一種鑄鋼流動性預測方法
【專利摘要】本發明公開了一種鑄鋼流動性預測方法，包括以下步驟：（1）用不同牌號的鑄鋼進行螺旋形試樣實驗，并采集神經網絡訓練樣本數據；（2）建立鑄鋼流動性預測的神經網絡模型，該神經網絡類型為多層前饋型BP網絡，并確定其網絡拓撲結構；（3）從步驟（1）中提取部分樣本數據，訓練該神經網絡模型；（4）用步驟（1）中剩余的樣本對訓練后的網絡模型進行仿真測試；（5）通過訓練后的神經網絡模型，即可對其他牌號的鑄鋼進行流動性預測。通過本發明中神經網絡模型，為鑄鋼零部件鑄造工藝設計中鑄鋼流動性提供了一種預測方法，有利于促進鑄造業數字化、智能化、節能化的發展。
【專利說明】
一種鑄鋼流動性預測方法
技術領域
[0001] 本發明涉及一種鑄鋼流動性預測方法，屬于鑄造技術領域。
【背景技術】
[0002] 液態金屬合金的流動性是鑄造生產的重要工藝性能，流動性的好壞直接影響金屬 的充型性能。金屬液的流動性好，充型性能就強，容易獲得尺寸準確、外形完整、輪廓清晰的 鑄件。否則容易造成鑄件冷隔、澆不足、氣孔與夾雜缺陷。
[0003] 鑄鋼合金是鑄造生產中的一種常用材料，其流動性比灰鑄鐵、硅黃銅合金、硅鋁合 金差，所以對于鑄鋼件來說其液態合金的流動性對鑄造工藝設計的影響很大。鑄鋼合金流 動性受多種因素綜合影響，其好壞主要取決于合金本身的性質，此外外在的工藝條件對其 也有重要影響。外在條件如澆注溫度、澆注壓力、鑄型結構復雜程度、空腔壁厚等因素對鑄 鋼流動性的影響較為簡單且接近線性相關;而鑄鋼合金本身性質（即合金成分的不同）對其 流動性的影響卻有著復雜的非線性相關特征，至今還沒有理論公式或經驗公式來描述這兩 者間的關系。鑄造從業者若依靠經驗來對鑄鋼的流動性做判斷，缺乏科學性和可靠性;若通 過生產試驗來對鑄鋼流動性做判斷，不僅增加成本，還延長了產品研發制造周期。
【發明內容】
[0004] 本發明要解決的技術問題是：提供一種鑄鋼流動性預測方法，建立鑄鋼合金成分 與其流動性間非線性映射關系的數學模型，通過該模型可以較為準確地預測不同牌號鑄鋼 材料本身的流動性好壞。
[0005] 本發明的目的是通過以下技術方案實現的： 一種鑄鋼流動性預測方法，包括以下步驟： (1) 用不同牌號的鑄鋼進行螺旋形試樣實驗，并采集神經網絡訓練樣本數據，取鑄型填 充完畢時式樣的固相質量分數作為流動性評價指數《，所述樣本數據包括鑄鋼材料合金成 分C、Fe、Μη、P、S的百分含量以及流動性評價指數w; (2) 建立鑄鋼流動性預測的神經網絡模型，該神經網絡類型為多層前饋型ΒΡ網絡，并確 定其網絡拓撲結構； (3) 從步驟(1)中提取部分樣本數據，訓練該神經網絡模型； (4) 用步驟(1)中剩余的樣本對訓練后的網絡模型進行仿真測試； (5) 通過訓練后的神經網絡模型，即可對其他牌號的鑄鋼進行流動性預測。
[0006] 優選的，所述步驟(2)中，神經網絡模型的層數為三層，包括輸入層、隱含層和輸出 層，其中輸入層節點數目為5,隱含層結點數目為11，輸出層節點數目為1。由于樣本數據由5 種合金成分及1個評價指數組成，所以確定輸入層節點數目為5，輸出層節點數目為1。
[0007] 優選的，所述輸入層與隱含層間的傳遞函數采用S型正切函數tansig，隱含層與輸 出層間的傳遞函數采用S型對數函數logsig。各層間傳遞函數具有非線性特點及處處連續 可導。
[0008] 優選的，步驟（3)中網絡訓練函數選用動量及自適應IrBP的梯度遞減函數 traingdx，學習函數選用梯度下降動量函數learngdm，網絡性能函數選用加權均方誤差函 數msereg，設定性能參數為0.5,網絡訓練的最小均方誤差設為0.001，最大迭代次數為 5000，采用初始化函數in i t初始化網絡的權值和閾值。
[0009] 優選的，步驟(1)中樣本數據的數量為26組。
[0010] 優選的，步驟(3)中提取24組樣本數據作為訓練樣本，直至網絡訓練結束，步驟(4) 中提取剩余2組樣本數據作為仿真測試樣本。
[0011]通過采用上述技術方案，本發明的有益效果:通過本發明中神經網絡模型，為鑄鋼 零部件鑄造工藝設計中鑄鋼流動性提供了一種預測方法，通過一種CAE手段對當前鑄造工 藝設計提供指導，有利于促進鑄造業數字化、智能化、節能化的發展。
【附圖說明】
[0012] 圖1為螺旋形試樣模型圖； 圖2為本發明中神經網絡模型的拓撲結構圖； 圖3為本發明的過程原理圖。
【具體實施方式】
