【技术实现步骤摘要】
本专利技术涉及钢板生产和数据统计建模的交叉，尤其是涉及一种物理冶金指导的热轧钢材力学性能机器学习方法。
技术介绍
1、根据钢材化学成分、生产工艺参数等精确预测力学性能是钢铁领域一个重要的研究课题，其在实际生产中具有很高的应用价值，用于预测力学性能、减少取样提高检测效率、优化生产工艺及开发新钢种等。
2、目前的力学性能预测主要采用物理冶金模型和数据驱动模型。物理冶金模型虽然预测的规律性较好，但预测精度较低，现场应用效果不佳；数据驱动机器学习模型虽然预测精度较高，但现场数据的质量和物理机制的复杂对模型泛化性和稳定性的显著影响阻碍了其在许多实际应用中的推广。此外，相比于带钢，钢板生产过程中在温度场和工艺流程等方面更加复杂，在高精度力学性能预测建模方面还有待于进一步探索。
技术实现思路
1、本专利技术的目的是提供一种物理冶金指导的热轧钢材力学性能机器学习方法，采用层次聚类和异常值剔除等数据处理方法进一步提高数据质量，搭建高质量数据集，通过结合机器学习算法和物理冶金学理论优化物理模型参数，最终建立高精度和良好泛化性的力学性能预测模型。
2、为实现上述目的，本专利技术提供了一种物理冶金指导的热轧钢材力学性能机器学习方法，步骤包括：
3、s1、采集热轧钢板数据并对数据进行预处理；
4、s2、基于s1中数据和物理冶金学理论计算物理冶金参数；
5、s3、采用粒子群优化算法优化力学性能计算模型参数，构建力学性能预测模型。
6、优选
7、s11、根据参数范围将多维数据进行层次聚类，选择聚类簇个数，将数据划分成不同的聚类簇，对数据分类，具体为：
8、将数据中的每个样本作为一个初始的聚类簇，然后在算法运行的每一步找到距离最近的两个聚类簇进行合并，当同一聚类簇中的关键成分、工艺参数相同或相近时，可认为是同一轧制规程生产的数据。层次聚类算法的选择基于马氏距离的合并准则，即如果聚类1和聚类2之间的距离是所有不同聚类间马氏距离最短的，则聚类1和聚类2合并。马氏距离dm可以通过下式求出：
9、
10、式中，x为两个对象的差值矩阵；为均值向量。
11、s12、根据格拉布斯准则和3σ准则判断分类数据中检测误差大的值，剔除异常值，具体为：层次聚类的基础上，根据同一聚类簇中钢板的个数选择不同的准则，即当聚类簇中样本数大于30时，采用3σ准则，否则，采用格拉布斯准则。假设某一组的生产数据为：
12、
13、式中，n为样本数；p为变量个数。设矩阵中xj1(j＝1,2,…,n)为力学性能数据，则该性能数据的均值和方差可通过以下公式计算：
14、
15、
16、根据3σ准则，若x～n(u,σ)，则其概率p(|x-μ|>3σ)≤0.003。故当某一钢板的屈服强度剩余误差mj＝xj1–μ满足以下公式时，可认为是异常值，予以剔除。
17、|mj|＝|xj1-μ|＞3σ
18、采用格拉布斯准则时，首先计算每卷钢的格拉布斯临界值g，若g>g(n,α)，对应钢板的屈服强度视为异常值，给予剔除。格拉布斯临界值g计算公式如下：
19、
20、式中，m为n组数据的中位数，α为显著性水平。
21、优选的，步骤s2包括：
22、s21、基于物理学冶金理论分析热轧过程微观组织演变行为及组织特征对力学性能的影响因素；
23、s22、基于s1中采集数据，采用物理冶金模型计算影响最终微观组织特征及力学性能模型的物理冶金参数。
24、优选的，步骤s3包括：
25、s31、基于计算的微观组织特征信息和力学性能计算模型参数，采用粒子群优化算法对力学性能计算模型参数进行优化；
26、s32、以成分规格和热轧工艺参数作为输入，力学性能模型优化参数作为输出，划分训练集和测试集，采用随机森林网络构建力学性能预测模型；
27、s33、基于力学性能预测模型对测试集进行预测，得到待预测钢材的力学性能参数预测值，同时利用力学性能计算模型对力学性能进行计算，对比计算结果和实测力学性能。
28、优选的，步骤s21中具体为：根据力学性能计算模型，分析加热过程中奥氏体晶粒长大，轧制过程中再结晶、晶粒长大和析出，冷却过程中的相变行为相关的影响因素，影响因素包括析出分数及尺寸、位错密度、铁素体分数及尺寸、珠光体分数和贝氏体分数。
29、优选的，力学性能计算模型包括屈服强度模型、抗拉强度模型和延伸率模型，具体为：
30、屈服强度模型
31、ys＝σc+σgrain+σdis+σpre
32、σc＝77+60si+80cu+45ni+60cr+80mn+11mo+5000n+750p
33、σgrain＝kgdf-0.5
34、
35、
36、抗拉强度模型
37、
38、hf＝458-0.357tmf+50si
39、hb＝669-0.588tmb+50si
