在钢铁生产过程中,钢坯加热及轧后冷却是极其重要的工艺环节。在此过程中,材料的温度场及微观组织都会产生较大的变化,对其最终的质量起着至关重要的作用。因此,对于加热及轧后冷却工艺的制定及优化具有十分重要的理论意义和实用价值。本文利用有限元分析方法模拟了钢坯加热及轧后冷却过程的温度场,建立了轧后冷却过程中组织演变的预测模型,并利用人工神经网络方法建立了温度场及轧后冷却过程中微观组织演变的智能化预测模型。对钢坯三段式步进式加热过程进行限元模拟,分析了加热时间、加热强度对钢坯温度场的影响,获得近3000组数据。对钢板三段式层流冷却过程进行有限元模拟,分析了冷却时间、冷却强度和钢板厚度等对钢板温度场的影响,获得近3000组数据。为下一步研究打下基础。根据计算材料科学与数理统计基本理论,建立了考虑时间尺度影响形核模型,以单位时间作为参考时间步长来确定nt的值。利用此模型通过对QP980和42CrMo晶粒尺寸进行计算得到的平均晶粒尺寸分别为23.48和22.97 μm,与查阅资料得到的实际平均值23.54和22.46 μm吻合。研究表明:考虑时间尺度影响的形核模型适用于钢板轧后冷却过程中的微观组织预测。利用神经网络建立了温度场和微观组织智能预测模型,采用X80、42CrMo和QP980加热的温度场数据及轧后冷却微观组织数据对模型进行训练。利用所建立智能预测模型对Q345E进行分析得到包括加热时间、加热炉规格及换热系数的最优加热工艺,其出炉时钢坯表面温度为1217.30℃,断面温差为7.20℃。对微合金钢进行分析得到包括冷却时间、冷却装置规格及换热系数的最优冷却工艺,其微观组织为81.61%铁素体和18.39%珠光体,平均晶粒尺寸为4.61 μm。研究表明:该预测模型也适用于对训练数据之外的材料,表明了所建立的预测模型具有较好的普适性及智能性。