基于神经网络的多组分保护渣高温物理性能预测模型研究-钢铁冶金专业论文.docxVIP

摘要摘 摘要 摘 要 连铸保护渣是连铸生产中重要的功能材料，开发保护渣，需要对熔渣的性能、 组成进行合理的设计。基于性能要求的保护渣的组成设计，目前基本上是基于经 验积累的配方修正，这需要较多的实验和开发者长期的相关工作的经验；以实验 数据为基础建立的保护渣组分～性能之间数理模型关系，由于保护渣性能与其组 成之间存在着复杂的非线性关系、数据样本来源有限、实验数据点变化范围的局 限性等因素，实际用于保护渣性能预测的准确性受到限制。 神经网络技术能够逼近任意的非线性系统、能够从背景不清楚和不完全的数 据中自动提取反映事物内在规律和特点的知识、并能够通过学习所获得的知识对 问题进行求解。针对连铸保护渣不断发展和品种开发的需求，建立了保护渣熔化 温度及高温粘度BP神经网络预测模型，取得了较好的效果。 在分析和调研现行保护渣基本组成特征的基础上，确定预测模型的对象为 CaO．Si02．Na20．B203．A1203．CaF2．Li20-MnO．MgO的9元渣系；采用兼有上下约束 条件的最优混料回归设计方法设计渣系实验点，减少和避免了所研究渣系中数据 采集的盲点，保证模型数据来源的广泛性和分布均匀性。通过对233个实验点的 保护渣熔化温度和高温粘度测试，探讨了多组元渣系中保护渣组分对性能的影响 规律，并以此实验数据为基础，建立了保护渣熔化温度及高温粘度的BP神经网络 预测模型。通过对模型隐含层单元数、学习速率等参数的配置优化，提高了模型 的预测精度和效率。该模型具有适用组元多、成分变化范围大、结构简单、拓展 性强等特点，有较高的预测准确性。采用该模型预测保护渣粘度和熔化温度，平 均相对误差分别为8．25％和0．36％，远低于以同组数据为基础建立的多元非线性 回归模型相应平均误差63_2％和2．8％。这一结果表明，利用神经网络预测保护渣 性能是可行的，可以满足保护渣研发的要求。 关键词：连铸保护渣，物理性能，BP神经网络，预测模型 ABSTRACTABSTRACT ABSTRACT ABSTRACT Mould fluxes play very important roles in continuous casting of steel．Reasonable properties and compositions are necessary requirements·for designing and developing mould fluxes．Up to now,all the designing processes mainly have depended upon abundant experimental experience of researchers．The established mathematical model between compositions and properties of mould fluxes were based Oil experimental results．The accuracy of the model was usually limited in predicting properties because ofnonlinear relationship between properties and compositions and limited samples． Neural network(NN)Can approach every nonlinear relationship， extract knowledge，which reflects inherent law and feature，from unobvious background and imperfect data，solve problems by the obtained knowledge．To overcome the disadvantage of the empirical models，BP NN Was used to construct a series of innovative models to forecast melting temperature mad viscosity ofmould fluxes． To establish the BP NN model，CaO—Si02一Na20-B203-A1203一CaF2一Li20一MnO —MgO slag system were employed in the study．The compositions of mould fluxes were designed according to the principle o