CN116682505B - 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 - Google Patents
一种基于分位数回归森林的hrb400e钢材力学性能预测方法 Download PDFInfo
- Publication number
- CN116682505B CN116682505B CN202310707256.5A CN202310707256A CN116682505B CN 116682505 B CN116682505 B CN 116682505B CN 202310707256 A CN202310707256 A CN 202310707256A CN 116682505 B CN116682505 B CN 116682505B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- quantile regression
- hrb400e
- hrb400e steel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 54
- 239000010959 steel Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007637 random forest analysis Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于分位数回归森林的HRB400E钢材力学性能预测方法,数据样本的选取;数据处理;数据划分:将实际数据集按照数据划分策略划分为训练集和测试集;构建分位数回归森林模型:利用分位数回归森林模型对训练数据进行计算,结合贝叶斯优化方法确定模型最优超参数组合,从而得到最终预测模型;HRB400E钢材力学性能预测:利用最终的预测模型对待预测数据进行计算,得到待预测HRB400E钢材的力学性能预测值。本发明采用上述步骤,通过在随机森林模型中引入分位数回归从而实现区间预测,并结合贝叶斯优化确定最优参数组合,得到最优预测模型,可以反向对生产工艺参数进行优化和指导,对提高产品质量起到了有利效果。
Description
技术领域
本发明涉及材料性能预测技术领域,特别是涉及一种基于分位数回归森林的HRB400E钢材力学性能预测方法。
背景技术
随着棒材的不断发展,棒材被广泛的应用于建筑、机械、汽车、船舶等工业领域,其中70%的棒材用作建筑,其余用作各类轴、螺母、弹簧的方面,因此,棒材对于钢铁行业的发展有着非常重要的意义。现如今,我国的棒材发展已经取得了长足的进步,不仅是生产规模,生产工艺也得到了连续突破,且我国棒材的生产质量较以前的质量有显著提升,而随着我国工业发展对棒材的需求缺口越来越大,对其性能的要求也越发严格。
相比于普通棒材,HRB400E钢材主要对其强度及伸长率在技术指标上作了一定的提升,从而加强了钢材的抗震能力,保证了结构构件在地震力作用下具有良好的延性,基于其历史生产数据建立HRB400E钢材的力学性能预测模型有助于优化其生产工艺,对产品质量的提升有着重要的意义。
大量研究表明,传统方法主要通过实验手段获得材料的力学性能,需要花费大量的人力成本和时间成本等。随着机器学习的不断发展,基于数据建立力学性能预测模型引起了人们的广泛关注,然而,目前常用的神经网络等算法在建模时由于数据不稳定,导致模型鲁棒性不足,模型精度无法满足要求,因此需要一种新方法来较为快速、合理地预测其力学性能。
发明内容
本发明的目的是提供一种基于分位数回归森林的HRB400E钢材力学性能预测方法,通过对HRB400E钢材力学性能的精准预测,可以反向对生产工艺参数进行优化和指导,从而提高产品质量。
为实现上述目的,本发明提供了一种基于分位数回归森林的HRB400E钢材力学性能预测方法,S1、数据样本的选取:选取同系列不同强度HRB400E钢材,对输入参数和输出参数进行收集;
S2、数据处理:对S1中收集的参数数据进行筛选,再使用拉依达准则将S1中数据的异常值剔除,得到实际数据集;
S3、数据划分:将S2中的实际数据集按照数据划分策略划分为训练集和测试集;
S4、构建分位数回归森林模型:利用分位数回归森林模型对训练数据进行计算,结合贝叶斯优化方法确定模型最优超参数组合,从而得到待预测HRB400E钢材的最终预测模型;
S5、HRB400E钢材力学性能预测:利用最终的预测模型对待预测数据进行计算,得到待预测HRB400E钢材的力学性能预测值。
优选的,S1中,输入参数为成分含量和工艺参数,输出参数为屈服强度、抗拉强度和延伸率。
优选的,S2中,筛选时将输入参数存在缺失的HRB400E钢材整体数据剔除,反之,则保留。
优选的,S3中,划分策略为随机排列或按照性能指标分层抽样,将实际数据集按3:1的比例划分为训练集和测试集。
优选的,S4中,引入分位数回归实现区间预测,
Yθ=Xβθ+εθ
其中,θ为分位数,β为系数,ε为误差。
优选的,S5中,定期对分位数回归森林模型进行训练,使其迭代优化后保持较高的预测精度。
因此,本发明采用上述步骤的一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其有益效果为:
1、通过在随机森林模型中引入分位数回归从而实现区间预测,并结合贝叶斯优化对模型的超参数进行两阶段优化,得到最优的最终预测模型,引入分位数回归能够更加全面的描述被解释变量条件分布的全貌,给最终预测模型的预测结果提供可靠性参考;
