融合物理冶金与数据驱动的热轧带钢力学性能预测方法技术

本发明专利技术提供了一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，属于热轧材料力学性能预测研究领域，包括：获取热轧带钢的生产数据集，通过遗传算法优化的物理冶金模型计算热轧带钢的各组织成分占比；构建力学性能预测所需数据集并进行预处理，得到预处理后的数据集；将预处理后的数据集划分为训练集和测试集；构建随机森林模型，利用随机森林模型对训练集进行计算，获取最优参数，并对测试集进行力学性能预测。本发明专利技术采用上述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，将成分工艺参数与各相分数占比同时作为输入数据实现对钢材力学性能的预测，可有效提高力学性能预测精度，有助于实现工艺参数的优化，提高产品质量。

【技术实现步骤摘要】

本专利技术涉及热轧材料力学性能预测研究领域，尤其是涉及一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法。

技术介绍

1、随着钢铁行业的不断发展，具有高强度、耐腐蚀、抗磨损等优异性能的钢材受到人们的追捧。目前，高强钢已大量应用于船舶、汽车、建筑、桥梁、高压输送管道、机械等多个领域，在社会需求中占有很大比例。这种高强钢的运用得到了相当显著的经济和社会效益，成为各个国家争先研制和生产的钢种。

2、传统获取钢材力学性能的方式主要是进行力学性能实验，该方法会消耗大量的时间成本与人力成本。随着机器学习的发展，通过机器学习方法，建立神经网络模型以实现对钢材力学性能的预测方法进入大家视野，目前，关于钢材力学性能预测模型的专利较多，如：公开号cn116825253b的中国专利公开了一种基于特征选择的热轧带钢力学性能预测模型的建立方法，通过输入热轧带钢数据包括c、si、mn、p、s、n、nb、ti等成分含量和加热时间(heat_time)、固溶温度(ss_temp)、固溶时间(ss_time)、出炉温度(dtf)、精轧入口厚度(feh)、精轧入口温度(fet)本文档来自技高网...

【技术保护点】

1.一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，步骤S1中，生产数据集包括成分含量数据、工艺数据。

3.根据权利要求2所述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，其中，成分含量数据包括C含量、Si含量、Mn含量、S含量、P含量、N含量、Nb含量、V含量、Ti含量、Als含量、Cu含量、Cr含量、Ni含量、Co含量、Mo含量及B含量。

4.根据权利要求3所述的一种融合物理冶金与数据驱动的热轧带钢力学性...

【技术特征摘要】

1.一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，步骤s1中，生产数据集包括成分含量数据、工艺数据。

3.根据权利要求2所述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，其中，成分含量数据包括c含量、si含量、mn含量、s含量、p含量、n含量、nb含量、v含量、ti含量、als含量、cu含量、cr含量、ni含量、co含量、mo含量及b含量。

4.根据权利要求3所述的一种融合物理冶金与数据驱动的热轧带钢力学性能预测方法，其特征在于，工艺数据包括均热温度、加热温度、在炉时间、轧制速度、轧制力、退火段带钢运行速度、出口厚度、精轧入口温度、终轧温度及卷取温度。

【专利技术属性】
技术研发人员：曹光明，闫新悦，吴思炜，周晓光，曹阳，姜淇铭，高晨，常啸，王厚昕，罗登，杨艳，杨文志，汪贺模，刘振宇，
申请(专利权)人：东北大学，
类型：发明
国别省市：