建筑耐候钢铸造性能神经网络算法优化

前言：想要写出一篇引人入胜的文章？我们特意为您整理了建筑耐候钢铸造性能神经网络算法优化范文，希望能给你带来灵感和参考，敬请阅读。

摘要：为了进行新型建筑耐候钢铸造性能优化，本文以合金元素、合金元素添加量、熔炼温度、静置时间和浇注温度5个神经单元为输入层参数、以腐蚀电位为输出层参数，以tansig函数为隐含层传递函数、purelin函数为输出层传递函数，构建了5×30×6×1四层拓扑结构的新型建筑耐候钢铸态性能神经网络优化模型，并进行了模型的学习训练与预测验证。结果表明：模型具有较佳的预测能力和较高的预测精度，模型相对预测误差介于3.57%与5.02%之间，平均相对预测误差4.24%。模型优化出的新型建筑耐候钢是在09MnCuPTi钢中添加0.3%Ce，熔炼温度是1630℃、静置时间是30min、浇注温度是1600℃。与09MnCuPTi建筑耐候钢相比，优化的新型建筑耐候钢的腐蚀电位从-676mV正移到-543mV，正移133mV，耐腐蚀性能得到明显提高。

关键词：神经网络算法优化；铸态性能；耐腐蚀性能；建筑耐候钢；合金化；09MnCuPTi钢

在建筑领域，耐候钢是一种常用的钢材。耐候钢是由普碳钢添加少量铜、镍等耐腐蚀元素而成，具有优质钢的强韧、塑延、成型、焊割、磨蚀、高温、抗疲劳等特性，耐候性为普碳钢的2～8倍，涂装性为普碳钢的1.5～10倍；同时，耐候钢耐锈，使构件抗腐蚀延寿，具有减薄降耗，省工节能等特点[1]。耐候钢主要用于铁道、车辆、桥梁、塔架、光伏、高速工程等长期暴露在大气中使用的钢结构。人们对耐候钢的研究也较多。卢军辉等[2]分析了钙处理对耐候钢低温韧性和耐腐蚀性能的影响。姚纪坛等[3]研究了低屈强比高强耐候钢的CCT曲线及性能。武永寿等[4]研究了高强度耐候钢Q355对接接头多次焊修力学行为。王发仓等[5]进行了新型3Ni钢和Q235碳钢、普通耐候钢在热带岛屿大气环境中暴晒后的锈层对比分析。陈剑波等[6]进行了Q345A-V含钒建筑耐候钢的铸造工艺优化研究。林田子等[7]分析了返红温度对低屈强比高强度耐火耐候钢组织及性能的影响。唐百晓[8]研究和分析了轧制工艺对建筑用耐候钢显微组织的影响。但是随着市场对建筑耐候钢性能要求的不断提高，现有的建筑耐候钢往往难以满足要求，尤其是铸态力学性能和耐磨损性能迫切需要提高。但是建筑耐候钢铸态性能的影响因素众多，且各因素影响程度不同，单靠单纯的试验研究来进行建筑耐候钢铸态性能优化，将耗费大量的人力、物力和财力。我们都知道，随着计算机技术的发展，作为新一代人工智能技术的神经网络技术得到快速发展。赵传营等[9]基于神经网络遗传算法进行了磁粒研磨TC4材料工艺参数优化。陈诗雨等[10]进行了Fourier神经网络非线性拟合性能优化研究。李瑞娟等[11]基于CAE和T-S神经网络技术进行了储物箱注塑工艺优化。但是，目前关于建筑耐候钢铸态性能神经网络优化的研究还鲜有报道。为此，本文尝试构建四层拓扑结构的神经网络模型，对新型建筑耐候钢铸态性能进行优化，以期为建筑耐候钢铸态性能优化提供新的思路和试验数据。

1神经网络优化模型的构建

09MnCuPTi钢是一种最常用的建筑耐候钢，本文以09MnCuPTi钢为基础，通过添加少量的合金元素制备出新型建筑耐候钢。本文构建新型建筑耐候钢铸态性能神经网络优化模型采用5×30×6×1四层拓扑结构（图1），模型有一个输入层、两个隐含层和一个输出层。输入层的主要作用是将各输入参数输入到模型内；隐含层的主要作用是进行内部运算；输出层的主要作用是输出模型预测结果。隐含层传递函数选择tansig函数，输出层传递函数选择purelin函数。输入层有5个神经单元参数，分别是合金元素、合金元素添加量、熔炼温度、静置时间、浇注温度。隐含层一和隐含层二分别有30个、6个神经单元。输出层有1个神经单元参数：耐腐蚀性能。耐腐蚀性能以腐蚀电位来评价，腐蚀电位愈正，耐腐蚀性能越佳；反之，如果腐蚀电位愈负，则耐腐蚀性能越差。新型建筑耐候钢铸态性能神经网络优化模型的各输入参数取值范围，如表1所示。为了避免因输入参数过大导致模型超出计算容量，所有输入参数进行了归一化处理，并对所有输出参数进行了归一化逆运算。

