导读:本文包含了力学性能预报论文开题报告文献综述及选题提纲参考文献，主要关键词:热轧带钢,力学性能预报,误差分布,误差补偿
力学性能预报论文文献综述
李飞飞,宋勇,刘超,贾仁君,李博[1]（2019）在《热轧带钢力学性能预报模型的误差分布建模研究》一文中研究指出目前热轧带钢力学性能预报模型在实际应用过程中可靠性不高,不能给出预测结果的误差范围。为此,以某钢厂薄板坯连铸连轧CSP生产线的屈服强度预报模型为例,通过建立误差分布预测模型优化和提高原机理模型的准确率和稳定性。首先采用度量学习方法对生产过程数据中隐藏的工况进行划分,并通过可视化方法进行验证;然后通过主成分分析对度量学习后的数据样本进行降维,针对不同工况分别使用逻辑回归算法建立误差分布预测模型。利用该误差分布预测模型对原模型进行补偿后,采用十折十次交叉验证,屈服强度在±30 MPa误差区间下的预测准确率达到96%以上,且具有较高的预测稳定性。(本文来源于《冶金自动化》期刊2019年06期）
胡石雄[2]（2019）在《基于深度学习的热轧带钢力学性能预报》一文中研究指出随着工业的飞速发展,建筑、汽车、船舶、铁路管道等众多领域对热轧带钢产品性能的要求日益严苛。如何精准预报热轧带钢的力学性能,对广大钢铁企业的进一步发展具有重要意义。深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)的一个重要研究方向。随着计算机硬件性能的不断提升,数据量的积累日益增多,深度学习以其出色的特征提取能力受到越来越多科研工作者的青睐,其中最具代表性的模型便是卷积神经网络(CNN,Convolutional Neural Network)。经过随机初始化后的卷积神经网络能够从大量图像数据中自动学习图像的特征,其局部连接方式和权值共享特性能有效减少了模型中需要计算的参数个数,降低了模型复杂度。基于以上分析,本文提出基于深度学习技术的热轧带钢力学性能预报模型。首先,本文基于深度前馈神经网络建立了热轧带钢力学性能预报模型,以抗拉强度作为研究对象。实验结果表明在热轧带钢力学性能预报建模问题上,深度前馈神经网络有不错的效果。然后,考虑到一维数值型数据难以表达出影响因素间复杂的交互作用关系,提出将一维数值型数据转换为二维图像和叁维图像数据进行建模。接着,针对卷积神经网络模型的结构和参数选择上进行大量对比实验,优化确定模型的结构,并验证了该卷积神经网络模型结构在热轧带钢力学性能预报问题上的有效性和优越性。最后,通过融合LeNet-5和GoogLeNet卷积神经网络,构建出一种新型网络结构的热轧带钢力学性能预报模型。为验证改进模型的有效性和可靠性,本文基于大量的热轧生产过程实测数据对改进后的模型进行了测试。实验结果表明,改进后的模型能有效提高热轧带钢力学性能预报的精度。(本文来源于《武汉科技大学》期刊2019-05-01）
魏震[3]（2019）在《SPS舱口盖结构力学性能优化及预报》一文中研究指出钢聚氨酯夹层板(Sandwich Plate System,SPS)结构因其具有质量轻、吸能好、隔音降噪等良好的性能,在工程领域有着广泛的应用,特别在船舶建造、维修等方面成为关注热点。本文以轻量化设计为目标,使用SPS夹层板替代钢制舱盖板,形成SPS舱口盖结构设计方案;基于力学性能分析,采用基于Box-Behnken试验设计(BBD)的响应面法对结构力学性能进行优化设计,得到SPS舱口盖结构优化方案,并建立随机森林(Random Forest,RF)预测模型,实现对结构力学性能的准确预报。