前言：想要寫出一篇引人入勝的文章？我們特意為您整理了建筑耐候鋼鑄造性能神經網絡算法優化范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：為了進行新型建筑耐候鋼鑄造性能優化，本文以合金元素、合金元素添加量、熔煉溫度、靜置時間和澆注溫度5個神經單元為輸入層參數、以腐蝕電位為輸出層參數，以tansig函數為隱含層傳遞函數、purelin函數為輸出層傳遞函數，構建了5×30×6×1四層拓撲結構的新型建筑耐候鋼鑄態性能神經網絡優化模型，并進行了模型的學習訓練與預測驗證。結果表明：模型具有較佳的預測能力和較高的預測精度，模型相對預測誤差介于3.57%與5.02%之間，平均相對預測誤差4.24%。模型優化出的新型建筑耐候鋼是在09MnCuPTi鋼中添加0.3%Ce，熔煉溫度是1630℃、靜置時間是30min、澆注溫度是1600℃。與09MnCuPTi建筑耐候鋼相比，優化的新型建筑耐候鋼的腐蝕電位從-676mV正移到-543mV，正移133mV，耐腐蝕性能得到明顯提高。

關鍵詞：神經網絡算法優化；鑄態性能；耐腐蝕性能；建筑耐候鋼；合金化；09MnCuPTi鋼

在建筑領域，耐候鋼是一種常用的鋼材。耐候鋼是由普碳鋼添加少量銅、鎳等耐腐蝕元素而成，具有優質鋼的強韌、塑延、成型、焊割、磨蝕、高溫、抗疲勞等特性，耐候性為普碳鋼的2～8倍，涂裝性為普碳鋼的1.5～10倍；同時，耐候鋼耐銹，使構件抗腐蝕延壽，具有減薄降耗，省工節能等特點[1]。耐候鋼主要用于鐵道、車輛、橋梁、塔架、光伏、高速工程等長期暴露在大氣中使用的鋼結構。人們對耐候鋼的研究也較多。盧軍輝等[2]分析了鈣處理對耐候鋼低溫韌性和耐腐蝕性能的影響。姚紀壇等[3]研究了低屈強比高強耐候鋼的CCT曲線及性能。武永壽等[4]研究了高強度耐候鋼Q355對接接頭多次焊修力學行為。王發倉等[5]進行了新型3Ni鋼和Q235碳鋼、普通耐候鋼在熱帶島嶼大氣環境中暴曬后的銹層對比分析。陳劍波等[6]進行了Q345A-V含釩建筑耐候鋼的鑄造工藝優化研究。林田子等[7]分析了返紅溫度對低屈強比高強度耐火耐候鋼組織及性能的影響。唐百曉[8]研究和分析了軋制工藝對建筑用耐候鋼顯微組織的影響。但是隨著市場對建筑耐候鋼性能要求的不斷提高，現有的建筑耐候鋼往往難以滿足要求，尤其是鑄態力學性能和耐磨損性能迫切需要提高。但是建筑耐候鋼鑄態性能的影響因素眾多，且各因素影響程度不同，單靠單純的試驗研究來進行建筑耐候鋼鑄態性能優化，將耗費大量的人力、物力和財力。我們都知道，隨著計算機技術的發展，作為新一代人工智能技術的神經網絡技術得到快速發展。趙傳營等[9]基于神經網絡遺傳算法進行了磁粒研磨TC4材料工藝參數優化。陳詩雨等[10]進行了Fourier神經網絡非線性擬合性能優化研究。李瑞娟等[11]基于CAE和T-S神經網絡技術進行了儲物箱注塑工藝優化。但是，目前關于建筑耐候鋼鑄態性能神經網絡優化的研究還鮮有報道。為此，本文嘗試構建四層拓撲結構的神經網絡模型，對新型建筑耐候鋼鑄態性能進行優化，以期為建筑耐候鋼鑄態性能優化提供新的思路和試驗數據。

1神經網絡優化模型的構建

09MnCuPTi鋼是一種最常用的建筑耐候鋼，本文以09MnCuPTi鋼為基礎，通過添加少量的合金元素制備出新型建筑耐候鋼。本文構建新型建筑耐候鋼鑄態性能神經網絡優化模型采用5×30×6×1四層拓撲結構（圖1），模型有一個輸入層、兩個隱含層和一個輸出層。輸入層的主要作用是將各輸入參數輸入到模型內；隱含層的主要作用是進行內部運算；輸出層的主要作用是輸出模型預測結果。隱含層傳遞函數選擇tansig函數，輸出層傳遞函數選擇purelin函數。輸入層有5個神經單元參數，分別是合金元素、合金元素添加量、熔煉溫度、靜置時間、澆注溫度。隱含層一和隱含層二分別有30個、6個神經單元。輸出層有1個神經單元參數：耐腐蝕性能。耐腐蝕性能以腐蝕電位來評價，腐蝕電位愈正，耐腐蝕性能越佳；反之，如果腐蝕電位愈負，則耐腐蝕性能越差。新型建筑耐候鋼鑄態性能神經網絡優化模型的各輸入參數取值范圍，如表1所示。為了避免因輸入參數過大導致模型超出計算容量，所有輸入參數進行了歸一化處理，并對所有輸出參數進行了歸一化逆運算。

