【技术实现步骤摘要】
本专利技术涉及冶金，具体涉及一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法。
技术介绍
1、中碳钢是指碳含量为0.25%~0.60%的钢材，其热加工及切削性能良好，便于锻造及车削加工各种复杂的机械零件。中碳钢的强度、硬度比低碳钢高，同时塑性和韧性低于低碳钢并高于高碳钢，极为适用于对强度、韧性均有特别要求的机械零件，如：空气压缩机、泵的活塞，蒸汽透平机的叶轮，重型机械的轴、蜗杆、齿轮等等，以及表面耐磨的零件，如：曲轴、机床主轴、滚筒、钳工工具等。
2、脱碳是指在加热时，钢内层碳原子因温度升高，脱离了原来的位置，发生跃迁，扩散到钢表层，并与炉内中的氧气、氢气、二氧化碳等发生反应，进而失去了全部或者部分碳，最终造成钢材表面的碳含量比内部少的现象。由于脱碳，钢材的表面强度下降，在应力作用下，脱碳层与基体组织之间容易形成裂纹源，从而使钢材断裂破坏，大大缩减钢材使用寿命。另外，钢材热处理淬火时，表面脱碳层与基体组织因淬火时膨胀系数不同而产生应力，致使钢材表面的脱碳层与未脱碳层之间产生微裂纹。
3、钢结构机械零件制造过程分为高炉冶炼、lf精炼、连铸、钢坯加热、轧制、热锻、热处理、机加工等工序。其中钢坯加热工序加热时间长，温度高，是导致脱碳的最主要因素。目前为了减少脱碳层对后续加工和使用过程的影响，主要通过两种方法减少脱碳层，一是坯料涂防脱碳涂层或者对轧制后的钢材采用扒皮处理去除脱碳层，这提高了生产成本和延长了交货周期；二是通过调整炉内温度、气氛和时间等控制脱碳深度，因此，有必要需要一种直观的脱碳分析预测方法
技术实现思路
1、本专利技术的目的是克服现有技术的不足，提供一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法。
2、为达到上述目的，本专利技术采用的技术方案是：一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法，包含以下步骤：
3、s1：采集炉温均匀性试验数据，分别在钢坯的外表面、钢坯横截面中心处及1/2r半径的位置处布置热电偶，热电偶随温度跟踪测试仪一起进入加热炉内进行加热，加热时间控制在120-240min，所述试验在正常生产条件下进行；
4、s2：利用abaqus有限元软件建立钢坯温度场模型，具体为：根据步骤s1的试验工况施加边界条件，并经行温度场模拟，将步骤s1中热电偶测试的结果与模拟的温度场结果进行反复校核，直至所施加的边界条件使得模拟结果与实际热电偶的测试结果一致为止；
5、s3：采集中碳钢生产过程数据、生产计划数据和脱碳质量数据；
6、s4：对步骤s3得到的数据进行预处理，剔除数据中的重复项和空值；利用z-score方法将数据进行标准化，消除量纲和变量自身变异大小以及数值大小的影响，利用箱线图检测法，删除异常点；
7、s5：将经步骤s4得到的包含炉气温度和各段加热时间在内的数据代入步骤s2中的钢坯温度场模型中，修改钢坯温度场模型中相应的初始条件，算出钢坯表面的碳扩散量，将碳扩散量作为新增参数列入到步骤s4所得到的数据集中；
8、s6：将步骤s5得到数据集划分训练集与测试集；
9、s7：将训练集数据在python环境下运用xgboost构建模型，建立输入特征与输出特征之间的关系，并根据输入特征对输出特征的贡献度进行排序，最后将对目标指数贡献度分数小于35的特征剔除；
10、s8：使用建好的xgboost模型对测试集进行验证，用均方误差mse和决定系数r2作为评价标准，若mse值和r2值均在预设范围内，判定xgboost模型评价合格，采用合格的xgboost模型进行脱碳深度预测，反之不合格，重新进行步骤s4至步骤s8的操作。
11、作为一种具体的实施方式，步骤s2中的钢坯温度场模型为：
12、，
13、其中：t为温度，为时间，λ为导热系数，ρ为密度，c为比热。
14、作为一种具体的实施方式，步骤s2中abaqus有限元建立钢坯温度场模型中初始边界条件设定如下：
15、在property模块设置材料物理属性参数，其中，钢坯比热容、钢坯内部传热系数与温度相关；
16、在interaction模块amplitude中根据s1所测得的时间-温度数据曲线，设置幅值参数；