2、能够以有限的数据量较准确地预测出HRB400E钢材的力学性能,具有精度高,快速预测的优点,并且能定期对分位数回归森林模型进行训练,使其始终保持较高的预测精度;
3、通过选择成分含量和工艺参数存在差别的HRB400E钢材数据,使实际数据集包含了较为全面的成分含量和工艺参数的信息,保证所建立的最终预测模型能够反映出更客观的HRB400E钢材力学性能预测规律,使最终预测模型具有更广泛的适用性;
4、通过对HRB400E钢材力学性能的精准预测,可以反向对输入参数进行优化和指导,从而提高产品质量;
5、利用拉依达准则对输入参数中数据的异常值进行剔除,提高信噪比,使建模的计算量大大减少。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是最终预测模型与RBF模型中力学性能预测值与实测值对比图;
图2是最终预测模型与RBF模型的预测值与实际值相关系数柱状图;
图3是最终预测模型与RBF模型的平均绝对误差柱状图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例1
S1、数据样本的选取:选取同系列不同强度HRB400E钢材,对输入参数和输出参数进行收集。
输入参数为成分含量和工艺参数,成分含量具体为C含量、Si含量、Mn含量、P含量、S含量、Cu含量、Ni含量、Cr含量、Nb含量、V含量、Ti含量、Mo含量、Als含量等。
工艺参数具体为轧制厚度、出钢温度、进精轧温度、进成品机架温度、上冷床头温、终轧速度等。
输出参数为屈服强度YS、抗拉强度TS和延伸率EL。
通过选择成分含量和工艺参数存在差别的HRB400E钢材数据,使数据样本中包含了较为全面的成分含量和工艺参数信息,保证所建立的模型能够反映出更客观的HRB400E钢材力学性能预测规律,使模型具有更广泛的适用性。
S2、数据处理:对S1中收集的参数数据进行筛选,筛选时将输入参数存在缺失的HRB400E钢材整体数据剔除,反之,则保留。
保持初始数据集中的轧制厚度不变,将其余的成分和工艺参数使用拉依达准则将S1中数据的异常值剔除,提高信噪比,直至数据数量不再减少得到实际数据集。
S3、数据划分:将S2中的实际数据集按照数据划分策略划分为训练集和测试集,划分策略为随机排列或按照性能指标分层抽样,将实际数据集按3:1的比例划分为训练集和测试集。
S4、构建分位数回归森林模型:利用分位数回归森林模型对训练数据进行计算,结合贝叶斯优化方法确定模型最优超参数组合,从而得到待预测HRB400E钢材的最终预测模型。
引入分位数回归实现区间预测,
Yθ=Xβθ+εθ
其中,θ为分位数,β为系数,ε为误差。
S5、HRB400E钢材力学性能预测:利用最终的预测模型对待预测数据进行计算,得到待预测HRB400E钢材的力学性能预测值。
根据通过最终预测模型得到的力学性能预测值来判断在该输入参数下得到的HRB400E钢材是否为合格品,若力学性能预测值不在合格范围内,可通过最终预测模型反向调整输入参数,提高HRB400E钢材的成品合格率。
实施例2
数据处理后得到完整数据3046组,划分后训练集为2284组,预测集为762组。利用分位数回归森林模型对训练数据进行计算,结合贝叶斯优化方法确定模型最优超参数组合,通过对训练数据的输入参数进行分析,并根据其参数对应的力学性能确定最终待预测模型的最优系数,从而得到待预测HRB400E钢材的最终预测模型。
对比例1
数据处理后得到完整数据3046组,划分后训练集为2284组,预测集为762组,利用RBF神经网络模型对相同的力学性能进行预测。
实施例3
对实施例2和对比例1中得到的最终预测模型从预测精度、相关系数和平均绝对百分比误差几个角度进行评价:
3.1、预测精度评价
如图1所示,实施例1中,通过最终预测模型得到待预测HRB400E钢材的屈服强度的预测值和实测值的相对误差在±6%以内的预测精度可达到95.8%,抗拉强度的预测值和实测值的相对误差在±6%以内的预测精度可达到99.2%,延伸率的预测值和实测值的绝对误差在±4%以内的预测精度可达到100%。
如图1所示,对比例1中,通过RBF模型得到待预测HRB400E钢材的屈服强度的预测值和实测值的相对误差在±6%以内的预测精度可达到89.8%,抗拉强度的预测值和实测值的相对误差在±6%以内的预测精度可达到92.8%,延伸率的预测值和实测值的绝对误差在±4%以内的预测精度可达到97%。
3.2、相关系数评价
Cov(X,Y)=E[(X-μx)(Y-μy)]
其中,σX为X的标准差,σY为Y的标准差,μx为X的平均值,μy为Y的平均值,E为期望。
如图2所示,实施例1中,通过最终预测模型得到的输入参数与HRB400E钢材的屈服强度的相关系数可达到0.58,与HRB400E钢材的抗拉强度的相关系数可达到0.32,与HRB400E钢材的延伸率的相关系数可达到0.87。
如图2所示,对比例1中,通过RBF模型得到的输入参数与HRB400E钢材的屈服强度的相关系数可达到0.30,与HRB400E钢材的抗拉强度的相关系数可达到0.16,与HRB400E钢材的延伸率的相关系数可达到0.34。
通过对比两种模型的相关系数,可以看出最终预测模型的屈服强度、抗拉强度和延伸率与输入参数的相关性比RBF模型的相关性更强。
3.3、平均绝对百分比误差评价
如图3所示,通过最终预测模型得到的力学性能均方误差为:屈服强度均方误差为0.022、抗拉强度均方误差为0.018、延伸率均方误差为0.024。
