新型低合金钢的锻造工艺神经网络优化--中国期刊网

字体：大中小

首页> 原创作品> 正文

新型低合金钢的锻造工艺神经网络优化

发表时间：2021/6/17 来源：《基层建设》2021年第6期作者：闫加宝刘诗亮张涛尹旭方王泽

[导读] 摘要：目前，我国的经济在快速发展，社会在不断进步，低合金钢是在碳钢的基础上加入了几种合金元素，且合金元素总量低于5%的合金钢，这些元素会显著影响钢的相变和力学性能。

        中车齐齐哈尔车辆有限公司黑龙江齐齐哈尔 161002
        摘要：目前，我国的经济在快速发展，社会在不断进步，低合金钢是在碳钢的基础上加入了几种合金元素，且合金元素总量低于5%的合金钢，这些元素会显著影响钢的相变和力学性能。它具有强度高、易成形，焊接性能佳、耐大气腐蚀、缺口韧性好等优点，在船舶、机械、建筑、桥梁等众多领域得到了广泛应用。特别是近年来建筑行业发展较快，对于建筑用低合金钢的需求不断上升。采用锻造工艺能够有效减少钢的变形，提高建筑用新型低合金钢的精度和综合性能，节约成本。虽然我国低合金钢的科研和应用取得了不错的成绩，但由于建筑业对低合金钢的纯净度、综合性能提出了愈来愈高的要求，因而急需对锻造过程中温度、元素含量等都需进行严格、精准的控制。神经网络通过众多神经元建立输入到输出的非线性的映射关系，能够较好地对信息进行处理、分析、预测，且预测精准、鲁棒性佳。
        关键词：神经网络；低合金钢；锻造工艺；耐磨损性能；耐腐蚀性能
        引言
        材料在海水中发生腐蚀现象，其与腐蚀有关的环境因素非常多，如何分析和预测材料在海水中的腐蚀速率一直是腐蚀研究领域的重点和难点.人工神经网络的输入是碳钢、低合金钢的合金元素和海水的环境因素，输出是海水腐蚀速率.采用人工神经网络技术建立了碳钢、低合金钢在海水潮差区腐蚀预测模型，预测了腐蚀发展的趋势.运用经过训练的神经网络拓扑结构对“新钢材”进行腐蚀速率预测，预测结果和实验数据紧密相符.应用人工神经网络技术预测的腐蚀速率数据，可以为腐蚀专业和非腐蚀专业的工程技术人员提供腐蚀分析的依据.
        1问题分析
        通过分析，对C、Mn元素收得率的主要影响因素有钢水净重、加入的合金数量、加入的合金种类以及转炉温度这4个，在已有的条件下，想通过公式求得C、Mn两种元素的收得率是很复杂的。于是利用BP神经网络预测模型来预测出这两种元素的收得率，因为它不需要任何先验公式，就能从已有的数据中自动地归纳规则，获得这些数据的内在规律，具有良好的自学习、自适应和联想记忆，并行处理和非线性形转换的能力。再者BP神经网络需要大量的样本数据用来测试和训练，当样本数量不够时，会导致预测的误差很大，而在此研究的问题提供了大量的样本数据，所以使用该模型预测误差较小。但是它们的实际输出值和期望输出值之间还是存在较大误差，针对这一点，可以通过多次反复学习训练，减小实际输出值与期望输出值之间的最小误差，从而使得预测模型更加高效。
        2新型低合金钢的锻造工艺神经网络优化
        2.1训练样本的选取和训练次数
        对Q235-CrV低合金钢锻造工艺神经网络模型进行学习和训练，能够从中反映训练样本的规律。为了提高样本的合理性和精度，还需要对该模型进行学习、训练，于是从上述的输入层节点参数中筛选了20组数据作为训练样本数据。神经网络动量项系数取值为0.6，学习速率取值为0.05，目标误差值0.0001、最大训练步数100000。经过8647次迭代计算训练后，该模型的曲线平滑、起伏不大，收敛速度快，系统误差达到训练标准。磨损体积和腐蚀电位的试验值与训练值非常接近。该模型磨损体积的相对训练误差最小值是2.63%，最大值则是4.80%，平均相对训练误差值为3.67%；腐蚀电位的相对训练误差最小值是2.59%，最大值则是3.75%，平均相对训练误差值为3.20%。通过上述结果可以得知，本文构建的4×32×8×2四层拓扑结构Q235-CrV低合金钢锻造工艺神经网络优化模型具有较快的收敛速度和较好的稳定性能，可以客观地反映出输入层节点（始锻温度、终锻温度、模具预热温度和锻造比）和输出层节点（耐磨损性能和耐腐蚀性能）的关系，能够优化建筑用Q235-CrV低合金钢的锻造工艺。