2试验材料及方法

以09MnCuPTi钢为基础钢材，通过添加少量的合金元素制备出新型建筑耐候钢试样。从表1中随机选取25个组合进行试验，制备出不同参数下的25个新型建筑耐候钢铸态试样。试样的制备过程主要包括：首先根据试样设计成分准确称量原料；然后在感应熔炼炉中进行熔炼，熔炼时熔炼覆盖剂为C3型覆盖剂，静置设置的相应时间后进行两次精炼，精炼时通入氩气进行熔体保护；再采用自制铁模进行浇注，模具预热温度400℃；最后将铸锭表面氧化皮车掉，得到尺寸为准80mm×260mm的铸态试样。用线切割方法在试样中部切取腐蚀试样，尺寸为准30mm×15mm。腐蚀试验在室温条件下，用CS330型电化学工作站进行测试，腐蚀液为5%氯化钠水溶液，记录腐蚀电位。腐蚀试验前先在-1.0V恒电位下极化180s。腐蚀试验后用JSM6510型扫描电子显微镜观察试样的表面腐蚀形貌。

3神经网络优化模型的训练与预测验证

3.1模型的学习训练

新型建筑耐候钢铸态性能神经网络优化模型的学习训练样本为25组试验数据中随机抽取的19组试验数据。模型的学习训练函数调用trainlm函数，学习训练参数为：训练速率设定为0.022，动量因子设定为0.75，期望误差设定为1×10-5，其它参数则直接采用Matlab系统默认值。新型建筑耐候钢铸态性能神经网络优化模型的学习训练结果如表2所示，表中的相对训练误差是指训练值与试验值之差的绝对值与试验值的百分比。从表2可以看出，本文构建的神经网络优化模型相对训练误差介于4.01%与6.51%之间，平均相对训练误差5.01%，模型相对训练误差较小，具有较佳的学习训练能力。由此可以看出，本文构建的神经网络优化模型能较准确地反映合金元素、合金元素添加量、熔炼温度、静置时间、浇注温度与铸态新型建筑耐候钢耐腐蚀性能之间的内在对应关系，可以用来预测铸态新型建筑耐候钢耐腐蚀性能。

3.2模型的预测验证

新型建筑耐候钢铸态性能神经网络优化模型的预测验证样本为未经学习训练的6组试验数据。神经网络优化模型的预测验证结果如表3所示，表中的相对预测误差是指预测值与试验值之差的绝对值与试验值的百分比。从表3可以看出，本文构建的神经网络优化模型相对预测误差介于3.57%与5.02%之间，平均相对预测误差4.24%，模型相对预测误差偏小，具有较佳的预测能力和较高的预测精度。由此可以看出，本文构建的神经网络优化模型较为准确地建立起了新型建筑耐候钢各输入层神经单元参数（合金元素、合金元素添加量、熔炼温度、静置时间、浇注温度）与输出层神经单元参数（耐候钢耐腐蚀性能）之间的内在对应关系，可以较为准确地预测铸态新型建筑耐候钢耐腐蚀性能。

3.3应用验证

新型建筑耐候钢铸造性能神经网络优化模型优化出的各参数如表4所示。以表4所示优化参数制备出的新型建筑耐候钢铸态试样，记为“模型优化新型建筑耐候钢”。将市售的铸态09MnCuPTi建筑耐候钢记为“09MnCuPTi建筑耐候钢”。模型优化新型建筑耐候钢与09MnCuPTi建筑耐候钢的耐腐蚀性能测试结果为：模型优化新型建筑耐候钢-543mV，9MnCuPTi建筑耐候钢-676mV。与09MnCuPTi建筑耐候钢相比，模型优化新型建筑耐候钢的腐蚀电位从-676mV正移到-543mV，正移了133mV，试样耐腐蚀性能得到明显提高。图2是模型优化新型建筑耐候钢与09MnCuPTi建筑耐候钢腐蚀试验后的表面形貌。从图2可以看出，09MnCuPTi建筑耐候钢腐蚀试验后表面出现较多的团状腐蚀坑和团状腐蚀产物，试样腐蚀现象较为严重。模型优化新型建筑耐候钢腐蚀试验后表面未见明显的粗大团状腐蚀坑和腐蚀产物，试样腐蚀现象较09MnCuPTi建筑耐候钢明显减轻，试样的耐腐蚀性能较09MnCuPTi建筑耐候钢得到显著改善。

4结论

（1）以合金元素、合金元素添加量、熔炼温度、静置时间和浇注温度5个神经单元为输入层参数、以耐腐蚀性能（以腐蚀电位表征）为输出层参数，以tansig函数为隐含层传递函数、purelin函数为输出层传递函数，采用5×30×6×1四层拓扑结构建立的新型建筑耐候钢铸态性能神经网络优化模型具有较佳的预测能力和较高的预测精度，模型相对预测误差介于3.57%与5.02%之间，平均相对预测误差4.24%。（2）新型建筑耐候钢铸态性能神经网络优化模型以trainlm函数为学习训练函数调，训练速率0.022，动量因子0.75，期望误差1×10-5，其它参数采用Matlab系统默认值，模型相对训练误差介于4.01%与6.51%之间，平均相对训练误差5.01%；模型相对训练误差较小，具有较佳的学习训练能力。（3）神经网络模型优化出的新型建筑耐候钢是在09MnCuPTi钢中添加0.3%Ce，熔炼温度1630℃、静置时间30min、浇注温度1600℃。与09MnCuPTi建筑耐候钢相比，模型优化新型建筑耐候钢的腐蚀电位从-676mV正移到-543mV，正移133mV，耐腐蚀性能得到明显提高。

作者:汤东 王兵 刘松林 单位:重庆化工职业学院 重庆市建筑科学研究院有限公司 重庆大学材料科学与工程学院