[0013] 下面結合附圖及具體的實施例對發明進行進一步介紹： 實施例1: 一種鑄鋼流動性預測方法，包括以下步驟： 步驟（1):用不同牌號的鑄鋼進行螺旋形試樣實驗，并采集神經網絡訓練樣本數據。在 本實施例中，選用26種牌號的鑄鋼材料，在控制過熱度、澆注速度一致的條件下(過熱度為 該種鑄鋼液相溫度+l〇°C，澆注速度為O.Olm/s)，向螺旋型試樣(如圖1所示）中澆注鋼液，取 鑄型填充完畢時試樣的固相質量分數作為流動性評價指數《，樣本數據包括鑄鋼材料合金 成分C、Fe、Mn、P、S的百分含量以及流動性評價指數w，所得樣本數據如下表1所示： 表1神經網絡訓練樣本數據
步驟（2):建立鑄鋼流動性預測的神經網絡模型，該神經網絡類型為多層前饋型BP網 絡，并確定其網絡拓撲結構。神經網絡模型的層數為三層，包括輸入層、隱含層和輸出層，其 中輸入層節點數目為5，隱含層結點數目為11，輸出層節點數目為1。所述輸入層與隱含層間 的傳遞函數采用S型正切函數tansig，隱含層與輸出層間的傳遞函數采用S型對數函數 logsig〇
[0014] 步驟(3):提取步驟（1)中所得樣本數據中的1至24組數據訓練該神經網絡模型。網 絡訓練函數選用動量及自適應1 rBP的梯度遞減函數tra ingdx，學習函數選用梯度下降動量 函數learngdm，網絡性能函數選用加權均方誤差函數msereg，設定性能參數為0.5,網絡訓 練的最小均方誤差設為0.001，最大迭代次數為5000,采用初始化函數init初始化網絡的權 值和閾值。
[0015] 步驟(4):用剩余的第25、26組樣本數據對訓練后的網絡模型進行仿真測試，結果 如表2所示： 表2仿真測試結果
通過分析誤差，該神經網絡模型對鑄鋼流動性的預測達到所需的精度要求。
[0016]步驟(5):通過訓練后的神經網絡模型，即可對其他牌號的鑄鋼進行流動性預測。 [0017]以上內容是結合具體的優選實施方式對本發明所作的進一步詳細說明，不能認定 本發明的具體實施只局限于這些說明。對于本發明所屬技術領域的普通技術人員來說，在 不脫離本發明構思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發明的 保護范圍。
【主權項】
1. 一種鑄鋼流動性預測方法，其特征在于:包括以下步驟： (1) 用不同牌號的鑄鋼進行螺旋形試樣實驗，并采集神經網絡訓練樣本數據，取鑄型填 充完畢時式樣的固相質量分數作為流動性評價指數W，所述樣本數據包括鑄鋼材料合金成 分C、Fe、Μη、P、S的百分含量以及流動性評價指數W; (2) 建立鑄鋼流動性預測的神經網絡模型，該神經網絡類型為多層前饋型ΒΡ網絡，并確 定其網絡拓撲結構； (3) 從步驟(1)中提取部分樣本數據，訓練該神經網絡模型； (4) 用步驟(1)中剩余的樣本對訓練后的網絡模型進行仿真測試； (5) 通過訓練后的神經網絡模型，即可對其他牌號的鑄鋼進行流動性預測。2. 根據權利要求1所述的一種鑄鋼流動性預測方法，其特征在于:所述步驟(2)中，神經 網絡模型的層數為三層，包括輸入層、隱含層和輸出層，其中輸入層節點數目為5,隱含層結 點數目為11，輸出層節點數目為1。3. 根據權利要求2所述的一種鑄鋼流動性預測方法，其特征在于:所述輸入層與隱含層 間的傳遞函數采用S型正切函數tansig，隱含層與輸出層間的傳遞函數采用S型對數函數 logsig〇4. 根據權利要求3所述的一種鑄鋼流動性預測方法，其特征在于：步驟(3)中網絡訓練 函數選用動量及自適應1 rBP的梯度遞減函數traingdx，學習函數選用梯度下降動量函數 learngdm，網絡性能函數選用加權均方誤差函數msereg，設定性能參數為0.5，網絡訓練的 最小均方誤差設為0.001，最大迭代次數為5000,采用初始化函數init初始化網絡的權值和 閾值。5. 根據權利要求1所述的一種鑄鋼流動性預測方法，其特征在于：步驟（1)中樣本數據 的數量為26組。6. 根據權利要求5所述的一種鑄鋼流動性預測方法，其特征在于：步驟(3)中提取24組 樣本數據作為訓練樣本，直至網絡訓練結束，步驟(4)中提取剩余2組樣本數據作為仿真測 試樣本。
【文檔編號】G06Q50/04GK105868483SQ201610217971
【公開日】2016年8月17日
【申請日】2016年4月11日
【發明人】崔曉斌, 黃放, 程桐, 梅益, 孫津原
【申請人】貴州大學