用人工神经网络模型预测钢的奥氏体形成温度
来源期刊:金属学报2004年第11期
论文作者:由伟 方鸿生 白秉哲 谢锡善
关键词:钢的奥氏体形成温度; 人工神经网络; 预测性能; 合金元素; 定量影响;
摘 要:根据收集的实验数据,建立了预测钢的奥氏体形成温度(Ac1和Ac3点)的反向传播人工神经网络模型.用散点图和均方误差、相对均方误差和拟合分值三个统计学指标评价模型的预测性能.人工神经网络预测Ac3和Ac1的三个统计学指标分别为23.8℃,14.6℃;2.89%,2.06%和1.8921,1.7011.散点图和统计学指标均显示:人工神经网络的预测性能优于Andrews公式.此外,用人工神经网络分析了C和Mn的含量对Ac1和Ac3温度的定量影响,计算结果显示,C和Mn含量与Ac3和Ac1点间存在非线性关系,这主要是由于钢中合金元素间存在的相互作用造成的.
由伟1,方鸿生2,白秉哲2,谢锡善1
(1.北京科技大学材料科学与工程学院,北京,100083;
2.清华大学材料科学与工程系,北京,100084)
摘要:根据收集的实验数据,建立了预测钢的奥氏体形成温度(Ac1和Ac3点)的反向传播人工神经网络模型.用散点图和均方误差、相对均方误差和拟合分值三个统计学指标评价模型的预测性能.人工神经网络预测Ac3和Ac1的三个统计学指标分别为23.8℃,14.6℃;2.89%,2.06%和1.8921,1.7011.散点图和统计学指标均显示:人工神经网络的预测性能优于Andrews公式.此外,用人工神经网络分析了C和Mn的含量对Ac1和Ac3温度的定量影响,计算结果显示,C和Mn含量与Ac3和Ac1点间存在非线性关系,这主要是由于钢中合金元素间存在的相互作用造成的.
关键词:钢的奥氏体形成温度; 人工神经网络; 预测性能; 合金元素; 定量影响;
【全文内容正在添加中】