針對熱鍍鋅鋼卷力學(xué)性能預(yù)報建模條件屬性選取難、預(yù)報精度不足的問題,研究熱鍍鋅鋼卷力學(xué)性能梯度提升樹（gradient boosting decision tree, GBDT）預(yù)報模型.利用互信息差算法綜合評估工藝參數(shù)、化學(xué)成分和鋼卷尺寸參數(shù)等條件屬性的相對重要性以及屬性之間的冗余性,進(jìn)行模型條件屬性篩選;采用同分布原理進(jìn)行樣本劃分,結(jié)合網(wǎng)格搜索法和交叉驗證法優(yōu)化模型參數(shù),建立力學(xué)性能GBDT預(yù)報模型;并將GBDT模型預(yù)報結(jié)果與隨機(jī)森林（random forest, RF）、 AdaBoost算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)報結(jié)果進(jìn)行比較.結(jié)果表明:GBDT模型優(yōu)于其他模型, 90%的數(shù)據(jù)樣本預(yù)測的絕對誤差小于14.24 MPa, 94.6%的數(shù)據(jù)樣本相對誤差在6%范圍內(nèi),具有更高的預(yù)測精度. 

【文章來源】：福州大學(xué)學(xué)報(自然科學(xué)版). 2020年05期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

熱鍍鋅鋼卷力學(xué)性能預(yù)報流程圖

在模型訓(xùn)練與評估開始前要進(jìn)行各階段數(shù)據(jù)集準(zhǔn)備, 采用隨機(jī)同分布與五折交叉驗證理論劃分訓(xùn)練集、 驗證集和測試集. 首先將完備數(shù)據(jù)集以7∶3的比例隨機(jī)同分布劃分出建模數(shù)據(jù)集和測試集; 其次采用交叉驗證法對用于模型訓(xùn)練的建模數(shù)據(jù)集進(jìn)行劃分,將建模數(shù)據(jù)集劃分成5個大小相似, 分布一致的互斥子集, 每次使用其中4個子集的并集作為訓(xùn)練集, 余下的一個子集作為驗證集, 利用劃分好的5份建模數(shù)據(jù)集, 分別建立5個模型, 最后將5個模型在測試集樣本上預(yù)測結(jié)果的平均值作為模型輸出. 如圖2所示, 五折交叉驗證訓(xùn)練模型的驗證集依次為D5, D4, D3, D2, D1, 等價于采用全部建模數(shù)據(jù)用于監(jiān)督模型訓(xùn)練, 使數(shù)據(jù)利用率達(dá)100%.2 基于互信息差的力學(xué)性能預(yù)報模型條件屬性篩選

影響熱鍍鋅鋼卷力學(xué)性能的主要因素包括化學(xué)成分、 熱軋工藝參數(shù)、 冷軋工藝參數(shù)、 連續(xù)退火工藝參數(shù)、 平整和拉矯工藝參數(shù). 化學(xué)成分是力學(xué)性能的基礎(chǔ), 碳、 錳含量變化對帶鋼抗拉力學(xué)性能有明顯影響, 屈服強(qiáng)度隨鋁質(zhì)量分?jǐn)?shù)的增大而減小、 有利于提高沖壓性能, N含量過高會影響鋼卷表面質(zhì)量和加工性能, Nb、 Ti等微量合金通過細(xì)化晶粒和沉淀強(qiáng)化影響鋼卷的力學(xué)性能. 熱軋加熱、 終軋以及卷取溫度影響鐵素體晶粒大小以及氮化鋁析出物的含量. 冷軋壓下率對冷軋帶鋼中軋制織構(gòu)和后道退火工序中再結(jié)晶織構(gòu)有重要影響. 帶鋼在連續(xù)退火爐中通過加熱、 保溫、 冷卻, 消除冷軋后的加工硬化和實現(xiàn)再結(jié)晶過程,從而影響力學(xué)性能. 平整通過小壓下量的軋制變形, 消除明顯的屈服延伸, 改善板形, 獲得所需要的帶鋼表面形貌. 拉矯通過對鋼材拉伸彎曲矯直, 改善板形、 力學(xué)性能.將影響力學(xué)性能的主要因素作為條件屬性, 包括尺寸參數(shù)、 化學(xué)成分和工藝參數(shù)共50維屬性. 其中尺寸參數(shù)與冷軋壓下率有關(guān), 熱軋、 退火、 平整和拉矯工藝參數(shù)包括每個鋼卷的最大值、 最小值和平均值.

【參考文獻(xiàn)】：
期刊論文
[1]基于Adaboost的填充式防護(hù)結(jié)構(gòu)超高速撞擊損傷預(yù)測[J]. 丁文哲,李新洪,楊虹.  北京航空航天大學(xué)學(xué)報. 2019(01)
[2]基于梯度提升決策樹的高速公路交織區(qū)匯入模型[J]. 李根.  東南大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[3]基于隨機(jī)森林的鋼材性能預(yù)報與影響因素篩選[J]. 楊威,李維剛,趙云濤,嚴(yán)�？�,王文波.  鋼鐵. 2018(03)
[4]非平衡基因數(shù)據(jù)的差異表達(dá)基因選擇算法研究[J]. 謝娟英,王明釗,周穎,高紅超,許升全.  計算機(jī)學(xué)報. 2019(06)
[5]熱軋含Nb高強(qiáng)鋼力學(xué)性能預(yù)報模型[J]. 李維剛,胡石雄,劉斌,趙剛,胡恒法.  冶金自動化. 2017(02)
[6]寶鋼熱鍍鋅鋼板的開發(fā)與展望[J]. 謝英秀,金鑫焱,王利.  寶鋼技術(shù). 2017(01)
[7]熱軋帶鋼組織性能預(yù)報模型及應(yīng)用[J]. 王蕾,唐荻,宋勇.  鋼鐵. 2016(11)
[8]熱軋C-Mn鋼工業(yè)大數(shù)據(jù)預(yù)處理對模型的改進(jìn)作用[J]. 吳思煒,周曉光,曹光明,史乃安,劉振宇,王國棟.  鋼鐵. 2016(05)
[9]離心式壓縮機(jī)定期維修周期及可靠性研究[J]. 裴峻峰,鄭慶元,姜海一,于志遠(yuǎn),郭澤亮,董雪.  中國石油大學(xué)學(xué)報(自然科學(xué)版). 2014(06)
[10]神經(jīng)網(wǎng)絡(luò)在熱鍍鋅板力學(xué)性能預(yù)測中的應(yīng)用[J]. 賀俊光,鞏曉陽,周旭東,王順興,李俊.  鋼鐵研究. 2005(03)



本文編號：2956828