本文主要研究内容如下:(1)通过对比序列二次规划法、梯度优化等优化设计方法,结合本文SPS舱口盖的结构特性,采用精度较高、操作简单的响应面法进行结构优化,并对响应面法的试验设计流程、优化过程和模型检验等方面进行了详细介绍;为实现SPS舱口盖结构力学性能的预报,引入基于决策树思想的随机森林回归算法,介绍了模型的建立过程以及预测结果的检验方法。(2)以等重设计为初始,以传统钢制舱口盖为替代目标,提出SPS舱口盖叁种设计方案,并考虑加工工艺优选出一种方案作为进一步优化方案。对钢制舱口盖和优选出的SPS舱口盖结构进行静强度分析,得到结构的变形和应力结果。(3)以轻量化为优化设计目标,采用基于BBD试验设计方法的响应面法,对SPS舱口盖进行优化设计:以结构变形和等效应力作为优化目标,结构尺寸及质量为约束条件,建立响应面模型,得到减重的SPS舱口盖优化设计方案;为满足工艺加工要求,调整优化后的结构尺寸,形成两种优化方案。(4)对两种优化方案进行静强度计算,得到相应的SPS舱口盖结构变形和应力,并与优化前结构进行对比。结果表明,优化后的结构变形分别减少了32.58%和34.67%,结构应力分别减少了27.49%和30.04%,强度刚度均满足要求;优化方案比替代目标分别减重了10.04%和8.31%。(5)建立SPS舱口盖结构的性能预报模型:使用BBD试验设计产生的SPS舱口盖数据为样本集,采用bootstrap重抽样法在样本集中随机抽取多个子数据集,分析数据并建立了关于SPS舱口盖结构变形与应力的随机森林回归模型。(6)实现SPS舱口盖力学性能的准确预测:分别采用随机森林回归模型和线性回归模型,对SPS舱口盖结构进行力学性能预报,并对预测结果进行了对比分析。结果表明,本文所建立的随机森林回归模型具有较高的精度,预测结果更为准确。(本文来源于《江苏科技大学》期刊2019-04-25）
胡石雄,李维刚,杨威[4]（2018）在《基于卷积神经网络的热轧带钢力学性能预报》一文中研究指出为解决热轧带钢力学性能预报精度的问题,本文提出了一种将一维数值型数据转换为二维图像型数据的建模方法,基于LeNet-5和GoogLeNet卷积神经网络,构建了一种新型的热轧带钢力学性能预报模型,并利用实际生产数据对模型的适用性进行了测试。结果表明,所建模型的抗拉强度预报误差为2.49%,均方根误差为19.15 MPa,预测精度高于BP神经网络和单独的LeNet-5和GoogleNet卷积神经网络模型,所建模型的有效性和准确性均得到了验证。(本文来源于《武汉科技大学学报》期刊2018年05期）
冯洋子[5]（2018）在《基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型》一文中研究指出进入21世纪,随着航空、航天、电子、特别是汽车等领域对轻量化的要求日益迫切,镁合金其诸多性能尤其是密度小的性能特点被广泛重视,然而,镁合金在应用过程中其抗腐蚀和塑形能力差这两个技术瓶颈严重制约其广泛应用。突破其固有技术瓶颈愈加成为研究领域热点。传统研究和加工过程的影响因素十分复杂多变,造成试验结果的不稳定,尤其是镁合金的活泼性导致冶金质量不稳定性,这些因素必然会导致研究过程中的实验数据波动大、结论准确性低、工作量大、时间长、成本高等一系列缺点。为此,人工智能研究方法引入材料科学研究领域日趋广泛,虽然也覆盖了镁合金研究领域,但应用于腐蚀性能研究几乎未见报道。所以本论文在课题组前面工作的基础上,采用BP神经网络和遗传算法的原理及其特点,建立镁合金腐蚀性能和力学性能的预报模型,主要成果如下:1)基于镁合金的腐蚀性能的数据,建立AZ31、AZ91两种镁合金以离心压力、腐蚀时间、Fe元素含量、第二相含量为输入,腐蚀深度为输出的采用遗传算法优化的4-8-1叁层BP神经网络预报模型,用相同条件下不同腐蚀时间所造成的腐蚀深度差异,从而定量的表征耐腐蚀性能高低,该预报模型能较为够精确的预报腐蚀深度,从而利用了腐蚀深度的比较样本和期望值之间的误差很好的表征腐蚀性能。