人工神经网络系统在大型煤液化反应器用18MnNiMo钢中的应用

冯海波 刘建红 王玉红 李家驹

(天津重型装备工程研究有限公司，天津300457)

18MnNiMo是一种低合金钢，被广泛用于煤液化反应器等大型容器设备。使用状态为调质回火态，为回火下贝氏体组织。在生产过程中由于粗加工状态下的锻件有效壁厚通常在100 mm以上，在调质过程中要求较大的过冷度才能达到力学性能所要求的Rp0.2≥400 MPa，Rm≥550 MPa，A≥20%，这就增加了制造难度。如果化学成分配比不合理很容易导致性能不合格，造成巨大的成本浪费。因此通过控制化学成分，达到满意的力学性能成为首要的任务。

人工神经网络是由大量称为神经元的简单信息单元广泛连接而成的复杂的网络系统，是近年来在各个方面应用较多的一种计算方法。主要是通过仿照生物神经网络(Biological Neural Networks，BNN)的结构和功能而构成的。人工神经网络具有自组织、学习和对输入数据或规则高的容错能力，很适合处理趋势分析、预测和函数拟合等复杂问题[1]。神经网络系统在材料设计方面有着广阔的应用前景，本文是以大量生产数据为基础，通过人工神经网络系统来研究煤液化反应器用18MnNiMo钢成分与力学性能之间的关系。

1 BP人工神经网络模型

本文采用反向传播(BP)算法[2，3]，建立人工神经网络模型。下图给出了一个最基本的BP神经元模型，它具有 个输入，每个输入量都有相对应的适当的权值 和下层相连，网络输出表示为：

z=f(wi,jx-θ)

(1)

式中，f是表示输入/输出关系的传递函数，θ为阀值。

图1 单个BP人工神经网络结构Figure 1 Basic structure of BP artificial neural network

BP网络学习规则的指导思想是：对网络的权值和阀值的修正要沿着函数下降最快的方向即负梯度方向。表达式为：

wk+1=wk-ηkgk

(2)

式中，wk为权值和阀值矩阵，gk为函数的梯度，ηk为学习速率。

基于18MnNiMo钢采用反向传播算法预测材料力学性能的网络结构为5×12×3，即x1到x55个输入，z1到z33个输出，隐含层的神经元为12个。其中5个输入分别为18MnNiMo钢成分的C、Mn、Cr、Ni、Mo，三个输出为Rp0.2、Rm、A。网络训练函数是采用Levenberg-Marquardt算法的trainlm()函数。Log-sigmoid型函数为普遍采用的传递函数类型，而且其非线性映射效果很好，所以输入层与隐含层之间使用区间为[0,1]之间的正切logsig()传递函数。隐含层与输出层之间采用purelin()传递函数。

图2 18MnNiMo钢BP人工神经网络模型Figure 2 BP artificial neural network model of 18MnNiMo steel

假设输入节点为xi，隐层节点为yi，输出节点为zh，输入节点与隐层节点间的网络权值为wji，隐层节点与输出节点间的网络权值为vij，当输出节点的期望值为th时，模型的计算公式为：

隐层节点的输出：

(3)

输出节点：

(4)

输出节点的误差：

(5)

权值修正：

vij(k+1)=v1j(k)+Δv1j=v1j(k)+ηδ1yj

(6)

(7)

(8)

阀值修正：

(9)

为提高收敛性，在进行网络学习前首先将数据进行归一化处理，采用公式x=(x-xmin)/(xmax-xmin)，将数据处理为区间[0,1]之间的数据。其中xmin、xmax为每组输入向量的最小值和最大值。

2 预测结果

BP人工神经网络模型模拟用的试验数据来自实际生产中产品检测数据，数据经过归一化后，采用40组数据训练人工神经网络系统，5组数据用来检测所建立网络的可靠性。网络经过1 000余次训练，误差平方和小于0.1。模型输出结果见表1。

在MnNiMo钢中影响强度的因素有很多，其中固溶强化和淬透性作为主要的两方面在起作用。高的淬透性能提高MnNiMo钢中贝氏体的含量从而提高钢材的强度。Mn作为固溶强化元素可以强化基体，提高刚的淬透性。Ni是提高淬透性和改善低温冲击韧性的元素。此外，在低合金钢中C元素能提高材料的强度。

表1 18MnNiMo钢BP人工神经网络模型输出结果Table 1 The results of 18MnNiMo BP artificial neural network model

从合金成分与网络输出结果分析，4#、5#样品C、Mn、Ni含量均比较高，其网络输出结果屈服强度为503 MPa和510 MPa，是5个样品中最高的，而屈服强度最低的3#样品C、Ni含量较少。上文提到在MnNiMo钢中Mn元素有固溶强化的作用，Mn、Ni能够提高材料淬透性，所以C、Mn、Ni含量高就会直接或间接的提高材料的强度。这一点与5个样品合金含量及网络输出值的屈服强度指标相符合。5#样品中Si、Mn两种元素的含量分别为0.09%和1.48%，在所有样品中是最高的，而网络输出冲击功仅为130 J。这是由于Si、Mn是促进回火催化元素，含量高必然降低材料的韧性。这两种元素本身不会促进回火催化现象，而是促进P的脆化作用。

从网络输出值分析，其误差均在9%以内，其中个别样品误差控制在3%以内。说明基于BP算法的人工神经网络模型建模合理，选取的各个函数和隐含层神经元的数量能真实有效的反映18MnNiMo钢成分与性能之间非线性的复杂函数关系。

3 结语

通过本文的研究结果表明，采用BP算法的人工神经网络模型可以逼近18MnNiMo钢的化学成分与力学性能之间的函数关系。该模型能够准确的预测力学性能参数，从而为质量控制和生产工艺的合理选择提供依据。在大型铸锻件的生产中，对于控制产品质量、缩短产品交货周期、降低生产成本具有重要的意义。

[1] 刘贵立，张国英.用人工神经网络模型研究微量元素对钢力学性能的影响[J].钢铁研究，2000(01).

[2] 周富强，曹建国，等.基于神经网络的冷连轧机轧制力预报模型.中南大学学报(自然科学版)，2006(12).

[3] Hagan M T，Menhaj M. Training feedforword networks with the Marquardt algorithm. IEEE Transactions on Neural Networks，1994，Vol.5No.6，P989～993.