如图3所示,通过RBF模型得到的力学性能均方误差为:屈服强度均方误差为0.031、抗拉强度均方误差为0.025、延伸率均方误差为0.047。
通过对比两种模型的均方误差,可以看出最终预测模型的均方误差比RBF模型的均方误差更小。
综上所述,最终预测模型和RBF模型,可以看出最终预测模型对于HRB400E钢材力学性能的预测效果比RBF模型的预测效果更好。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其特征在于:S1、数据样本的选取:选取同系列不同强度HRB400E钢材,对输入参数和输出参数进行收集;
S2、数据处理:对S1中收集的参数数据进行筛选,再使用拉依达准则将S1中数据的异常值剔除,得到实际数据集;
S3、数据划分:将S2中的实际数据集按照数据划分策略划分为训练集和测试集;
S4、构建分位数回归森林模型:利用分位数回归森林模型对训练数据进行计算,结合贝叶斯优化方法确定模型最优超参数组合,从而得到待预测HRB400E钢材的最终预测模型;
S4中,引入分位数回归实现区间预测,
Yθ=Xβθ+εθ
其中,θ为分位数,β为系数,ε为误差;
S5、HRB400E钢材力学性能预测:利用最终的预测模型对待预测数据进行计算,得到待预测HRB400E钢材的力学性能预测值。
2.根据权利要求1所述的一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其特征在于:S1中,输入参数为成分含量和工艺参数,输出参数为屈服强度、抗拉强度和延伸率。
3.根据权利要求1所述的一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其特征在于:S2中,筛选时将输入参数存在缺失的HRB400E钢材整体数据剔除,反之,则保留。
4.根据权利要求1所述的一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其特征在于:S3中,划分策略为随机排列或按照性能指标分层抽样,将实际数据集按3:1的比例划分为训练集和测试集。
5.根据权利要求1所述的一种基于分位数回归森林的HRB400E钢材力学性能预测方法,其特征在于:S5中,定期对分位数回归森林模型进行训练,使其迭代优化后保持较高的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707256.5A CN116682505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707256.5A CN116682505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116682505A CN116682505A (zh) | 2023-09-01 |
CN116682505B true CN116682505B (zh) | 2023-11-21 |
Family
ID=87778927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310707256.5A Active CN116682505B (zh) | 2023-06-14 | 2023-06-14 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682505B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038595A (ja) * | 2012-07-20 | 2014-02-27 | Jfe Steel Corp | 鋼材の材質予測装置及び材質制御方法 |
KR20170035118A (ko) * | 2015-09-22 | 2017-03-30 | 현대제철 주식회사 | 강재의 기계적 특성 예측방법 |
CN111429979A (zh) * | 2020-03-23 | 2020-07-17 | 武汉科技大学 | 一种基于支持向量机分位数回归的钢材力学性能预测方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
CN114897227A (zh) * | 2022-04-26 | 2022-08-12 | 东北大学 | 基于改进随机森林算法的多钢种力学性能预报方法 |
CN115081749A (zh) * | 2022-07-28 | 2022-09-20 | 华中科技大学 | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及*** |
CN115618751A (zh) * | 2022-12-16 | 2023-01-17 | 江苏金恒信息科技股份有限公司 | 一种钢板力学性能预测方法 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846517B (zh) * | 2018-06-12 | 2021-03-16 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2023
- 2023-06-14 CN CN202310707256.5A patent/CN116682505B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014038595A (ja) * | 2012-07-20 | 2014-02-27 | Jfe Steel Corp | 鋼材の材質予測装置及び材質制御方法 |