经过遗传算法优化的BP神经网络预报模型,腐蚀深度的平均绝对误差由7.3%降到2.3%,最大误绝对误差小于3.0%,传统BP神经网络的均方根误差为0.6835,遗传算法优化的BP神经网络的均方根误差为0.3924。因此遗传算法优化的神经网络预报模型与传统的BP神经网络预报模型相比,具备更高的预测精度,从而能够较好地预测镁合金的腐蚀性能。2)基于AZ31、AZ91两种镁合金的196组力学性能实验结果和有关数据资料,在对数据分析和整理的基础上,以合金元素、变形温度、变形速率、变形系数、固溶温度、固溶时间、时效温度、时效时间为输入,以抗拉强度(UTS)、屈服强度(YS)、延伸率(ELO)为输出,利用遗传算法优化的8-8-1叁层BP神经网络预报模型进行数据训练,训练结果表明:该预报模型可以比较精确地预报抗拉强度、屈服强度和延伸率,AZ31,AZ91两种镁合金的抗拉强度的绝对平均误差由2.80%降到0.88%和1.2%;屈服强度的绝对平均误差由6.62%降到3.3%和3.0%;延伸率的绝对平均误差由10.16%降到8.0%和7.8%,传统BP神经网络的均方根误差为0.7502,遗传算法优化的BP神经网络的均方根误差为0.4139,与一般的BP神经网络预报模型相比,具有较高的预测精度。(本文来源于《西安建筑科技大学》期刊2018-06-01）
李维刚,杨威,赵云涛,胡恒法[6]（2018）在《融合大数据与冶金机理的热轧带钢力学性能预报模型》一文中研究指出融合工业大数据与冶金机理,提出一种全局可加型热轧带钢力学性能预报模型。首先,给出一套系统的、具有一定通用意义的建模方法,包括:综合应用随机森林、因果图、贝叶斯网等数据挖掘方法,并结合冶金机理与人的先验知识筛选模型的影响因素;接着,构建一元无交互作用广义可加模型,包括数据清洗、子模型建立、子模型验证、子模型修正等环节;探明各影响因素之间的交互作用,构建二元有交互作用的广义可加模型;分析各子模型之间的关系,将各子模型整合构建整体模型。最后,对上述建模方法进行了应用验证,利用大量热轧含铌微合金钢生产数据,建立微合金钢产品力学性能预报模型,获得工艺、成分对力学性能的影响规律,新模型对钢材抗拉强度的预报误差为2.51%。上述研究为复杂工业系统数学建模提供了新的思路。(本文来源于《钢铁研究学报》期刊2018年04期）
李维刚,刘超,杨威,严保康[7]（2017）在《热轧微合金钢力学性能预报模型研究》一文中研究指出提出一种融合工业大数据与冶金机理的钢材力学性能建模方法,借助冶金机理和实际生产数据对各要素的影响进行剖析、把复杂问题拆分成若干子问题。首先,综合运用随机森林、贝叶斯网、因果图等数据挖掘方法,并结合冶金机理与人的先验知识筛选模型的影响因素;接着,根据确定的影响因素,构建热轧带钢力学性能预报模型,包括数据清洗、子模型建立、子模型验证等环节。最后,针对某热连轧机组进行了微合金钢力学性能建模实验,采用叁次光滑样条非参数估计方法求得各自变量的单变量光滑函数,从而获得成分、碳氮化物及工艺参数对力学性能的影响曲线。实际预测实践表明,抗拉强度、屈服强度的预测误差分别为2.54%和3.34%,新模型具有计算精度高、适应能力强等优点,可为微合金钢产品的优化设计提供参考。(本文来源于《第十一届中国钢铁年会论文集——S18.冶金自动化与智能管控》期刊2017-11-21）