17、在interaction模块property中设置炉气与钢坯表面换热系数，炉气与钢坯表面不仅进行对流换热，而且还会进行辐射换热，把钢坯与炉气热对流和热辐射系数用总的换热系数表示，且换热系数是与温度相关的参数。
18、作为一种具体的实施方式，步骤s5中，加热过程中钢坯表面温度与时间的函数为：
19、，
20、式中：t为温度，℃；t为时间，s；
21、因加热炉中钢坯表面温度随时间变化而变化，而碳扩散系数表示的是某一温度下不同持续时间所对应的脱碳深度，由此，建立扩散系数公式，公式为：
22、，
23、其中，d为扩散系数；d0为扩散常数，2.0*105m2/s；r为气体常数，8.314j/(mol·k)；q取c在奥氏体中的扩散激活能1.34*105j/mol；
24、为模拟计算加热过程中钢坯表面脱碳，根据叠加原理进行分段叠加计算，将总加热时间分成n段，可表示为：
25、 ，
26、式中：ti为温度；ti为时间；
27、脱碳模型表示为：
28、，
29、，
30、式中：k为总的碳扩散量；δk为不同温度段的扩散量；ti为温度；ti为时间。
31、作为一种具体的实施方式，步骤s8中，均方误差mse和决定系数r2的具体公式如下：
32、，
33、，
34、式中：n为样本预测个数；为模型预测值；为实际值；为平均值；r2为决定系数；mse为均方误差。
35、作为一种具体的实施方式，步骤s8中，xgboost模型设置为树模型gbtree，其中：
36、树的最大深度max-depth设置为7；
37、学习率cta在模型中设置为0.113；
38、gbtree分类器数目设置为700。
39、作为一种具体的实施方式，步骤s8中，mse值的设定范围为小于0.005,r2值的设定范围为大于0.90，预测值与实际值相差±0.03内的比率大于90%。
40、由于上述技术方案的运用，本专利技术与现有技术相比具有下列优点：
41、1）本专利技术充分利用加热炉炉温均匀性试验数据，能够结合加热炉设备状态和坯料规格搭建钢坯温度场模型，与钢材生产过程中的数据相结合，提高脱碳预测精度；
42、2）通过机器学习算法搭建脱碳预测模型，及时提供中碳钢生产过程中的脱碳分析和预测本文档来自技高网...
【技术保护点】
1.一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，步骤S2中的钢坯温度场模型为：
3.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，步骤S2中Abaqus有限元建立钢坯温度场模型中初始边界条件设定如下：
4.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，步骤S5中，加热过程中钢坯表面温度与时间的函数为：，
5.根据权利要求1所述的一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，步骤S8中，均方误差MSE和决定系数R2的具体公式如下：
6.根据权利要求1所述的种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法，其特征在于，步骤S8中，XGBoost模型设置为树模型gbtree，其中：
7.根据权利要求1所述的种基于有限元和XGBoost算法的中碳钢脱碳深度
...【技术特征摘要】
1.一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法，其特征在于，步骤s2中的钢坯温度场模型为：
3.根据权利要求1所述的一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法，其特征在于，步骤s2中abaqus有限元建立钢坯温度场模型中初始边界条件设定如下：
4.根据权利要求1所述的一种基于有限元和xgboost算法的中碳钢脱碳深度预测方法，其特征在于，步骤s5中，加热过程中钢坯表面温度与时间的函数为：，...
【专利技术属性】
技术研发人员：丁宏翔，周烽，洪盛威，董钰泽，闫顺，
申请(专利权)人：苏州方兴信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。