20、热轧过程性能改进：人工神经网络的应用与优化

热轧过程性能改进：人工神经网络的应用与优化

1. 人工神经网络架构生成

在构建人工神经网络（ANN）模型时，会执行选择、交叉、变异和精英操作来创建后续代的种群。这个过程会一直重复，直到NSGA - II算法收敛。最终，排名为1的解决方案被视为最终的帕累托前沿，其中每个点都与一个ANN架构相关联。可以使用合适的高阶信息，如K折交叉验证、赤池信息准则（AIC）或其他模型评估标准，从列表中选择一个架构，作为最终的最优设计ANN解决方案，该方案能够实现最大的准确性和最小的过拟合。

2. 热轧过程描述与数据生成

过去二十年来，预测钢铁的机械性能一直是研究的主题。传统上，通过工艺冶金知识和行业经验来实现所需的机械性能。钢铁的机械性能不仅取决于其固有化学组成，还取决于制造过程中形成的微观结构。在微合金钢制造中，微观结构的演变非常复杂和动态，使得预测的一致性较差，这增加了生产具有所需性能新钢材的工作量和时间。

随着物理冶金、热机械加工的进步以及人工智能的广泛应用，人们尝试开发能够提高微合金钢机械性能预测一致性的模型。许多研究团队开发了相关模型，并尝试将其应用于钢铁产品的生产中，这些模型大多集中在热轧过程，因为在热轧中可以严格控制加工条件以获得最终性能。

以薄板坯连铸连轧（TSCR）工艺，即紧凑带钢工艺（CSP）为例，其流程如下：
1. 首先，使用薄板坯连铸机将钢水浇铸成厚度约为50 - 70毫米的板坯。
2. 铸钢经过剪切后，进入1150°C的均热炉，停留约25分钟。
3. 然后进入精轧机。由于该工艺中没有粗轧机，板坯进入精轧机第一机架时的晶粒非常大（平均晶粒尺寸约600 µm），且具有铸态微观结构。需要在精轧机中进行适当