铝合金超厚板热轧过程温度场模拟

根据热模拟试验所获得的实验数据,在MARC软件中建立试验铝合金的材料数据库。采用二维弹塑性大变形有限元法,对铝合金超厚板热轧过程进行了数值模拟,分析了热轧过程中轧件温度场的分布和变化规律。模拟结果表明,在整个轧制过程中,轧件内部节点的温度变化缓慢,而表面节点的温度变化较为剧烈。计算的板坯表面温度与实测的表面温度吻合较好,表明该模型可以用来模拟中厚板轧制过程中的温度变化。     

中厚板轧制过程控制中轧件的平均温度模型

通过分析得出,在中厚板轧制过程中轧件厚度方向上的温度分布是以轧件中心为原点的抛物线形式;考虑到表层变形区和中心变形区对轧制变形的影响作用的不同,建立了与压下率、表面温度和中心温度有关的平均温度模型;将有限差分法处理实测温度后获取的表面温度和中心温度应用于此模型,并将模型应用于国内某中板厂3 000 mm轧机过程控制的轧制力预测中,获得了良好的效果。     

板带热连轧温度的预报计算及应用

采用有限差分法，建立了板带热连轧生产过程中温度变化的二维预报模型。用此模型对本钢现场轧制工艺进行了温度变化的解析计算，其结果与实测值相符。在此基础上经过模拟计算，通过回归得到卷取温度的简单预报公式，其预报值与现场实测值吻合甚好。     

板带热连轧过程力能参数、温度和组织变化的预报

采用0rowan公式计算轧制过程中轧件应力应变、有限差分法计算温度变化，建立了板带热连轧生产过程温度变化、微观组织演变综合预报模型。用此模型对鞍钢现场轧制工艺进行了温度变化、奥氏体晶粒大小以及相变过程进行了解析计算，其预报值与现场实测结果吻合较好。     

结合模型自适应的神经元网络在中厚板轧机轧制力预报中的运用

在中厚板生产过程中,用传统轧制力模型预报中厚板轧机轧制力时存在着较大的误差.为了提高中厚板轧机轧制力的预报精度,采用轧制力模型自适应与人工神经元网络相结合的方法进行中厚板轧制力的在线预报.应用结果表明,采用本方法预报轧制力时精度优于传统的数学模型,相对误差可以控制在±3%以内.     

轧辊弹性压扁对中厚板轧制压力预报精度影响的研究

建立中厚板轧制压力计算模型,分别采用简单轧制情况和考虑轧辊弹性压扁情况下轧件与轧辊接触面积计算模型来预报轧制压力,分析轧辊弹性压扁对中厚板轧制力预报精度的影响。结果表明,在中厚板轧制过程中考虑轧辊弹性压扁的情况下,当预报轧制压力小于实测值时,轧制压力的预报精度提高;当预报轧制压力大于实测值时,轧制压力的预报精度降低。     

影响中厚板轧制终轧温度的因素及其控制

结合中厚板轧制特点,给出了中厚板轧制温度的计算模型,模型考虑了热辐射和对流、高压水除鳞、轧辊的热传导和塑性功对轧件温度变化的影响.分析了待温时间、轧制速度、出炉温度和轧制道次对终轧温度的影响,为中厚板轧制温度控制提供了依据.     

中 厚 板 轧 制 过 程 的 数 值 模 拟

 基于LS DYNA仿真软件,采用显式算法和隐式算法相结合的方法,对中厚板轧制过程的热力耦合有限元模拟进行了研究。通过仿真,得到了中厚板的应力场、应变场及温度场的分布。根据分析可知轧件表面温度在轧制过程中有所上升,轧件内部到表面形成明显的温度梯度。轧件头部变形较剧烈,在轧制后外端存在明显的预应力区。模拟结果与实测结果比较一致,表明了该数值仿真方法的可靠性。     

热连轧过程中的轧制力模拟

 对目前用于带钢热连轧过程分析中的几种屈服应力模型进行了对比，并在此基础上改进了模型：用Orowan公式计算轧制过程中轧件的应力-应变，用有限差分法计算轧件的温度变化，建立了热连轧生产过程中温度变化和塑性变形计算相耦合的力能参数预报模型。用此模型对某钢厂热轧板带生产过程中力能参数的变化进行了解析计算。计算结果表明，模拟值与现场实测值吻合较好。     

中厚板轧制过程的数值模拟分析

在中厚板轧制成形过程中采用有限元方法进行数值模拟分析可以为实际生产提供合理的工艺参数，便于延长轧机的寿命。提高产品质量和减少试错过程的消耗等。文中阐述了利用有限元软件对中厚板轧制成形过程的非线性数值模拟分析中的一些广为关心的问题，包括：摩擦力在轧件表面的分布情况以及摩擦力大小对轧制过程的影响；材料的等向强化模型、运动强化模型和混合强化模型对中厚板轧制过程的影响；热一力耦合对厚板轧制成形过程的影响及其数值模拟分析方法。     

高速线材生产过程组织性能预测模型仿真

 采用计算机对高速线材生产过程进行模拟，开发出具有较高准确度同时具有对不同轧制工艺有较好通用性的高线生产仿真系统。利用有限元方法计算了线材在待轧、轧制、水冷及风冷过程的温度场；通过对再结晶动力学模型的解析，得到了静态再结晶、动态再结晶的分数以及奥氏体晶粒在轧制过程中的变化情况；通过组织演变模型和温度模型的耦合计算，模拟出斯太尔摩风冷线上线材的组织变化过程；建立了利用初始化学成分和组织组成预测高线产品力学性能的BP神经网络模型，通过生产过程数据的训练，实现了对线材力学性能的预测。仿真计算的结果对线材控轧、控冷工艺的改进有一定的指导意义。     

