属学报, 2003, 39(6): 630-634 .
[7] 王春水; 彭志方; 于洋洋 . 人工神经网络预测变形高温合金的持久强度[J]. 金属学报, 2003, 39(12): 1251-1254 .
[8] 李萍; 薛克敏; 吕炎; 谭建荣 . 热变形参数对Ti-15-3合金显微组织的影响及预测[J]. 金属学报, 2002, 38(2): 145-148 .
[9] 薛小怀; 钱百年; 于少飞; 国旭明; 杨柯; 訾炳涛 . 熔敷金属力学性能人工神经网络预测法的应用[J]. 金属学报, 2001, 37(9): 947-951 .
[10] 张兆春;吴铸;李重河;钦佩;陈念贻. 模式识别─人工神经网络在改善汽车发动机缸体铸件力学性能方面的应用[J]. 金属学报, 1998, 34(10): 1068-1072.
[11] 刘刚;陈瑞亮;李重河;陈念贻. 熔盐-液体金属相互溶解度的规律性[J]. 金属学报, 1997, 33(9): 939-942.
[12] 郭进;李重河;钦佩;曾文明;陈念贻. AB_5型贮氢合金P-C关系的人工神经网络研究[J]. 金属学报, 1996, 32(3): 333-33.
[13] 张鹏;崔建忠;张奇志;杜云慧;富江涛;巴立民. 人工神经网络在不锈钢-铝固液相压力复合研究中的应用[J]. 金属学报, 1996, 32(12): 1275-1278.
[14] 蔡煜东;许伟杰;陈念贻. 自组织人工神经网络用于金属间化合物三元填隙D88结构形成条件的判别[J]. 金属学报, 1995, 31(18): 280-283.
[15] 唐波;钦佩;柳妙修;张未名;陈念贻. 人工神经网络在熔盐相图中间相预报中的应用[J]. 金属学报, 1994, 30(13): 22-26.