期刊文章分类查询,尽在期刊图书馆

        2.2BP神经网络模型的构建
        碳钢和低合金钢是海洋工程中常用的材料，应用范围非常广泛，通过对碳钢和低合金钢的腐蚀速度进行预测，可以对未来可能发生的使用碳钢和低合金钢的工程结构在海洋中腐蚀断裂情况进行提前保护.本文采用10种碳钢和低合金钢作为训练样本，建立材料在海水潮差区的腐蚀速率模型，之后对两种新钢材进行预测.模型构建训练用钢分别为：3C，20#，D36，15MnMoVN，14MnMoNbB，09MnNb，08Al，12CrMnCu，10CrCuSiV，10CrMoAl等10种钢材，所选择的11个神经网络输入因子分别为：碳含量（%）、锰含量（%）、硫含量（%）、磷含量（%）、硅含量（%）、铜含量（%）、平均温度（℃）、海水平均盐度（‰）、pH值、海水溶解氧浓度（ml/l）和暴露时间（a），输出为碳钢和低合金钢在海水潮差区的腐蚀速率.每种钢材分别投放在三个海水潮差区监测站，暴露时间为别为1、2、4、8年，共有120组数据进行训练，所有实测数据来源国家“八五”（腐蚀）数据汇编.传统的BP学习算法的主要问题是学习过程的收敛速度比较慢，对于提供的N个学习实例需要反复学习，迭代计算次数T通常为几百次至几千次，才能使所有输出节点的误差小于指定的允许误差E.主要原因是传统BP算法在调整权值时，只按T时刻误差的梯度方向调整，而没有考虑T时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢.为了提高BP学习算法的收敛速度，本BP网络程序采用附加动量项的方法来调整网络的权值和阈值，目的是提高BP算法的收敛速度.BP网络隐含层节点数的选择，目前尚无有效的理论和方法.隐含层节点数量过少，可以提高网络的计算速度，减少训练时间，但网络从样本中获取的信息能力就差，如果节点过多，又可能把样本中非规律性的内容也会记牢，而且还会增加训练时间.
        2.3模型评估与优化
        BP神经网络具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力，通过它，有效地分析和解决研究的内容。当然，它还存在不少缺点和不足，对于文中使用的情况来说它最大的问题就是训练的速度较慢，那么针对这一问题，给出以下模型优化的方法：针对BP网络算法收敛速度慢的这一缺点，采用Vogl提出的“批处理”思想加入动量项来提高训练速度的方法，即带动量的批处理梯度下降算法，并且使用Matlab神经网络工具箱进行了设计与分析。
        结语
        （1）建筑用Q235-CrV新型低合金钢的锻造工艺神经网络优化模型的磨损体积相对训练误差为2.63%～4.80%，平均相对训练误差值为3.67%，腐蚀电位的相对训练误差区间为2.59%～3.75%，平均相对训练误差值为3.20%；磨损体积的相对预测误差区间为2.50%～3.70%，平均预测误差值为3.06%，腐蚀电位的相对预测误差区间为2.70%～3.51%，平均预测误差值为3.14%。（2）本文构建的Q235-CrV低合金钢的锻造工艺神经网络优化模型预测性强、精度高、可靠，有益于优化建筑用低合金钢的锻造工艺。
        参考文献：
        [1]东涛，刘嘉禾．我国低合金钢及微合金钢的发展、问题和方向[J]．钢铁，2000，35（11）：71-75．
        [2]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．
        [3]顾玉芬，樊丁．基于神经网络的低合金铜接头性能测试[J]．电焊机，2009，39（4）：117-120．
        [4]黄传根，张立鑫，王泉，等．低合金钢低成本无缺陷铸坯生产实践[J]．安徽冶金科技职业学院学报，2018，28（4）：23-25．
        [5]刘鑫刚，聂绍珉．锻前高温扩散对低合金钢力学性能影响的试验研究[J]．塑性工程学报，2007，14（2）：64-68．