基于神经网络的钢中析出相的预测及工艺优化研究

论文摘要

近年来,研究开发以超细晶为特征的新一代钢铁材料,已经成为当今钢铁材料学科发展的一个重要方向。研究工作表明:利用应变强化相变技术,可获得低碳微合金超细晶粒钢。但在应变强化铁素体相变时,由于相变速度很快,对其机理有多种见解。这是因为低碳合金超细晶粒钢的研发工作目前尚局限于试验观察和一般性理论性探讨,很难给出定量的模拟结果,从而大大增加和延长了细晶材料的研发费用和研发周期。本研究在江苏省高校自然基金重点项目资助下,充分利用前期工作的成果,同时结合我国低碳合金超细晶粒钢纳米级析出相的研究现状,建立了超细晶粒钢的析出相预测及组织控制系统。本研究以低碳合金钢为研究对象,分析多道次小变形的条件下,化学成分,变形温度,变形量及保温时间对低碳合金钢析出相的影响,通过图像处理分析和统计钢中析出相的粒径及形态,并结合L-M和模糊算法神经网络,首次提出对低碳合金钢中纳米析出粒子的测量统计及预测,建立了低碳合金钢的纳米析出相预测模型,并在此基础上进行工艺优化分析,以期获得最优工艺方案,为生产条件下的实际应用进行工艺指导。主要研究内容和创新点有:1.首次将低碳合金钢的析出相机理建模与L-M和模糊神经网络建模相结合建立低碳合金钢析出相预测系统,可将系统由传统单一的数字驱动提升到更为科学合理的机理驱动,因而具备适应更多钢种的灵活性。2.利用前期工作积累的低碳合金超细晶粒钢制备工艺数据,利用SQL2000数据库技术建立了试验数据库与模型参数库,系统提供试验数据的统一管理和统计分析。通过改变数据库,使该系统能适用于比较广泛的钢种体系。3.采用本文提出的基于形态特征自动分类方法,实现高效、便捷地对析出相粒子粒径和形态的自动分类统计,完成了预测的前期准备工作,为钢中析出相的定量微观分析提供了可靠依据。4.以低碳合金超细晶粒钢制备工艺参数为输入参数,以钢中析出相粒径和形态为输出参数,建立基于L-M算法和模糊推理的神经网络预测系统,进行组织预测和工艺优化。组织预测和工艺优化。通过上述工作,成功实现了对在热模拟工艺下低碳合金钢的析出相的预测及组织控制,其研究成果将丰富超细晶理论。该系统的建立可大量缩减低合金超细晶粒钢的研发周期和费用,使钢种设计由经验型转为科学型,可为研发各类超细晶粒钢新钢种提供理论和技术指导。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 前言
• 1.2 低碳合金钢热模拟试验中的析出现象
• 1.2.1 析出机理
• 1.2.2 低碳合金元素纳米级析出粒子的作用
• 1.3 基于图像处理的析出相形态特征的分类与统计
• 1.4 低碳合金钢的析出相预测模型
• 1.4.1 神经网络在材料领域的应用
• 1.4.2 神经网络预测技术在析出相中的应用
• 1.5 课题的提出及研究目的
• 1.5.1 课题的提出
• 1.5.2 国内外研究现状
• 1.5.3 本课题的研究目的
• 1.5.4 本研究所做的工作
• 第二章 试验材料和试验过程
• 2.1 钢中析出相热模拟制备试验
• 2.1.1 单道次热模拟试验
• 2.1.2 多道次热模拟试验
• 2.2 试验结果分析
• 2.2.1 变形温度和变形量对析出相的影响
• 2.2.2 析出粒子长大与形态的关系
• 2.2.3 析出粒子尺寸的控制研究
• 2.2.4 间隔时间对析出粒子尺寸的影响
• 2.2.5 多道次变形时低碳合金钢中析出形态分析
• 第三章 析出粒子形态特征的分类与统计
• 3.1 析出相粒径和形态分析
• 3.2 析出相分类统计模型的原理
• 3.3 析出相分类统计的步骤
• 3.3.1 析出相的图像二值化
• 3.3.2 团聚粒子的分离及粒子空洞的填充
• 3.3.3 析出粒子的测量与分类
• 3.4 对不同工艺的试验钢的统计结果
• 第四章 基于改进BP神经网络的纳米析出相预测系统
• 4.1 预测系统选用的相关技术-人工神经网络
• 4.2 神经网络BP模型结构
• 4.3 L-M算法优化BP神经网络
• 4.4 析出相预测系统模型的建立
• 4.4.1 输入输出变量的选择
• 4.4.2 网络结构和参数的选定
• 4.4.3 数据参数的存储与预处理
• 4.4.3.1 系统数据库的建立
• 4.4.3.2 样本数据的预处理
• 4.4.4 系统的运行试验和结果分析
• 4.4.4.1 系统界面的设计
• 4.4.4.2 系统模型的设置
• 4.4.4.3 系统运行结果
• 4.4.4.4 预测模块及预测结果
• 第五章 基于模糊神经网络的纳米析出相预测及工艺优化
• 5.1 神经网络与模糊逻辑的关系
• 5.2 模糊神经网络的结构
• 5.2.1 T-S模糊模型
• 5.2.2 T-S型模糊神经网络的结构
• 5.3 模糊神经网络的学习算法
• 5.4 输入输出变量的选择
• 5.4.1 变量选取的原则
• 5.4.2 选取的变量
• 5.5 数据和参数的预处理
• 5.5.1 数据的筛选
• 5.5.2 数据的转换
• 5.5.3 网络输出结构的选择
• 5.6 网络运行结果
• 5.6.1 网络训练结果
• 5.6.2 网络测试结果
• 5.7 模糊神经网络的性能分析
• 5.8 工艺优化结果
• 第六章 总结
• 参考文献
• 在学期间发表的论文目录
• 致谢
• 附录 FNN源程序