论文部分内容阅读
本课题用人工神经网络(ANN)预测了新型空冷贝氏体钢的CCT图。作者建立了ANN模型,对影响其预测性能的因素进行了研究,并用ANN模型分析了合金元素对CCT图的定量影响,最后,将ANN模型用于新型空冷贝氏体钢的辅助合金设计工作中。
作者通过综合考虑CCT图的物理意义和几何特征,建立了ANN模型。用于预测高温和中温转变区的ANN模型进行了创新:模型的输入节点增加了一个变量——“冷却速度”,这使得数据库中训练样本的数量大大增加,有利于提高ANN模型的预测精度。
用“舍一法”训练了ANN模型,并对影响其预测精度的因素进行了研究。研究表明:对某个ANN模型,其隐含层的节点数存在一个最佳值,此时模型的预测精度最高,节点数低于或超过此最佳值,ANN模型的预测精度均会下降。训练样本的相对数量对ANN模型的预测性能也有影响:对一个确定的模型,训练样本的相对数量越大,模型的预测精度越高。作者还研究了训练样本的归一化处理对ANN模型预测精度的影响,研究表明,归一化处理对预测精度的影响不确定。
作者首次用ANN模型分析了合金元素对新型空冷贝氏体钢CCT图的定量影响,并结合实验结果进行了研究。研究发现:ANN模型的计算结果与材料科学理论和实验结果基本相符。合金元素对CCT图的影响是非线性的。C推迟高温和中温转变并使转变温度下降;Si使高温转变区向左上方移动,使贝氏体转变区向右下方移动;Mn和Ni均推迟高温和中温转变并使转变温度降低,此外,它们的含量存在一个“临界范围”(1.6-2.0%Mn和0.4-1.1%Ni之间),超过此范围,会强烈推迟高温和中温转变;Cr和Mo均会推迟高温和中温转变。合金元素对CCT图的非线性影响可认为是由合金元素对相变的复杂的影响机制以及它们间存在的交互作用造成的。
在预测CCT图的基础上用ANN模型进行了贝氏体钢的辅助合金设计。