基于人工神經(jīng)網(wǎng)絡(luò)含稀土元素熔敷金屬力學(xué)性能預(yù)測*

郭永環(huán)， 孟祥里， 郭 妍， 范希營， 張 亮

(1. 江蘇師范大學(xué) 機(jī)電工程學(xué)院， 江蘇 徐州 221116； 2. 大慶油田管理局大慶鉆探工程公司 鉆井生產(chǎn)技術(shù)服務(wù)二公司， 黑龍江 大慶 163461)

基于人工神經(jīng)網(wǎng)絡(luò)含稀土元素熔敷金屬力學(xué)性能預(yù)測*

郭永環(huán)1， 孟祥里1， 郭 妍2， 范希營1， 張 亮1

(1. 江蘇師范大學(xué) 機(jī)電工程學(xué)院， 江蘇 徐州 221116； 2. 大慶油田管理局大慶鉆探工程公司 鉆井生產(chǎn)技術(shù)服務(wù)二公司， 黑龍江 大慶 163461)

為了提高焊條的力學(xué)性能并縮短焊條研發(fā)周期，在E4301型焊條藥皮配方基礎(chǔ)上加入了CeO2和稀土元素La，并對焊條進(jìn)行了力學(xué)性能試驗.對試驗數(shù)據(jù)進(jìn)行分析后發(fā)現(xiàn)，加入適量的稀土元素可以改善焊條的力學(xué)性能.利用典型BP和RBF神經(jīng)網(wǎng)絡(luò)分別建立力學(xué)性能預(yù)測模型.將焊條中的CeO2、La、Si、Mn含量與焊接速度作為預(yù)測模型的輸入變量，將熔敷金屬的抗拉強度、下屈服強度、斷后伸長率與熱影響區(qū)平均硬度作為輸出變量.結(jié)果表明，將BP和RBF神經(jīng)網(wǎng)絡(luò)用于對含稀土焊條力學(xué)性能的預(yù)測是可行的，且RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度和效率要高于BP神經(jīng)網(wǎng)絡(luò)模型.

La元素； 焊接速度； BP神經(jīng)網(wǎng)絡(luò)； RBF神經(jīng)網(wǎng)絡(luò)； 預(yù)測模型； 熔敷金屬； 力學(xué)性能； 焊條

影響焊條力學(xué)性能的因素很多，各因素間存在復(fù)雜的相互作用和非線性關(guān)系，且并無確定的函數(shù)關(guān)系可遵循.傳統(tǒng)方法中制備新型焊條的研發(fā)周期很長，且試樣加工成本與力學(xué)性能測試成本均很高.隨著產(chǎn)品生產(chǎn)的加速化和高精化，要求縮短焊條的生產(chǎn)開發(fā)周期.傳統(tǒng)方法已不能滿足焊條實際生產(chǎn)發(fā)展的需要，因此，在制備配方不同的焊條時，如果能夠根據(jù)其本身的特點來達(dá)到預(yù)測焊條力學(xué)性能的目的，就可以在焊條生產(chǎn)中縮短周期，節(jié)省人力、物力，從而提高焊條的附加值.另外，當(dāng)焊條中各成分的含量或焊接工藝參數(shù)不同時，焊條力學(xué)性能也會隨之改變，因此，改變焊條藥皮配方是提高焊條力學(xué)性能的主要途徑[1].有關(guān)將稀土元素加入合金的研究表明，適量的稀土元素可使合金的力學(xué)性能得到改善[2-6].因此，可以考慮將稀土元素加入焊接材料中，從而提高焊接材料的力學(xué)性能[7-9].

隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展和應(yīng)用，其在非線性系統(tǒng)建模方面的優(yōu)勢逐漸凸顯出來[10-12].人工神經(jīng)網(wǎng)絡(luò)具有很好的自學(xué)習(xí)、自組織、容錯與自修復(fù)、聯(lián)想推理等能力，因此，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已成為對非線性系統(tǒng)建立預(yù)測模型的關(guān)鍵技術(shù)之一.當(dāng)建立力學(xué)性能預(yù)測模型時，可采用簡單、易行、計算量小、并行性強的多層前饋BP神經(jīng)網(wǎng)絡(luò)，也可采用徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)，這樣不僅可以加快學(xué)習(xí)速度，還能避免陷于局部極值的問題[13].為了改善焊條熔敷金屬的力學(xué)性能，本文在常用的鈦鐵礦型焊條E4301藥皮配方的基礎(chǔ)上加入了不同含量的CeO2與La稀土元素.另外，為了獲得焊條原材料成分、焊接工藝與焊條熔敷金屬力學(xué)性能之間的映射關(guān)系，采用BP與RBF神經(jīng)網(wǎng)絡(luò)方法建立了含稀土元素焊條力學(xué)性能預(yù)測模型.

1 試驗方法及結(jié)果

1.1 試驗方法

E4301焊條藥皮組分如表1所示.在E4301焊條藥皮配方基礎(chǔ)上加入不同含量的CeO2和La稀土元素，并改變中碳錳鐵(中錳)含量，配出12種焊條藥皮配方.根據(jù)所用中錳中Mn、Si所占百分?jǐn)?shù)，可以計算得到中錳所含Mn、Si在12種焊條藥皮配方中所占百分?jǐn)?shù).12種焊條藥皮主要組分及利用焊條進(jìn)行試板焊接時的焊接速度如表2所示.

表1 E4301焊條藥皮組分(w)

表2 12種焊條藥皮主要組分及焊接速度

參照GB/T5117-1995標(biāo)準(zhǔn)制備試板并壓制焊條.采用厚度為20 mm的Q345B鋼作為試板，采用H08A焊芯，壓制直徑為4 mm的E4301焊條與稀土元素焊條.焊接電流為140～180 A，焊層數(shù)為7層，每層焊道數(shù)為2道，焊道間溫度控制在110～180 ℃范圍內(nèi).完成試板焊接后，應(yīng)保證角變形小于5°，否則予以報廢.

按照GB2652-2008標(biāo)準(zhǔn)進(jìn)行熔敷金屬拉伸試驗，以測得抗拉強度、下屈服強度與斷后伸長率.按照GB/T230.1-2004標(biāo)準(zhǔn)測試熔敷金屬的熱影響區(qū)平均硬度.

1.2 試驗結(jié)果

對焊接試板進(jìn)行拉伸試驗和硬度試驗，獲得熔敷金屬的抗拉強度、下屈服強度、斷后伸長率和熱影響區(qū)平均硬度，具體數(shù)值如表3所示.

表3中1號焊條為E4301焊條.對表3中不同焊條的力學(xué)性能進(jìn)行對比分析后發(fā)現(xiàn)，相對于1號焊條而言，只有2號和11號焊條的熔敷金屬抗拉強度與下屈服強度有所下降，其余編號焊條則均有所提高.與1號焊條相比，其他編號焊條的斷后伸長率均有所提高.除3、5和6號焊條外，其余編號焊條的熱影響區(qū)平均硬度相比1號焊條均存在不同程度的下降.綜合而言，加入質(zhì)量分?jǐn)?shù)為0.1%的CeO2、質(zhì)量分?jǐn)?shù)為0.5%的La元素的6號焊條熔敷金屬的力學(xué)性能得到了顯著的提高，且其抗拉強度、下屈服強度和斷后伸長率分別提高了6.4%、9.2%和25.2%，而相應(yīng)的熱影響區(qū)平均硬度提高了0.4%，因而6號焊條表現(xiàn)出良好的力學(xué)性能.

