钢铁研究学报

作者：何宇挺¹, 吴思炜¹, 曹光明¹, 罗登², 王厚昕³, 刘振宇¹

单位：1.东北大学轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819;；2.湖南华菱湘潭钢铁有限公司,湖南湘潭411101;；3.中信金属股份有限公司,北京100004

关键词：数据预处理,随机森林,有效Ti含量,粒子群优化算法,力学性能预测

基金：国家重点研发计划资助项目(2022YFB3304800);国家自然科学基金青年科学基金资助项目(52104370);辽宁科技资助项目(2022JH25/10200001);兴辽英才资助计划(XLYC2203186);中国博士后科学基金资助项目(2022T150205);东北大学博士后基金资助项目(20210203);轧制技术及连轧自动化国家重点实验室自主课题资助项目(ZZ2021005);中信铌钢发展奖励基金资助项目(2022-M1824)

微合金钢由于其低成本和优异的性能引起了人们的广泛关注,大量应用于汽车、建筑等行业。热轧钢材性能预测是钢铁智能制造的主要方向之一,对提高产品性能稳定性意义重大。因此,研究微合金钢的力学性能预测对优化生产工艺、改善产品质量、提高生产效率具有重要的意义。基于微合金钢工业大数据、轧制工艺理论和统计学原理开发了聚类、异常值剔除、线性归一化等数据预处理方法,结合析出热力学计算有效Ti含量,并采用基于前向选择的方法进行特征筛选。基于随机森林建立微合金钢力学性能预测模型并采用粒子群优化算法对随机森林的超参数进行优化,实现Ti微合金钢力学性能的高精度预测。结果表明:模型屈服强度和抗拉强度在相对误差±6%的范围内命中率为96.8%和98.9%;伸长率在绝对误差±4%的范围内命中率为97.9%。经验证,所建立模型符合物理冶金学规律,并在现场在线预测中取得了较好的模型精度。

来源：2024年第12期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2024年第12期