針對(duì)熱鍍鋅鋼卷力學(xué)性能預(yù)報(bào)建模條件屬性選取難、預(yù)報(bào)精度不足的問題,研究熱鍍鋅鋼卷力學(xué)性能梯度提升樹（gradient boosting decision tree, GBDT）預(yù)報(bào)模型.利用互信息差算法綜合評(píng)估工藝參數(shù)、化學(xué)成分和鋼卷尺寸參數(shù)等條件屬性的相對(duì)重要性以及屬性之間的冗余性,進(jìn)行模型條件屬性篩選;采用同分布原理進(jìn)行樣本劃分,結(jié)合網(wǎng)格搜索法和交叉驗(yàn)證法優(yōu)化模型參數(shù),建立力學(xué)性能GBDT預(yù)報(bào)模型;并將GBDT模型預(yù)報(bào)結(jié)果與隨機(jī)森林（random forest, RF）、 AdaBoost算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果進(jìn)行比較.結(jié)果表明:GBDT模型優(yōu)于其他模型, 90%的數(shù)據(jù)樣本預(yù)測(cè)的絕對(duì)誤差小于14.24 MPa, 94.6%的數(shù)據(jù)樣本相對(duì)誤差在6%范圍內(nèi),具有更高的預(yù)測(cè)精度. 

【文章來(lái)源】：福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020年05期 北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

熱鍍鋅鋼卷力學(xué)性能預(yù)報(bào)流程圖

在模型訓(xùn)練與評(píng)估開始前要進(jìn)行各階段數(shù)據(jù)集準(zhǔn)備, 采用隨機(jī)同分布與五折交叉驗(yàn)證理論劃分訓(xùn)練集、 驗(yàn)證集和測(cè)試集. 首先將完備數(shù)據(jù)集以7∶3的比例隨機(jī)同分布劃分出建模數(shù)據(jù)集和測(cè)試集; 其次采用交叉驗(yàn)證法對(duì)用于模型訓(xùn)練的建模數(shù)據(jù)集進(jìn)行劃分,將建模數(shù)據(jù)集劃分成5個(gè)大小相似, 分布一致的互斥子集, 每次使用其中4個(gè)子集的并集作為訓(xùn)練集, 余下的一個(gè)子集作為驗(yàn)證集, 利用劃分好的5份建模數(shù)據(jù)集, 分別建立5個(gè)模型, 最后將5個(gè)模型在測(cè)試集樣本上預(yù)測(cè)結(jié)果的平均值作為模型輸出. 如圖2所示, 五折交叉驗(yàn)證訓(xùn)練模型的驗(yàn)證集依次為D5, D4, D3, D2, D1, 等價(jià)于采用全部建模數(shù)據(jù)用于監(jiān)督模型訓(xùn)練, 使數(shù)據(jù)利用率達(dá)100%.2 基于互信息差的力學(xué)性能預(yù)報(bào)模型條件屬性篩選

影響熱鍍鋅鋼卷力學(xué)性能的主要因素包括化學(xué)成分、 熱軋工藝參數(shù)、 冷軋工藝參數(shù)、 連續(xù)退火工藝參數(shù)、 平整和拉矯工藝參數(shù). 化學(xué)成分是力學(xué)性能的基礎(chǔ), 碳、 錳含量變化對(duì)帶鋼抗拉力學(xué)性能有明顯影響, 屈服強(qiáng)度隨鋁質(zhì)量分?jǐn)?shù)的增大而減小、 有利于提高沖壓性能, N含量過高會(huì)影響鋼卷表面質(zhì)量和加工性能, Nb、 Ti等微量合金通過細(xì)化晶粒和沉淀強(qiáng)化影響鋼卷的力學(xué)性能. 熱軋加熱、 終軋以及卷取溫度影響鐵素體晶粒大小以及氮化鋁析出物的含量. 冷軋壓下率對(duì)冷軋帶鋼中軋制織構(gòu)和后道退火工序中再結(jié)晶織構(gòu)有重要影響. 帶鋼在連續(xù)退火爐中通過加熱、 保溫、 冷卻, 消除冷軋后的加工硬化和實(shí)現(xiàn)再結(jié)晶過程,從而影響力學(xué)性能. 平整通過小壓下量的軋制變形, 消除明顯的屈服延伸, 改善板形, 獲得所需要的帶鋼表面形貌. 拉矯通過對(duì)鋼材拉伸彎曲矯直, 改善板形、 力學(xué)性能.將影響力學(xué)性能的主要因素作為條件屬性, 包括尺寸參數(shù)、 化學(xué)成分和工藝參數(shù)共50維屬性. 其中尺寸參數(shù)與冷軋壓下率有關(guān), 熱軋、 退火、 平整和拉矯工藝參數(shù)包括每個(gè)鋼卷的最大值、 最小值和平均值.

【參考文獻(xiàn)】：
期刊論文
[1]基于Adaboost的填充式防護(hù)結(jié)構(gòu)超高速撞擊損傷預(yù)測(cè)[J]. 丁文哲,李新洪,楊虹.  北京航空航天大學(xué)學(xué)報(bào). 2019(01)
[2]基于梯度提升決策樹的高速公路交織區(qū)匯入模型[J]. 李根.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[3]基于隨機(jī)森林的鋼材性能預(yù)報(bào)與影響因素篩選[J]. 楊威,李維剛,趙云濤,嚴(yán)�？�,王文波.  鋼鐵. 2018(03)
[4]非平衡基因數(shù)據(jù)的差異表達(dá)基因選擇算法研究[J]. 謝娟英,王明釗,周穎,高紅超,許升全.  計(jì)算機(jī)學(xué)報(bào). 2019(06)
[5]熱軋含Nb高強(qiáng)鋼力學(xué)性能預(yù)報(bào)模型[J]. 李維剛,胡石雄,劉斌,趙剛,胡恒法.  冶金自動(dòng)化. 2017(02)
[6]寶鋼熱鍍鋅鋼板的開發(fā)與展望[J]. 謝英秀,金鑫焱,王利.  寶鋼技術(shù). 2017(01)
[7]熱軋帶鋼組織性能預(yù)報(bào)模型及應(yīng)用[J]. 王蕾,唐荻,宋勇.  鋼鐵. 2016(11)
[8]熱軋C-Mn鋼工業(yè)大數(shù)據(jù)預(yù)處理對(duì)模型的改進(jìn)作用[J]. 吳思煒,周曉光,曹光明,史乃安,劉振宇,王國(guó)棟.  鋼鐵. 2016(05)
[9]離心式壓縮機(jī)定期維修周期及可靠性研究[J]. 裴峻峰,鄭慶元,姜海一,于志遠(yuǎn),郭澤亮,董雪.  中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(06)
[10]神經(jīng)網(wǎng)絡(luò)在熱鍍鋅板力學(xué)性能預(yù)測(cè)中的應(yīng)用[J]. 賀俊光,鞏曉陽(yáng),周旭東,王順興,李俊.  鋼鐵研究. 2005(03)



本文編號(hào)：2956828