Please wait a minute...
金属学报  2009, Vol. 45 Issue (1): 67-72    
  论文 本期目录 | 过刊浏览 |
普碳钢中厚板热轧温度制定的一种新的数学方法
邓天勇;吴迪;许云波;赵彦峰; 刘相华;王国栋
东北大学轧制技术及连轧自动化国家重点实验室; 沈阳 110004
A NEW MATHEMATICAL METHOD CONSTITUTING HOT ROLLED TEMPERATURE OF HEAVY AND MEDIUM PLATE FOR PLAIN CARBON STEEL
DENG Tianyong; WU Di; XU Yunbo; ZHAO Yanfeng; LIU Xianghua; WANG Guodong
State Key Laboratory of Rolling and Automation; Northeastern University; Shenyang 110004
引用本文:

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.
. A NEW MATHEMATICAL METHOD CONSTITUTING HOT ROLLED TEMPERATURE OF HEAVY AND MEDIUM PLATE FOR PLAIN CARBON STEEL[J]. Acta Metall Sin, 2009, 45(1): 67-72.

全文: PDF(1197 KB)  
摘要: 

为实现普碳钢中厚板的柔性化轧制, 建立了一种新的用于制定温度制度的理论算法. 首先建立最佳预测能力的人工神经网络, 用于预测中厚板力学性能; 然后运用遗传算法制定出温度制度, 并由回归出的力学性能公式对预测结果进行验证. 结果表明, 通过回归法和人工神经网络均可精确地预测中厚板的力学性能, 而且神经网络的预测精度比回归公式的预测精度高; 终轧温度和终冷温度对力学性能的影响最大; 通过温度制度和力学性能回归公式计算出的强度, 与目标强度非常吻合; 对同一成分的钢种, 通过制定合适的温度制度可以轧制出不同强度的产品, 以减缓中厚板产品大规模定制中各阶段之间的矛盾.

关键词 普碳钢中厚板组织性能预测温度制度人工神经网络遗传算法柔性轧制    
Abstract

A new mathematical model constituting temperature schedule was established in order to realize flexible rolling of heavy and medium plate, in which the architecture of artificial neuron network (ANN) with optimal ability to predict mechanical properties was first constituted, and then, temperature schedule was constituted by genetic algorithm (GA). It is shown that mechanical properties can be well-predicted by recursive functions and ANN, and the precision predicted by ANN is higher than that by recursive functions. Finishing temperature and final cooling temperature among schedule ones are most important factors for mechanical properties. Mechanical properties calculated by temperature schedule and recursive mechanical-property functions agreed well with desired results. The temperature schedule constituted can be used to produce some steel plates with the same compositions but different strengths.

Key wordsplain carbon steel    heavy and medium plate    mechanical property prediction    temperature schedule    artificial neuron network    genetic algorithm    flexible rolling
收稿日期: 2008-03-26     
ZTFLH: 

TG335.11

 
基金资助:

国家自然科学基金重点项目50334010和50504007资助

作者简介: 邓天勇, 男, 1982年生, 博士生

[1] Liu X H, Wang G D, Du L X. Iron Steel, 2006; 41(11): 32
(刘相华, 王国栋, 杜林秀. 钢铁, 2006; 41(11): 32)
[2] Wang G D, Liu X H, Wu D. Steel Rolling, 2006; 23(2):1
(王国栋, 刘相华, 吴迪. 轧钢, 2006; 23(2): 1)
[3] Mo C L, Li Q, Li D Z. Acta Metall Sin, 2003; 39: 1110
(莫春立, 李强, 李殿中. 金属学报, 2003; 39: 1110)
[4] Zheng H, Wang Z D, Wang G D. Iron Steel, 2002, 37(7): 37
(郑晖, 王昭东, 王国栋. 钢铁, 2002; 37(7): 37)
[5] Dobrzanski L A, Kowalski M, Madejski J. J Mater Process Technol, 2005; 164–165: 1500
[6] Son J S, Lee D M, Kim L S. J Mater Process Technol, 2004; 153–154: 643
[7] Deng T Y, Wu D, Xu Y B. Iron Steel, 2008; 43(1): 58
(邓天勇, 吴迪, 许云波. 钢铁, 2008; 43(1): 58)
[8] Uhm S, Moon J, Lee C. ISIJ Int, 2004; 44: 1230
[9] Hodgson P D, Gibbs R K. ISIJ Int, 1992; 32: 1329
[10] Yoshie A, Fujioka M, Watanabe Y. ISIJ Int, 1992; 32: 395

[1] 马江南,王瑞珍,杨才福,查小琴,张利娟. 中厚板表层超细晶对止裂性能的影响[J]. 金属学报, 2017, 53(5): 549-558.
[2] 余滨杉,王社良,杨涛,樊禹江. 基于遗传算法优化的SMABP神经网络本构模型[J]. 金属学报, 2017, 53(2): 248-256.
[3] 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.
[4] 吴令; 姜周华; 龚伟; 梁连科 . 遗传神经网络改进正规溶液模型及其在二元渣系中的应用[J]. 金属学报, 2008, 44(7): 799-802 .
[5] 齐乐华; 史忠科; 周计明; 李贺军 . 液--固挤压复合材料工艺参数的优化设计[J]. 金属学报, 2005, 41(10): 1025-1030 .
[6] 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 .
[7] 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 .
[8] 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 .
[9] 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 .
[10] 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 .
[11] 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 .
[12] 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 .
[13] 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 .
[14] 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.
[15] 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.