随着我国工业整体实力的提升和相关行业的飞速发展,工业生产方面对钢铁材料的质量水平要求越来越高。因此,在钢铁材料出厂时,必须对成品进行力学性能指标的检测,判断其是否符合相关使用场景的力学性能要求。另外,一些满足特定工作环境的新型钢铁材料希望能通过力学性能检测被更快地研发出来。金属材料的力学性能测试方法大体上可分为三类,即传统方法、专家系统方法和人工智能方法。然而,因上述方法分别存在精准性低、知识获取量不足、无联想推演和自学习能力等缺点,较难满足不断增长的热轧带钢力学性能检测需求,迫切需要新理论与方法的提出。该课题研究了一种基于大数据和机器学习的热连轧带钢力学性能智能预测方法,并采用某钢厂的近2万组热连轧生产过程数据,验证了方法的有效性。该课题的主要工作和创新点在于:(1)构建了具有20个输入属性(15种钢材成分元素和5个热轧工艺参数)和三个力学性能输出参数的基于BP神经网络的热连轧带钢力学性能预测模型,提出了一种基于遗传算法的BP神经网络参数全局寻优方法,通过采用2万组某钢厂热连轧带钢生产过程数据,对上述模型进行了训练和验证,获得了较好的预测效果。(2)在上述研究的基础上,为了进一步提升预测精度,构建了一种基于XGBoost的热连轧带钢力学性能预测模型,提出了一种基于遗传算法的XGBoost参数全局寻优方法,并采用了2万组某钢厂热连轧带钢生产过程数据,验证了模型的有效性。结果表明该模型对抗拉强度、屈服强度和伸长率的预测精度(R~2值)分别为0.99895,0.99576,0.96260,均优于BP神经网络模型。(3)针对本文所使用的数据集的具体情况,构建了热轧板带力学性能预测系统的界面框架,采用Python编程语言设计了具有友好人机交互的力学性能预测界面,包括用户管理、数据集导入、模型参数选择设置及力学性能预测系统主控制台等界面,并仿真实现了热连轧带钢力学性能的一键预测功能。