表3 焊條的力學(xué)性能試驗數(shù)據(jù)

2 BP神經(jīng)網(wǎng)絡(luò)模型的建立與預(yù)測

2.1 模型的輸入與輸出變量

焊條成分的不同與焊接工藝的差異會影響焊條熔敷金屬的力學(xué)性能.焊條中錳中Mn的含量w1(Mn)、中錳中Si的含量w2(Si)、原材料中CeO2的含量w3(CeO2)、原材料中La的含量w4(La)，以及當(dāng)焊接電壓一定時焊接工藝中的焊接速度w5(v)是影響焊條熔敷金屬力學(xué)性能的主要因素，所以將w1(Mn)、w2(Si)、w3(CeO2)、w4(La)和w5(v)作為預(yù)測模型的輸入.而判斷力學(xué)性能的主要指標(biāo)是熔敷金屬的力學(xué)性能，因而將焊條熔敷金屬的抗拉強度Rm、下屈服強度ReL、斷后伸長率A5.65、熱影響區(qū)平均硬度HR作為預(yù)測模型的輸出.在確定了預(yù)測模型的輸入與輸出之后，根據(jù)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)原理進(jìn)行建模，獲得的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖1所示.

2.2 模型的訓(xùn)練與預(yù)測結(jié)果

建立含有5個輸入變量與4個輸出變量的BP神經(jīng)網(wǎng)絡(luò)模型，選擇隱含層節(jié)點數(shù)為9.利用Matlab軟件進(jìn)行編碼建模，設(shè)定最大允許訓(xùn)練步數(shù)為50 000步，最小訓(xùn)練目標(biāo)誤差為0.000 1.將前7組試驗數(shù)據(jù)作為訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后將后5組試驗數(shù)據(jù)作為測試樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測.由于BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度較慢，因而訓(xùn)練2 500步后才能達(dá)到訓(xùn)練目標(biāo)誤差.將預(yù)測結(jié)果與試驗所得結(jié)果進(jìn)行對比，即可得到相對誤差.BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與誤差如表4所示.

圖1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

由表4可以計算得到焊條熔敷金屬的抗拉強度、下屈服強度、斷后伸長率和熱影響區(qū)平均硬度的平均相對誤差分別為4.32%、6.33%、15.86%和17.64%.可見，4個輸出變量中只有抗拉強度的平均相對誤差在5%之內(nèi)，可以滿足實際生產(chǎn)中的精度要求；下屈服強度的預(yù)測精度達(dá)到6.33%，對實際生產(chǎn)具有一定的指導(dǎo)意義；斷后伸長率與熱影響區(qū)平均硬度的預(yù)測精度介于15%～20%之間，誤差較大.

3 RBF神經(jīng)網(wǎng)絡(luò)模型的建立與預(yù)測

RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入和輸出變量與BP神經(jīng)網(wǎng)絡(luò)相同.根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)原理建立模型，RBF神經(jīng)網(wǎng)絡(luò)是一個三層前饋網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成.第一層為輸入層(節(jié)點數(shù)為5)，該層的各個節(jié)點直接與輸入變量的各分量連接；第二層為隱含層(節(jié)點數(shù)為9)，每一個節(jié)點都為一個RBF節(jié)點；第三層為輸出層(節(jié)點數(shù)為4)，用以實現(xiàn)網(wǎng)絡(luò)輸出.目標(biāo)訓(xùn)練最小誤差設(shè)置為0.000 1，將前7組試驗數(shù)據(jù)作為訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后將后5組試驗數(shù)據(jù)作為測試樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測.由于RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程收斂速度較快，只需要4步就可達(dá)到目標(biāo)訓(xùn)練精度，顯然其訓(xùn)練效率高于BP神經(jīng)網(wǎng)絡(luò).最后將預(yù)測結(jié)果與試驗結(jié)果進(jìn)行對比，即可得到相對誤差，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與誤差如表5所示.由表5可以計算得到焊條熔敷金屬的抗拉強度、下屈服強度、斷后伸長率和熱影響區(qū)平均硬度的平均相對誤差分別為3.79%、5.47%、5.7%和1.18%.4個輸出變量中的抗拉強度與熱影響區(qū)平均硬度的平均相對誤差在5%之內(nèi)，其中熱影響區(qū)平均硬度的預(yù)測精度接近1%.下屈服強度與斷后伸長率的預(yù)測精度也可達(dá)到6%之內(nèi)，因而4個輸出變量對實際生產(chǎn)具有很好的指導(dǎo)作用.