神经网络在冷轧301S不锈钢极薄带材表面硬度预测中的应用

 基于现场生产冷轧极薄不锈钢带材表面硬度极难控制的问题,针对301S不锈钢的冷轧生产工艺进行了研究,分析了不锈钢冷轧生产过程中影响表面硬度的相关工艺参数,得出材料的抗拉强度、轧制速度、轧制油温度和压下率是影响轧后材料表面硬度的关键因素。利用BP神经网络建立了预测表面硬度的非线性映射模型,并根据此模型得出了预测数据的趋势图谱。研究结果表明,压下率的变化对冷轧不锈钢表面硬度的调节能力最强,而其他参数对硬度的影响为10HV左右。经检验,模型的预测值和实测值的相对误差为-2.63%~2.76%,预测结果准确率高,可以用于产品质量的现场在线控制。     

轧前及粗轧过程中钢坯温降的计算机模拟

建立轧钢生产过程各工序的高精度数学模型是集成控制技术在轧钢自动化生产中能够取得良好控制效果的基础，为此详细分析了中厚规格钢坯轧前及粗轧阶段的温度变化机理，并针对轧前及粗轧过程分别建立了二维非稳态传热的温降差分数学模型。对实际生产过程的计算机模拟结果表明，解析计算的精度较高，能够满足实际需要，可用于指导实际生产过程。     

2050轧机粗轧过程温度仿真模型的研究

采用差分原理建立了宝山钢铁集团公司2050轧机粗轧段钢板温度的数学模型(包括空冷、除鳞水冷却、轧制升温、轧辊接触共4种影响温度的过程)．全面分析了2050热轧阶段钢板温度的变化过程，并编写了计算软件。计算结果与实测值吻合较好。     

基于FEM-ANN的冷轧板带板凸度预报

 针对1450HC轧机,利用大型非线性有限元软件MSC.Marc建立仿真模型,对多种轧制工况进行了模拟,得到了板凸度值。研究了不同板带参数、工艺参数、板形调控参数对轧后板凸度的影响规律。以有限元计算值为训练样本,利用BP神经网络强大的非线性映射功能,建立了板凸度预报模型,在训练过程中采用了改进的快速BP训练算法,从而提高了训练速度,加快了网络收敛速度,增加了算法的可行性。该网络模型解决了有限元计算时间长,难以在线应用的问题。     

GCr15轴承钢棒材连轧过程的二维和三维模拟

借助商业有限元软件MSC.Marc建立了GCr15轴承钢150 mm×150 mm坯至φ32 mm棒材的12道次连轧过程的二维和三维模型,并对比了二维和三维模型对轧制过程轧件截面形状、温度的模拟结果。结果表明,与三维模型相比,二维模型模拟得到的轧件截面宽展偏大,但计算效率较高,得出的温度曲线接近三维模型的模拟结果;给定工艺参数的三维模拟较二维模拟准确;模型模拟得到的出口轧制速度和温度与实测值吻合。     

数据驱动的热轧带钢头部终轧温度预计算优化

摘要：带钢头部终轧温度(finishing delivery temperature,FDT)的预计算是精轧设定中的一项重要内容。它不仅是带钢全长终轧温度控制的基础,而且关系到轧制速度、轧制力以及辊缝等模型参数的预设定,对成品带钢的质量控制起着关键性的作用。在实际生产中,带钢头部终轧温度主要是通过结合了统计经验和自适应修正的半机理模型来计算,但是由于带钢换热过程的复杂性难以用关系式精确表达,导致了带钢头部终轧温度的预计算精度不高。针对此问题,从数据驱动的角度出发,利用BP神经网络和改进粒子群优化算法（improved particle swarm optimization, IPSO）,以半机理模型为主,IPSO-P网络模型为辅,建立了一种混合优化模型。通过仿真实验和实际生产对比,结果表明：相比于单纯的神经网络模型或者半机理模型,混合优化模型的预计算精度和收敛速度均有了很大的提高,达到9667%,具有良好的应用前景。     

Pre-alculation optimization of finishing delivery temperature of hot strip head based on data driven

The pre-alculation of finishing delivery temperature of strip head is an important content in finishing rolling setting. It is not only the basis of temperature control for the whole length of the strip, but also related to the preset parameters of rolling speed, rolling force and roll gap. It plays a key role in the quality control of finished strip steel. In practical production, the finishing delivery temperature of strip head mainly depends on semi mechanism model which combines statistical experience and adaptive correction. However, due to the complexity of the strip heat transfer process, the temperature cannot be calculated accurately by the semi mechanism model, which leads to the low accuracy of the pre calculation of finishing delivery temperature at the head of the strip. In order to solve this problem, a hybrid optimization model from a data driven point of view which based on the semi mechanism models and supplemented by BP neural network and improved particle swarm optimization (IPSO) algorithm was established. Through simulation experiment, the results show that: compared with a pure neural network model or mechanism model, the pre calculation accuracy and convergence speed of the hybrid optimization model have been greatly improved up to 9667%, and it has a good application prospect.     

基于神经网络的金属应力状态系数模型

 以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。