热镀锌钢卷力学性能GBDT预报模型

发布时间：2021-01-04 13:15

　　针对热镀锌钢卷力学性能预报建模条件属性选取难、预报精度不足的问题,研究热镀锌钢卷力学性能梯度提升树（gradient boosting decision tree, GBDT）预报模型.利用互信息差算法综合评估工艺参数、化学成分和钢卷尺寸参数等条件属性的相对重要性以及属性之间的冗余性,进行模型条件属性筛选;采用同分布原理进行样本划分,结合网格搜索法和交叉验证法优化模型参数,建立力学性能GBDT预报模型;并将GBDT模型预报结果与随机森林（random forest, RF）、 AdaBoost算法和BP神经网络的预报结果进行比较.结果表明:GBDT模型优于其他模型, 90%的数据样本预测的绝对误差小于14.24 MPa, 94.6%的数据样本相对误差在6%范围内,具有更高的预测精度. 

【文章来源】：福州大学学报(自然科学版). 2020年05期 北大核心

【文章页数】：8 页

【部分图文】：

热镀锌钢卷力学性能预报流程图

在模型训练与评估开始前要进行各阶段数据集准备, 采用随机同分布与五折交叉验证理论划分训练集、 验证集和测试集. 首先将完备数据集以7∶3的比例随机同分布划分出建模数据集和测试集; 其次采用交叉验证法对用于模型训练的建模数据集进行划分,将建模数据集划分成5个大小相似, 分布一致的互斥子集, 每次使用其中4个子集的并集作为训练集, 余下的一个子集作为验证集, 利用划分好的5份建模数据集, 分别建立5个模型, 最后将5个模型在测试集样本上预测结果的平均值作为模型输出. 如图2所示, 五折交叉验证训练模型的验证集依次为D5, D4, D3, D2, D1, 等价于采用全部建模数据用于监督模型训练, 使数据利用率达100%.2 基于互信息差的力学性能预报模型条件属性筛选

影响热镀锌钢卷力学性能的主要因素包括化学成分、 热轧工艺参数、 冷轧工艺参数、 连续退火工艺参数、 平整和拉矫工艺参数. 化学成分是力学性能的基础, 碳、 锰含量变化对带钢抗拉力学性能有明显影响, 屈服强度随铝质量分数的增大而减小、 有利于提高冲压性能, N含量过高会影响钢卷表面质量和加工性能, Nb、 Ti等微量合金通过细化晶粒和沉淀强化影响钢卷的力学性能. 热轧加热、 终轧以及卷取温度影响铁素体晶粒大小以及氮化铝析出物的含量. 冷轧压下率对冷轧带钢中轧制织构和后道退火工序中再结晶织构有重要影响. 带钢在连续退火炉中通过加热、 保温、 冷却, 消除冷轧后的加工硬化和实现再结晶过程,从而影响力学性能. 平整通过小压下量的轧制变形, 消除明显的屈服延伸, 改善板形, 获得所需要的带钢表面形貌. 拉矫通过对钢材拉伸弯曲矫直, 改善板形、 力学性能.将影响力学性能的主要因素作为条件属性, 包括尺寸参数、 化学成分和工艺参数共50维属性. 其中尺寸参数与冷轧压下率有关, 热轧、 退火、 平整和拉矫工艺参数包括每个钢卷的最大值、 最小值和平均值.

【参考文献】：
期刊论文
[1]基于Adaboost的填充式防护结构超高速撞击损伤预测[J]. 丁文哲,李新洪,杨虹.  北京航空航天大学学报. 2019(01)
[2]基于梯度提升决策树的高速公路交织区汇入模型[J]. 李根.  东南大学学报(自然科学版). 2018(03)
[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]非平衡基因数据的差异表达基因选择算法研究[J]. 谢娟英,王明钊,周颖,高红超,许升全.  计算机学报. 2019(06)
[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]宝钢热镀锌钢板的开发与展望[J]. 谢英秀,金鑫焱,王利.  宝钢技术. 2017(01)
[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]热轧C-Mn钢工业大数据预处理对模型的改进作用[J]. 吴思炜,周晓光,曹光明,史乃安,刘振宇,王国栋.  钢铁. 2016(05)
[9]离心式压缩机定期维修周期及可靠性研究[J]. 裴峻峰,郑庆元,姜海一,于志远,郭泽亮,董雪.  中国石油大学学报(自然科学版). 2014(06)
[10]神经网络在热镀锌板力学性能预测中的应用[J]. 贺俊光,巩晓阳,周旭东,王顺兴,李俊.  钢铁研究. 2005(03)



本文编号：2956828