40、延伸率
41、
42、式中，ys为屈服强度(mpa)，σc为固溶强化强度(mpa)，σgrain为细晶强化强度(mpa)，σdis为位错强化强度(mpa)，si、cu、ni、cr、mn、mo、n和p为各元素的质量分数(wt％)，df为最终铁素体晶粒尺寸(μm)，ρdis为位错密度(m2)，dpre为析出相粒子平均尺寸(nm)，fpre为析出相分数，v是泊松比为0.3，b是伯格斯矢量为2.48×10-10m，μ是剪切模量为8×1010pa。ts为抗拉强度(mpa)，xf、xp和xb分别是铁素体、珠光体和贝氏体的体积分数，hf，hp和hb分别是铁素体、珠光体和贝氏体的显微硬度(hv)，tmf和tmb分别为铁素体和贝氏体的相平衡温度，el为断后延伸率(％)，h为钢材产品厚度(mm)，kg、kd、kp、f1、f2、f3、el0、kf、kd、kh均为调节系数。
43、优选的，步骤s2中，物理冶金参数包括析出分数、铁素体分数及尺寸、珠光体分数和贝氏体分数；
44、加热过程中奥氏体晶粒长大，奥氏体晶粒尺寸取决于加热温度和保温时间；热轧过程中累积应变εa超过动态再结晶drx所需的临界应变εc，新的drx晶核沿着拉长的晶界生成，并导致在随后的道次间隔中出现亚动态再结晶mdrx；否则，εc≥εa，静态再结晶srx发生在道次间隔区间，变形晶粒被新再结晶晶粒全部或部分取代；同时，加热过程中固溶的合金元素在热轧过程中发生应变诱变析出，冷却过程中，奥氏体晶粒分解为铁素体、珠光体和贝氏体。
45、优选的，步骤s31中为采用粒子群优化算法对不同成分和工艺条件下的力学性能模型参数进本文档来自技高网...
【技术保护点】
1.一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤S1中采集数据包括钢板成分规格参数、热轧工艺参数和力学性能数据，对数据预处理包括：
3.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤S2包括：
4.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤S3包括：
5.根据权利要求3所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤S21中具体为：根据力学性能计算模型，分析加热过程中奥氏体晶粒长大，轧制过程中再结晶、晶粒长大和析出，冷却过程中的相变行为相关的影响因素。
6.根据权利要求5所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于：力学性能计算模型包括屈服强度模型、抗拉强度模型和延伸率模型，具体为：
7.根据权利要求5所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于：步骤S2
8.根据权利要求4所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于：步骤S31中，采用粒子群优化算法对不同成分和工艺条件下的力学性能模型参数进行优化。
9.根据权利要求4所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤S33中，对比计算结果和实测力学性能，精确度评价使用均方根误差RMSE和决定系数R2公式为：
...【技术特征摘要】
1.一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤s1中采集数据包括钢板成分规格参数、热轧工艺参数和力学性能数据，对数据预处理包括：
3.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤s2包括：
4.根据权利要求1所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤s3包括：
5.根据权利要求3所述的一种物理冶金指导的热轧钢材力学性能机器学习方法，其特征在于，步骤s21中具体为：根据力学性能计算模型，分析加热过程中奥氏体晶粒长大，轧制过程中再结晶、晶粒长大和析出，冷却过程中的相变行为相关的影响因素...
【专利技术属性】
技术研发人员：曹光明，曹阳，吴思炜，周晓光，王凌越，张栩源，张泰，常啸，王厚昕，罗登，杨艳，杨文志，汪贺模，刘振宇，
申请(专利权)人：东北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。