由伟
,
白秉哲
,
方鸿生
,
谢锡善
金属学报
doi:10.3321/j.issn:0412-1961.2004.11.003
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
由伟
,
白秉哲
,
方鸿生
,
谢锡善
金属学报
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) 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
,
null
,
null
