合金原料的价格不断上涨，造成钎杆材料的制造成本增加，为降低钎具原材料生产成本和机械制造成本，需要在保证质量的前提下开发和选用价格低廉的钢材。开发和选择新钎钢时，传统的方法多通过反复试验实现，耗费大量人力、物力和财力。如果能利用计算机仿真技术，预先对材料的组织和性能进行预测分析，再进行有针对性的实验，能在很大程度上降低成本。 从结构上看，钎杆属于厚壁钢管一类。因此，本文针对以上问题对厚壁钢管开展研究，包括钎钢热加工后冷却温度场的数值模拟和CCT曲线的BP神经网络预测两部分内容。通过理论研究、建模，实现了厚壁钢管热轧冷却过程的计算机仿真。 应用传热学原理，针对圆筒形钎杆的结构特征，建立了两个一维非稳态导热冷却温度场的微分方程，即厚壁钢管热加工冷却温度场模拟的数学模型。基于这两个数学模型，分别描述了厚壁钢管在空冷和风冷时，有相变潜热和无相变潜热的情况。将厚壁钢管进行单元和节点划分，并将数学模型中的微商转换为差商，借助简单有效的有限差分进行数值模拟。根据任何节点的开始时刻温度，计算下一时刻的温度，同时根据温度调整热物性参数，依次迭代，得到不同时刻不同节点的温度，实现温度场的数值模拟。 根据BP神经网络建模条件，分析CCT曲线特征，将每幅CCT图分解为八个特征区域。用BP神经网络具有非线性映照能力和逼近能力的优势，建立八个网络预测模型。分别针对每个模型，从现有的参考资料中选取低中碳合金钢的CCT图，从中提取八组输入输出参数，组成与八个模型--——m 对应的训练样本集，分别对八个网络模型进行训练使之稳定。基于稳定的网络模型，分别预测八个特征表象，最后将八个特征表象进行组合，实现了合金钢的CCT图预测。 本文以ViSUal C++6.0作为开发平台，运用上述研究的模型和方法，开发了相应的软件，完成了温度场数值模拟和CCT曲线BP神经网络预测，两者结合共同实现了厚壁钢管冷却过程计算机仿真。 通过温度场实测试验，验证了本文的数值模拟具有较高的精度，说明了温度场数学模型是合理的，并且用有限差分数值法求解时，对微商向差商转化的处理及对换热边界条件的处理都是合理的。 通过反复地参数调整、网络训练，确定了预测CCT图的八个稳定的BP神经网络预测模型结构，用稳定的模型预测CCT图，预测结果与原CCT图基本吻合。 运用本文的仿真结果，可以进一步预测金属材料的金相组织及性能。在论文最后，对研究成果进行了总结，并分析了难点，提出了需进一步完善的方面。