KR20170035118A (ko) * | 2015-09-22 | 2017-03-30 | 현대제철 주식회사 | 강재의 기계적 특성 예측방법 |
CN111429979A (zh) * | 2020-03-23 | 2020-07-17 | 武汉科技大学 | 一种基于支持向量机分位数回归的钢材力学性能预测方法 |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112100745A (zh) * | 2020-09-15 | 2020-12-18 | 东北大学 | 基于lda理论的汽车大梁钢力学性能预测方法 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
CN114897227A (zh) * | 2022-04-26 | 2022-08-12 | 东北大学 | 基于改进随机森林算法的多钢种力学性能预报方法 |
CN115081749A (zh) * | 2022-07-28 | 2022-09-20 | 华中科技大学 | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及*** |
CN115618751A (zh) * | 2022-12-16 | 2023-01-17 | 江苏金恒信息科技股份有限公司 | 一种钢板力学性能预测方法 |
Non-Patent Citations (3)
Title |
---|
基于灰色关联分析与随机森林回归模型的短期负荷预测;张冰;周步祥;石敏;魏金萧;;水电能源科学(04);全文 * |
基于随机森林算法预测减压馏分油中噻吩硫化物的组成分布;任小甜;褚小立;田松柏;;石油学报(石油加工)(05);全文 * |
热镀锌钢卷力学性能GBDT预报模型;王伟;匡祯辉;谢少捷;白振华;;福州大学学报(自然科学版)(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116682505A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11475317B2 (en) | Microalloyed steel mechanical property prediction method based on globally additive model | |
CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
CN116501003A (zh) | 一种用于特种钢材冶炼的加工管控方法及*** | |
JP2005315703A (ja) | 鋼材の材質予測方法 | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及*** | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN111790762B (zh) | 一种基于随机森林的热轧带钢轧制力设定方法 | |
CN110569566A (zh) | 一种板带力学性能预测方法 | |
CN111105082A (zh) | 基于机器学习的工件质量预测模型构建方法及预测方法 | |
CN111563686A (zh) | 一种基于全流程数据的冷轧硅钢质量判定方法 | |
CN112214933A (zh) | 一种基于机器学习的疲劳性能预测方法 | |
CN111709181B (zh) | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 | |
CN104376201B (zh) | 一种影响合金材料力学性能的关键工艺参数的确定方法 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
CN116682505B (zh) | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 | |
Li et al. | Physical metallurgy guided industrial big data analysis system with data classification and property prediction | |
CN116825253B (zh) | 基于特征选择的热轧带钢力学性能预测模型的建立方法 | |
CN108763637B (zh) | 一种热轧线材抗拉强度的计算与预判方法 | |
CN112434927A (zh) | 一种火电厂全要素竞争力指标评价方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN110442953B (zh) | 基于物理冶金学指导下机器学习的q&p钢的设计方法 | |
CN116822367A (zh) | 一种基于lstm模型的if钢力学性能预测方法 | |
CN113887089A (zh) | 线棒材力学性能预测方法及计算机可读存储介质 | |
JP2002236119A (ja) | 鋼材の材質推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |