用人工神经网络模型研究微量元素对钢力学性能的影响

1、用人工神经网络模型研究微量元素对钢力学性能的影响刘贵立张国英曾梅光摘要：在实验数据的基础上,用人工神经网络建立高Co-Ni二次硬化钢的力学性能预测模型,根据网络的预测结果讨论了微量元素Nb、Ti对钢力学性能的影响,结果证明网络的预测同实验基本一致。可见人工神经网络在材料设计方面有广阔的应用前景,它为高性能材料设计提供了新的手段。关键词：二次硬化钢人工神经网络材料力学性能微量元素STUDIES ON EFFECTS OF TRACE ELEMENTS ON MECHANICAL PROPERTIES OF STEEL BY ARTIFICIAL NERVE NETWORK MODELLiu Gu

2、iliZhang Guoying(Shenyang Polytechnical University)Zeng Meiguang(Northeastern University)Abstract：A mechanical property prediction model for high Co-Ni Secondary hardened steel is built upon the experimental data with the aid of artificial nerve network and effects of trace elements Nb and Ti on the

3、 mechanical properties of steel are discussed upon the predicted results.Final results show that the value predicted by the network conforms to the experimental result. It is obvious that the artificial nerve network has opened up a broad prospect for material design and provided a reliable means fo

4、r high property material design.Keywords：secondary hardened steelartificial nerve networkmechanical property for material trace element1前言人工神经网络是近年发展起来的模拟人脑生物过程的具有人工智能的系统3,目前在材料设计方面的应用已取得了一定的进展4。它无需人们预先给定公式的形式,而是以实验数据为基础,经过有限次迭代计算而获得的一个反映实验数据内在规律的数学模型,因此它具有特别适合于研究复杂非线性系统的特性。本文在实验的基础上,采用人工神经网络建立模型,对微

5、量元素Nb、Ti对高Co-Ni二次硬化钢的力学性能的影响进行了研究,讨论了微量元素在形成夹杂物、提高钢的强韧性方面的作用,进而为研究高性能钢材、合理使用合金元素、尽量降低实验成本，提供了有效的手段。2人工神经网络建立模型本文采用反向传播算法(BP)建立新模型5。网络结构为9×14×4,其中网络的9个输入是高Co-Ni二次硬化钢的合金成分及淬火、时效温度,分别用Z1至Z9表示；4个输出分别是屈服强度0.2(MPa)、抗拉强度b(MPa)、断裂韧性Kic(MPam1/2)、延伸率(%),用O1至O4表示;中间隐层上的14个神经元输出为Yj。Yj=f(netj)(1)(2)Ok=

6、f(netk)(3)(4)f(x)=1-exp(-x)/1+exp(x)(5)图1BP网络结构这里netj、netk分别为隐层第j人神经元和输出层第k个神经元的输入,Vji和Wjk分别表示输入层与隐层以及隐层与输出层之间的权值。训练一个神经网络就是通过调整权值以实现对复杂非线性对象的建模和估计,训练网络的指标函数取为:(6)式中Dnk表示第n个学习样本的第k个分量,通常称之为导师信号Onk表示相应网络的实际输出值P 为训练样本数网络学习算法采用文献4给出的方法,即第t+1次迭代权的修正为:Wjk(t+1)=Wjk(t)+kYj+Wjk(t)-Wjk(t-1)(7)Vji(t+1)=Vji(t)

7、+jZi+Vji(t)-Vji(t-1)(8)式中 学习率 动量项系数,k、j学习信号,其表达式为:k=(Dk-Ok)f(netk)(9)(10)训练网络的样本取自北京钢铁研究总院的实验数据及部分国同外有关资料共41个,其中39个用于训练网络,2个用于检验网络的预测能力。为保证收敛,我们首先对样本数据进行归一化处理,使所有数据在01之间的网络空间变化。具体做法是:令某组数据中最大值为b,最小值为a,则归一化前该组数据中的数据X在归一化后的值为:c=(X-a)/(b-a)显然,网络的输出结果可经过反归一化后获得其在原物理空间的数值:X=a+c×(b-a)由于输入输出单元较多,在训练网络

8、过程中,为了加快收敛,我们采用了变步长的方法。初始学习率=0.6,动量项系数=0.5,当网络训练过程出现动荡时减小学习率和动量项系数:=0.9=0.8经变步长训练15 000次,系统学习误差E=0. 000 535,结果见表1。为减少篇幅,文中仅列10个训练样本及2个(带*)检测样本。可见网络输出与实验结果非常接近,这表明我们已经正确建立了网络的输入输出关系。下面将以此网络为基础来研究材料的力学性能与微量元素Nb、Ti之间的关系。表1网络部分训练及检测结果合金元素/%温度/实验值网络输出值CNiCoCrMoNbTi时效淬火0.2bkic0.2bkic0.1711.3615.372.001.60

9、0.0000.0094808401852202979.712.51853202979.312.50.1611.1915.462.511.650.0000.01149584017721842119.411.317621839118.011.50.209.4715.520.742.090.00.0124808401824198751.18.91827198450.28.90.169.7713.752.011.10.000.0134808301674190586.213.11664191284.913.10.229.788.202.351.410.0340.002551084016441765103

10、.014.716391758101.614.70.279.489.601.950.990.0290.04749084016501830105.013.016471826104.313.00.249.689.941.981.080.0230.0248588016301800151.014.016221780157.613.7*0.279.489.601.950.990.0290.04750084016501800116.013.016451803115.513.00.229.587.742.041.070.0330.01251084014691582177.716.414651591178.21

11、6.40.169.7713.752.011.10.00.01349583016241797113.414.116381781113.814.00.279.489.601.950.990.0290.04751084016401770126.012.016501781126.912.2*0.229.529.882.31.20.0230.00014808401726193391.814.71698196591.914.9*3结果分析以表1中带*的训练样本为基础,利用训练好的网络,通过改变某个合金元素含量研究该元素对材料力学性能的影响,计算结果见图2及图3。其中断裂韧性和延伸率的实际数值分别是纵坐标对

12、应值×10-1和10-2。图2材料力学性能随Nb的变化规律1.屈服强度3.断裂韧性2.拉伸强度4.延伸率图3材料力学性能随Ti的变化规律从图2和图3反映的屈服强度及抗拉强度随元素含量变化的规律,我们可以看出微量元素Nb和Ni对钢的强度影响较小,强度在非常窄的范围内变化。并且Nb和Ti对强度的影响相反,当含量小于0.02%时,Nb含量增加,强度上升,而此时Ti含量增加，强度反而下降;微量元素含量大于0.02%以后,随Nb的增加钢的强度下降,随Ti的增加强度上升,因此,同时增减Nb、Ti,它们对钢强度的影响将相互抵消。钢中加入微量元素的主要作用是提高韧性。微量元素Nb、Ti在钢中可与C、S等元素形成夹杂物TiC和NbC及Ti2CS,它们对钢的韧性起了主导作用。这是由于Ti2CS弥散细粒的质点与基体有较强的结合力,提高了空穴的形核阻力;另一方面通过Nb、Ti的复合加入对夹杂物进行控制和锻造工艺的控制,可以获得很细的奥氏体晶粒,使马氏体板条束的尺寸相应减小,从而使钢的韧性显著提高。我们从图2和图3可以看出,当微量元素超过0.22%后,继续增加Nb曲线3变得平坦,而增加Ti,钢的韧性开始急剧下降。这是因为过量的微量元素使得夹杂物数量增加,尺寸增大,并且产生了部分TiC导致钢的韧性降低。所以,钢中加入微量元素应