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

金属学报

2003, Vol. 39

Issue (6): 630-634

论文

本期目录 | 过刊浏览

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

由伟; 方鸿生; 白秉哲

清华大学材料科学与工程系; 北京 100084

引用本文:

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 .

全文: PDF(191 KB)

摘要: 根据收集和整理的实验数据, 建立了低碳低合金钢的成分与马氏体转变开始温度(Ms点)的反向传播(BP)人工神经网络, 用这种方法预测了一些钢的Ms点, 并与用其它经验公式得到的结果进行了比较. 结果表明: 用人工神经网络能更精确地预测钢的Ms点, 预测精度明显高于其它线性经验公式, 另外用正交实验法设计了几种基准成分的钢, 用人工神经网络分析了几种合金元素对Ms点的定量影响, 计算结果表明, 与传统的经验公式表达的信息不同, 合金元素的含量与钢的Ms点间表现为非线性关系. 可以认为, 这种非线性关系是由合金元素间复杂的交互作用引起的.

关键词 ：钢的Ms点, 人工神经网络, 合金元素

Key words：

收稿日期: 2002-08-27

ZTFLH:

O24

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	由伟
	方鸿生
	白秉哲
44.8K

链接本文:

https://www.ams.org.cn/CN/Y2003/V39/I6/630

(1) Payson P, Savage C J. Traps ASM, 1944; 33: 261
(2) Rowland E J, Lyle J R. Traps ASM, 1946; 37: 27
(3) Grange R A, Stewart H M. Traps RIME, 1946; 167: 467
(4) Nehrenberg A E. Traps AIME, 1946; 167: 494
(5) Steven W, Haynes A J. J Iron Steel Inst, August, 1956; 183: 349
(6) Andrews K W. J Iron Steel Inst, July, 1965; 203: 721
(7) Hecht-Nielsen R. Neurocomputing. MA, Addison Wesley Publishing Co Inc, 1991: 59
(8) The No.l 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 (本溪钢铁公司第一炼钢厂，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)
(9) The Research Laboratory, United States Steel Company. Atlas of Isothermal Transformation Diagrams. Pittsburgh, Kearny, NJ: United States Steel Company Press,1951: 32
(10) American Society for Metals. Atlas of Isothermal Transformation and Cooling Transformation Diagrams. Metals Park, Ohio: American Society for Metals Press, 1977: 414
(11) Zhang S Z. Atlas of Super-Cooling Austenite Transformation Diagrams. Beijing: Metallurgy 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)
(12) Yan P F, Zhang C S. Artificial Neural Networks and Evolutionary Computation. Beijing: Tsinghua University Press, 2000: 80(阎平凡，张长水.人工神经网络与模拟进化计算.北京:清华大学出版社，2000: 80)
(13) Cybenko G. Mathematics of Control, Signals and Systerns. New York: Springer International Press, 1980; 2:303
(14) Hornik K, Baldi P. Neural Networks, 1989; 2: 359
(15) Chen T P, Chen H, Liu R W. IEEE Traps NN, 1995; 6(1): 25
(16) Scarselli F, Tsoi A C. Neural Networks, 1998; 11: 15
(17) Hu G L, Xie X W. The Heat Treatment of Steels. Xi'an: Northwestern Polytechnical University Press, 1996: 94 (胡光立，谢希文.钢的热处理.西安:西北工业大学出版社，1996: 94)
(18) Vermeulen W G, Morris P F, De Weijer A P, Van der Zwaag S. Ironmak Steelmak, 1996; 23: 433

[1]	张伟东, 崔宇, 刘莉, 王文泉, 刘叡, 李蕊, 王福会. 600℃ NaCl盐雾环境下GH4169合金的腐蚀行为[J]. 金属学报, 2023, 59(11): 1475-1486.
[2]	李亚敏, 张瑶瑶, 赵旺, 周生睿, 刘洪军. Cu对Inconel 718合金Nb偏析影响机理的第一性原理研究[J]. 金属学报, 2022, 58(2): 241-249.
[3]	曹丽华, 陈胤伯, 史起源, 远杰, 刘志权. 合金元素对中温Sn-Ag-Cu焊料互连组织及剪切强度的影响[J]. 金属学报, 2019, 55(12): 1606-1614.
[4]	刘贤翠, 潘冶, 唐智骄, 何为桥, 陆韬. Al-Mn系合金的组织控制与高温性能研究[J]. 金属学报, 2017, 53(11): 1487-1494.
[5]	田家龙,李永灿,王威,严伟,单以银,姜周华,杨柯. 多相强化型马氏体时效不锈钢中的合金元素偏聚效应^*[J]. 金属学报, 2016, 52(12): 1517-1526.
[6]	郭建亭,周兰章,田玉新,侯介山,李谷松. 合金元素Hf, Sn, Ta, Zr, Dy和Ho对Nb-Nb₅Si₃合金组织和力学性能的影响^*[J]. 金属学报, 2015, 51(7): 815-827.
[7]	王学, 李勇, 任遥遥, 刘洪伟, 刘洪, 王伟. Laves相析出对P92钢合金元素再分布的影响[J]. 金属学报, 2014, 50(10): 1203-1209.
[8]	杨泽南,杨志刚,夏苑,张弛. 层片状珠光体组织奥氏体化速率的计算[J]. 金属学报, 2013, 49(7): 890-896.
[9]	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.
[10]	李宝宽代凤羽齐凤升杨冉. 双水口注流连铸复合钢坯结晶器流场和合金元素浓度场研究[J]. 金属学报, 2010, 46(6): 736-742.
[11]	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.
[12]	付建强; 孙威; 谢中柱; 刘林林; 张泽 . 合金元素对铸态镁合金中长周期堆垛结构的形成与特征的影响[J]. 金属学报, 2008, 44(4): 428-432 .
[13]	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 .
[14]	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 .
[15]	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 .

Viewed

Full text

Abstract

Cited

Shared

Discussed