顼晓梅,刘庆民,杜明山,齐玉珍,赵文成[8]（2014）在《BP神经网络及其在热轧带钢力学性能预报中的应用》一文中研究指出本文介绍了BP神经网络系统,并且以热轧DC01带钢为例,通过实验的方法确定了热轧DC01带钢抗拉强度、屈服强度及延伸率的BP网络的结构;并根据实际生产中的热轧DC01带钢的化学成分、厚度及抗拉强度、屈服强度、断后伸长率数据,用Matalab语言建立了热轧DC01带钢力学性能与化学成分之间关系的BP网络模型与抗拉强度预报系统。测试表明,该力学性能预报系统精度高于线性回归方法,解决了线性回归分析预测精度低的问题,对热轧带钢的生产具有一定的实际应用价值。(本文来源于《第195场中国工程科技论坛——中国科学仪器设备与试验技术发展高峰论坛（PFIT'2014）、第四届中国能力验证与标准样品论坛（4th RM & PT）、ICASI'2014 CCATM'2014国际冶金及材料分析测试学术报告会会议摘要》期刊2014-10-19）
王大群[9]（2014）在《D406A钢焊接构件梯度热处理工艺及力学性能预报》一文中研究指出本文探究了D406A钢原始态、焊态及传统热处理后D406A钢焊接构件的组织结构和力学性能，对比分析了梯度热处理（空间梯度循环淬火+时间梯度热处理）对焊接构件组织和力学性能的影响，其中空间梯度循环淬火热处理为仅对构件焊缝区进行的处理，时间梯度热处理为对构件整体进行的处理。并且以梯度热处理工艺参数及拉伸力学性能测试结果为数据源，构建人工神经网络模型实现对焊接构件拉伸力学性能的预测。通过金相显微镜及扫描电子显微镜观测热处理后焊接构件显微结构及拉伸断口形貌。通过XRD鉴定不同热处理后焊接构件所含物相。通过CMT5305型电子万能试验机和HV-5型显微维氏硬度计进行力学性能测试。通过MATLAB软件进行人工神经网络创建、训练和预测。研究结果表明，D406A钢原始态组织为粒状珠光体。焊态下构件焊缝区为马氏体相，结构较粗大且不均匀，母材区为粒状珠光体相，组织结构状态最佳，热影响区组织结构相对较复杂。空间梯度循环淬火热处理能有效的细化焊接构件焊缝区组织，并影响后续热处理后焊接构件焊缝区组织状态。传统热处理及梯度热处理后焊接构件组织中皆主要为马氏体相，但XRD结果显示梯度热处理后焊接构件中存在一定量的奥氏体相。传统热处理后焊接构件的抗拉强度能达到1730MPa，延伸率能仅为9.3%。梯度热处理后构件延伸率最高可以达到13.67%，但抗拉强度降至1546MPa。不同热处理后，拉伸断口都存在较多韧窝，断裂机制均为微孔聚集型断裂，但梯度热处理后拉伸断口韧窝更深而且分布较均匀。焊态下，母材区硬度值小于焊缝区及热影响区硬度值。经过传统热处理或梯度热处理后，母材区硬度值最高，焊缝区硬度值最低。而经过梯度热处理后，焊接构件整体硬度值低于经过传统热处理后焊接构件整体硬度值。基于梯度热处理后焊接构件拉伸力学性能测试结果，构建BP神经网络模型。关于抗拉强度及延伸率的BP网络训练结果均良好，相关性可以达到0.999和0.999，能较好的逼近训练数据源中梯度热处理工艺参数与焊接构件力学性能之间的映射。通过BP网络得到其抗拉强度及延伸率的预测值均在实测值上下波动，且对抗拉强度的预测准确性高于对延伸率的预测准确性。(本文来源于《哈尔滨工业大学》期刊2014-07-01）
杨洋,陶歆,施伟[10]（2014）在《基于遗传算法BP人工神经网络的热轧带钢力学性能预报探讨》一文中研究指出介绍了基于遗传算法BP神经网络原理建立了热轧力学带钢力学性能预报模型,并用该模型对某带钢厂产品的力学性能进行预报。对比预测结果与真实数据结果:屈服强度、抗拉强度、延伸率最大误差分别为2.6%、2.4%、3.1%。最后总结了进一步提高神经网络预报性能的方法。(本文来源于《工业控制计算机》期刊2014年06期）