2試驗材料及方法

以09MnCuPTi鋼為基礎鋼材，通過添加少量的合金元素制備出新型建筑耐候鋼試樣。從表1中隨機選取25個組合進行試驗，制備出不同參數下的25個新型建筑耐候鋼鑄態試樣。試樣的制備過程主要包括：首先根據試樣設計成分準確稱量原料；然后在感應熔煉爐中進行熔煉，熔煉時熔煉覆蓋劑為C3型覆蓋劑，靜置設置的相應時間后進行兩次精煉，精煉時通入氬氣進行熔體保護；再采用自制鐵模進行澆注，模具預熱溫度400℃；最后將鑄錠表面氧化皮車掉，得到尺寸為準80mm×260mm的鑄態試樣。用線切割方法在試樣中部切取腐蝕試樣，尺寸為準30mm×15mm。腐蝕試驗在室溫條件下，用CS330型電化學工作站進行測試，腐蝕液為5%氯化鈉水溶液，記錄腐蝕電位。腐蝕試驗前先在-1.0V恒電位下極化180s。腐蝕試驗后用JSM6510型掃描電子顯微鏡觀察試樣的表面腐蝕形貌。

3神經網絡優化模型的訓練與預測驗證

3.1模型的學習訓練

新型建筑耐候鋼鑄態性能神經網絡優化模型的學習訓練樣本為25組試驗數據中隨機抽取的19組試驗數據。模型的學習訓練函數調用trainlm函數，學習訓練參數為：訓練速率設定為0.022，動量因子設定為0.75，期望誤差設定為1×10-5，其它參數則直接采用Matlab系統默認值。新型建筑耐候鋼鑄態性能神經網絡優化模型的學習訓練結果如表2所示，表中的相對訓練誤差是指訓練值與試驗值之差的絕對值與試驗值的百分比。從表2可以看出，本文構建的神經網絡優化模型相對訓練誤差介于4.01%與6.51%之間，平均相對訓練誤差5.01%，模型相對訓練誤差較小，具有較佳的學習訓練能力。由此可以看出，本文構建的神經網絡優化模型能較準確地反映合金元素、合金元素添加量、熔煉溫度、靜置時間、澆注溫度與鑄態新型建筑耐候鋼耐腐蝕性能之間的內在對應關系，可以用來預測鑄態新型建筑耐候鋼耐腐蝕性能。

3.2模型的預測驗證

新型建筑耐候鋼鑄態性能神經網絡優化模型的預測驗證樣本為未經學習訓練的6組試驗數據。神經網絡優化模型的預測驗證結果如表3所示，表中的相對預測誤差是指預測值與試驗值之差的絕對值與試驗值的百分比。從表3可以看出，本文構建的神經網絡優化模型相對預測誤差介于3.57%與5.02%之間，平均相對預測誤差4.24%，模型相對預測誤差偏小，具有較佳的預測能力和較高的預測精度。由此可以看出，本文構建的神經網絡優化模型較為準確地建立起了新型建筑耐候鋼各輸入層神經單元參數（合金元素、合金元素添加量、熔煉溫度、靜置時間、澆注溫度）與輸出層神經單元參數（耐候鋼耐腐蝕性能）之間的內在對應關系，可以較為準確地預測鑄態新型建筑耐候鋼耐腐蝕性能。

3.3應用驗證

新型建筑耐候鋼鑄造性能神經網絡優化模型優化出的各參數如表4所示。以表4所示優化參數制備出的新型建筑耐候鋼鑄態試樣，記為“模型優化新型建筑耐候鋼”。將市售的鑄態09MnCuPTi建筑耐候鋼記為“09MnCuPTi建筑耐候鋼”。模型優化新型建筑耐候鋼與09MnCuPTi建筑耐候鋼的耐腐蝕性能測試結果為：模型優化新型建筑耐候鋼-543mV，9MnCuPTi建筑耐候鋼-676mV。與09MnCuPTi建筑耐候鋼相比，模型優化新型建筑耐候鋼的腐蝕電位從-676mV正移到-543mV，正移了133mV，試樣耐腐蝕性能得到明顯提高。圖2是模型優化新型建筑耐候鋼與09MnCuPTi建筑耐候鋼腐蝕試驗后的表面形貌。從圖2可以看出，09MnCuPTi建筑耐候鋼腐蝕試驗后表面出現較多的團狀腐蝕坑和團狀腐蝕產物，試樣腐蝕現象較為嚴重。模型優化新型建筑耐候鋼腐蝕試驗后表面未見明顯的粗大團狀腐蝕坑和腐蝕產物，試樣腐蝕現象較09MnCuPTi建筑耐候鋼明顯減輕，試樣的耐腐蝕性能較09MnCuPTi建筑耐候鋼得到顯著改善。

4結論

（1）以合金元素、合金元素添加量、熔煉溫度、靜置時間和澆注溫度5個神經單元為輸入層參數、以耐腐蝕性能（以腐蝕電位表征）為輸出層參數，以tansig函數為隱含層傳遞函數、purelin函數為輸出層傳遞函數，采用5×30×6×1四層拓撲結構建立的新型建筑耐候鋼鑄態性能神經網絡優化模型具有較佳的預測能力和較高的預測精度，模型相對預測誤差介于3.57%與5.02%之間，平均相對預測誤差4.24%。（2）新型建筑耐候鋼鑄態性能神經網絡優化模型以trainlm函數為學習訓練函數調，訓練速率0.022，動量因子0.75，期望誤差1×10-5，其它參數采用Matlab系統默認值，模型相對訓練誤差介于4.01%與6.51%之間，平均相對訓練誤差5.01%；模型相對訓練誤差較小，具有較佳的學習訓練能力。（3）神經網絡模型優化出的新型建筑耐候鋼是在09MnCuPTi鋼中添加0.3%Ce，熔煉溫度1630℃、靜置時間30min、澆注溫度1600℃。與09MnCuPTi建筑耐候鋼相比，模型優化新型建筑耐候鋼的腐蝕電位從-676mV正移到-543mV，正移133mV，耐腐蝕性能得到明顯提高。

作者:湯東 王兵 劉松林 單位:重慶化工職業學院 重慶市建筑科學研究院有限公司 重慶大學材料科學與工程學院