基于深度学习的热轧带钢力学性能预报

发布时间：2021-03-25 19:09

　　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三维图像数据进行建模... 

【文章来源】：武汉科技大学湖北省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

Sigmoid激活函数图

tanh激活函数图

图 2.4 ReLU 激活函数图文可知，浅层神经网络又被称为只含一个隐藏层的神经网络，那么对一个的神经网络，我们都可以称其为深层神经网络。如图 2.5 表示的是

【参考文献】：
期刊论文
[1]基于卷积神经网络的热轧带钢力学性能预报[J]. 胡石雄,李维刚,杨威.  武汉科技大学学报. 2018(05)
[2]融合大数据与冶金机理的热轧带钢力学性能预报模型[J]. 李维刚,杨威,赵云涛,胡恒法.  钢铁研究学报. 2018(04)
[3]基于随机森林的钢材性能预报与影响因素筛选[J]. 杨威,李维刚,赵云涛,严保康,王文波.  钢铁. 2018(03)
[4]深层网络中的梯度消失现象[J]. 周祥全,张津.  科技展望. 2017(27)
[5]热轧含Nb高强钢力学性能预报模型[J]. 李维刚,胡石雄,刘斌,赵刚,胡恒法.  冶金自动化. 2017(02)
[6]基于大数据的力学性能预测与工艺参数筛选[J]. 吴思炜,刘振宇,周晓光,史乃安.  钢铁研究学报. 2016(12)
[7]热轧带钢组织性能预报模型及应用[J]. 王蕾,唐荻,宋勇.  钢铁. 2016(11)
[8]过程工业大数据建模研究展望[J]. 刘强,秦泗钊.  自动化学报. 2016(02)
[9]高Ti-Q550钢中Nb、Ti第二相的析出行为[J]. 解家英,张利君,王凤琴.  钢铁研究学报. 2013(03)
[10]板带热轧工艺设计与组织性能预报模拟平台开发[J]. 汪水泽,韩斌,谭文.  轧钢. 2012(06)

硕士论文
[1]基于神经网络的IF钢性能预报[D]. 樊林林.辽宁科技大学 2015
[2]数据挖掘在热轧板带质量预测中的应用[D]. 郑杨元.昆明理工大学 2009



本文编号：3100166