力学性能预报论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着工业的飞速发展,建筑、汽车、船舶、铁路管道等众多领域对热轧带钢产品性能的要求日益严苛。如何精准预报热轧带钢的力学性能,对广大钢铁企业的进一步发展具有重要意义。深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)的一个重要研究方向。随着计算机硬件性能的不断提升,数据量的积累日益增多,深度学习以其出色的特征提取能力受到越来越多科研工作者的青睐,其中最具代表性的模型便是卷积神经网络(CNN,Convolutional Neural Network)。经过随机初始化后的卷积神经网络能够从大量图像数据中自动学习图像的特征,其局部连接方式和权值共享特性能有效减少了模型中需要计算的参数个数,降低了模型复杂度。基于以上分析,本文提出基于深度学习技术的热轧带钢力学性能预报模型。首先,本文基于深度前馈神经网络建立了热轧带钢力学性能预报模型,以抗拉强度作为研究对象。实验结果表明在热轧带钢力学性能预报建模问题上,深度前馈神经网络有不错的效果。然后,考虑到一维数值型数据难以表达出影响因素间复杂的交互作用关系,提出将一维数值型数据转换为二维图像和叁维图像数据进行建模。接着,针对卷积神经网络模型的结构和参数选择上进行大量对比实验,优化确定模型的结构,并验证了该卷积神经网络模型结构在热轧带钢力学性能预报问题上的有效性和优越性。最后,通过融合LeNet-5和GoogLeNet卷积神经网络,构建出一种新型网络结构的热轧带钢力学性能预报模型。为验证改进模型的有效性和可靠性,本文基于大量的热轧生产过程实测数据对改进后的模型进行了测试。实验结果表明,改进后的模型能有效提高热轧带钢力学性能预报的精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
力学性能预报论文参考文献
[1].李飞飞,宋勇,刘超,贾仁君,李博.热轧带钢力学性能预报模型的误差分布建模研究[J].冶金自动化.2019
[2].胡石雄.基于深度学习的热轧带钢力学性能预报[D].武汉科技大学.2019
[3].魏震.SPS舱口盖结构力学性能优化及预报[D].江苏科技大学.2019
[4].胡石雄,李维刚,杨威.基于卷积神经网络的热轧带钢力学性能预报[J].武汉科技大学学报.2018
[5].冯洋子.基于遗传算法BP神经网络建立镁合金腐蚀性能和力学性能的预报模型[D].西安建筑科技大学.2018
[6].李维刚,杨威,赵云涛,胡恒法.融合大数据与冶金机理的热轧带钢力学性能预报模型[J].钢铁研究学报.2018
[7].李维刚,刘超,杨威,严保康.热轧微合金钢力学性能预报模型研究[C].第十一届中国钢铁年会论文集——S18.冶金自动化与智能管控.2017
[8].顼晓梅,刘庆民,杜明山,齐玉珍,赵文成.BP神经网络及其在热轧带钢力学性能预报中的应用[C].第195场中国工程科技论坛——中国科学仪器设备与试验技术发展高峰论坛（PFIT'2014）、第四届中国能力验证与标准样品论坛（4thRM&PT）、ICASI'2014CCATM'2014国际冶金及材料分析测试学术报告会会议摘要.2014
[9].王大群.D406A钢焊接构件梯度热处理工艺及力学性能预报[D].哈尔滨工业大学.2014
[10].杨洋,陶歆,施伟.基于遗传算法BP人工神经网络的热轧带钢力学性能预报探讨[J].工业控制计算机.2014