熱軋帶鋼的力學(xué)性能預(yù)報始興于上世紀(jì)的70年代,是鋼鐵冶金行業(yè)關(guān)注的難點(diǎn)問題,是一項(xiàng)非常復(fù)雜的冶金前沿技術(shù),具有廣闊的應(yīng)用前景和深遠(yuǎn)的科學(xué)意義。構(gòu)建具有較高精度及可靠性的鋼材力學(xué)性能預(yù)報模型,有助于對現(xiàn)有鋼種的成分和工藝參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)以及設(shè)計(jì)新鋼種,提升帶鋼產(chǎn)品性能、降低生產(chǎn)成本,增強(qiáng)企業(yè)競爭力。熱軋帶鋼的力學(xué)性能受成分、工藝等因素的影響,各影響因素之間又相互耦合,作用機(jī)理復(fù)雜。為此,本文提出了一種融合生產(chǎn)數(shù)據(jù)與冶金機(jī)理的力學(xué)性能建模方法,借助生產(chǎn)數(shù)據(jù)與冶金機(jī)理對各因素的影響進(jìn)行深入剖析,將復(fù)雜的高維非線性問題拆分為若干個子問題。利用隨機(jī)森林算法對熱軋帶鋼力學(xué)性能的影響因素進(jìn)行篩選,實(shí)現(xiàn)了對模型的有效降維;采用孤立森林算法對熱軋生產(chǎn)過程異常數(shù)據(jù)進(jìn)行清洗,提高建模數(shù)據(jù)的質(zhì)量;建立熱軋帶鋼力學(xué)性能廣義可加預(yù)報模型,采用三次樣條函數(shù)對各成分、工藝因素對應(yīng)的子模型進(jìn)行擬合,運(yùn)用局部積分算法對各子模型進(jìn)行計(jì)算和修正,從而分別建立了熱軋帶鋼屈服強(qiáng)度、抗拉強(qiáng)度及延伸率的預(yù)測模型。經(jīng)實(shí)驗(yàn)驗(yàn)證,模型具有較高的預(yù)測精度與可靠性。提出了一種多精英解引導(dǎo)的多目標(biāo)鯨魚優(yōu)化算法。采用基于反向?qū)W習(xí)的種群初始化策略使... 

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
第2章 熱軋帶鋼力學(xué)性能預(yù)報模型的構(gòu)建方法
    2.1 建模步驟
    2.2 隨機(jī)森林篩選影響因素
        2.2.1 隨機(jī)森林算法
        2.2.2 重要性評價指標(biāo)
    2.3 孤立森林清洗異常數(shù)據(jù)
    2.4 三次樣條函數(shù)估計(jì)子模型
    2.5 局部積分算法求解子模型
    2.6 本章小結(jié)
第3章 微合金鋼力學(xué)性能預(yù)報實(shí)驗(yàn)驗(yàn)證
    3.1 模型影響因子的篩選
        3.1.1 數(shù)據(jù)集的獲取
        3.1.2 隨機(jī)森林評價指標(biāo)
        3.1.3 影響因子的重要性
    3.2 建模異常數(shù)據(jù)的清洗
        3.2.1 數(shù)據(jù)集的異常分值
        3.2.2 數(shù)據(jù)清洗前后模型對比
    3.3 力學(xué)性能預(yù)報模型的構(gòu)建
    3.4 本章小結(jié)
第4章 基于多精英解引導(dǎo)的多目標(biāo)鯨魚優(yōu)化算法
    4.1 多目標(biāo)優(yōu)化基本概念
    4.2 標(biāo)準(zhǔn)單目標(biāo)鯨魚優(yōu)化算法
    4.3 多目標(biāo)鯨魚優(yōu)化算法
        4.3.1 算法框架
        4.3.2 基于反向?qū)W習(xí)的種群初始化
        4.3.3 精英解的選取和子代的產(chǎn)生
        4.3.4 鯨魚優(yōu)化算法的改進(jìn)
    4.4 實(shí)驗(yàn)仿真
    4.5 本章小結(jié)
第5章 熱軋帶鋼產(chǎn)品的多目標(biāo)優(yōu)化設(shè)計(jì)
    5.1 熱軋帶鋼產(chǎn)品的多目標(biāo)優(yōu)化設(shè)計(jì)模型
    5.2 微合金鋼產(chǎn)品優(yōu)化設(shè)計(jì)實(shí)驗(yàn)及結(jié)果
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 特點(diǎn)與創(chuàng)新
    6.3 不足與展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間發(fā)表的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]精英反向黃金正弦鯨魚算法及其工程優(yōu)化研究[J]. 肖子雅,劉升.  電子學(xué)報. 2019(10)
[2]微合金鋼碳氮化物析出的熱力學(xué)仿真[J]. 李維剛,楊威,劉超,嚴(yán)保康.  系統(tǒng)仿真學(xué)報. 2019(03)
[3]基于Isolation Forest改進(jìn)的數(shù)據(jù)異常檢測方法[J]. 徐東,王巖俊,孟宇龍,張子迎.  計(jì)算機(jī)科學(xué). 2018(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的熱軋帶鋼力學(xué)性能預(yù)報[J]. 胡石雄,李維剛,楊威.  武漢科技大學(xué)學(xué)報. 2018(05)
[5]改進(jìn)鯨魚算法在多目標(biāo)水資源優(yōu)化配置中的應(yīng)用[J]. 沙金霞.  水利水電技術(shù). 2018(04)
[6]融合大數(shù)據(jù)與冶金機(jī)理的熱軋帶鋼力學(xué)性能預(yù)報模型[J]. 李維剛,楊威,趙云濤,胡恒法.  鋼鐵研究學(xué)報. 2018(04)
[7]模糊作業(yè)時間的拆卸線平衡Pareto多目標(biāo)優(yōu)化[J]. 汪開普,張則強(qiáng),鄒賓森,毛麗麗.  計(jì)算機(jī)工程與應(yīng)用. 2018(01)
[8]考慮安全約束的連退生產(chǎn)過程多目標(biāo)操作優(yōu)化[J]. 王顯鵬,楊立文,董志明,張博.  控制與決策. 2018(10)
[9]正余混沌雙弦鯨魚優(yōu)化算法[J]. 劉竹松,李生.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[10]柳鋼熱軋普碳鋼卷力學(xué)性能線性回歸與神經(jīng)網(wǎng)絡(luò)預(yù)報模型的對比分析[J]. 熊良友.  柳鋼科技. 2017 (01)

碩士論文
[1]非支配排序遺傳算法（NSGA）的研究與應(yīng)用[D]. 高媛.浙江大學(xué) 2006



本文編號：3658734