一种铸钢流动性预测方法技术

本发明专利技术公开了一种铸钢流动性预测方法，包括以下步骤：（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据；（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。通过本发明专利技术中神经网络模型，为铸钢零部件铸造工艺设计中铸钢流动性提供了一种预测方法，有利于促进铸造业数字化、智能化、节能化的发展。

【技术实现步骤摘要】
201610217971

【技术保护点】
一种铸钢流动性预测方法，其特征在于：包括以下步骤：（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填充完毕时式样的固相质量分数作为流动性评价指数w，所述样本数据包括铸钢材料合金成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w；（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。

【技术特征摘要】
1.一种铸钢流动性预测方法，其特征在于：包括以下步骤：（1）用不同牌号的铸钢进行螺旋形试样实验，并采集神经网络训练样本数据，取铸型填充完毕时式样的固相质量分数作为流动性评价指数w，所述样本数据包括铸钢材料合金成分C、Fe、Mn、P、S的百分含量以及流动性评价指数w；（2）建立铸钢流动性预测的神经网络模型，该神经网络类型为多层前馈型BP网络，并确定其网络拓扑结构；（3）从步骤（1）中提取部分样本数据，训练该神经网络模型；（4）用步骤（1）中剩余的样本对训练后的网络模型进行仿真测试；（5）通过训练后的神经网络模型，即可对其他牌号的铸钢进行流动性预测。2.根据权利要求1所述的一种铸钢流动性预测方法，其特征在于：所述步骤（2）中，神经网络模型的层数为三层，包括输入层、隐含层和输出层，其中输入层节点数目为5，隐含层结点数目为11，输出层节点数目为1。3.根据权利要求2所述的一种...

【专利技术属性】
技术研发人员：崔晓斌，黄放，程桐，梅益，孙津原，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州;52