表4 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與誤差

表5 RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與誤差

4 BP與RBF神經(jīng)網(wǎng)絡(luò)對比分析

將BP與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實際試驗結(jié)果進(jìn)行對比分析.焊條熔敷金屬的抗拉強度、下屈服強度、斷后伸長率和熱影響區(qū)平均硬度的預(yù)測結(jié)果分別如圖2～5所示.

由圖2～5可見，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度與BP神經(jīng)網(wǎng)絡(luò)相比得到了較大提高，其中斷后伸長率與熱影響區(qū)平均硬度的預(yù)測精度呈現(xiàn)出更為顯著的提高.觀察圖2～5還可以發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果比較平穩(wěn)，而BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果呈現(xiàn)較大的跳躍性，這與BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢和易陷于局部極值的缺陷有關(guān).

圖2 抗拉強度預(yù)測結(jié)果

圖3 下屈服強度預(yù)測結(jié)果

圖4 斷后伸長率預(yù)測結(jié)果

圖5 熱影響區(qū)平均硬度預(yù)測結(jié)果

5 結(jié) 論

通過以上試驗分析可以得到如下結(jié)論：

1) 加入質(zhì)量分?jǐn)?shù)為0.1%的CeO2、質(zhì)量分?jǐn)?shù)為0.5%的La元素的6號焊條熔敷金屬的力學(xué)性能得到了顯著的提高，其抗拉強度、下屈服強度、斷后伸長率分別提高了6.4%、9.2%、25.2%，而相應(yīng)的熱影響區(qū)平均硬度提高了0.4%.

2) RBF神經(jīng)網(wǎng)絡(luò)預(yù)測精度與BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度相比得到較大提高，其中斷后伸長率與熱影響區(qū)平均硬度的預(yù)測精度得到更為顯著的提高.

3) RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測效率較高且比較平穩(wěn)，而BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效率較低且跳躍性較大.

4) 當(dāng)采用RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測時，抗拉強度與熱影響區(qū)平均硬度的平均相對誤差較小，分別為3.79%和1.18%；下屈服強度與斷后伸長率的平均相對誤差為5.47%和5.7%，也滿足了使用要求.

[1]劉仁培，蔡養(yǎng)川，魏艷紅，等.稀土氧化釔對高強度鋼焊條熔敷金屬組織和性能影響 [J].焊接學(xué)報，2015，36(4)：92-96.

(LIU Ren-pei，CAI Yang-chuan，WEI Yan-hong，et al.Effect of yttrium oxide on microstructure and mechanical properties of in high strength steel weld metal [J].Transactions of the China Welding Institution，2015，36(4)：92-96.)

[2]Majumdar S，Burk S，Schliephake D，et al.A study on effect of reactive and rare earth element additions on the oxidation behavior of Mo-Si-B system [J].Oxidation of Metals，2013，80(3)：219-230.

[3]王社斌，李佳軍，尹樹春，等.微量稀土元素對Q235B鋼組織和性能的影響 [J].材料科學(xué)與工藝，2011，19(5)：79-89.

(WANG She-bin，LI Jia-jun，YIN Shu-chun，et al.Effect of micro-RE element on microstructures and mechanical properties of Q235B steel [J].Materials Science and Technology，2011，19(5)：79-89.)

[4]張志鵬，吳偉，代麗，等.稀土Gd對Mg-5Al系鎂合金顯微組織與疲勞性能的影響 [J].沈陽工業(yè)大學(xué)學(xué)報，2016，38(1)：42-48.

(ZHANG Zhi-peng，WU Wei，DAI Li，et al.Effect of rare earth element Gd on microstructure and fatigue properties of Mg-5Al series magnesium alloys [J].Journal of Shenyang University of Technology，2016，38(1)：42-48.)

[5]范希營，郭永環(huán)，劉海寬，等.La/CeO2對熔敷金屬組織與力學(xué)性能的影響 [J].稀土，2014，35(6)：39-44.

(FAN Xi-ying，GUO Yong-huan，LIU Hai-kuan，et al.Influence of La/CeO2on microstructure and mechanical properties of deposited metal [J].Chinese Rare Earths，2014，35(6)：39-44.)

[6]Fan X Y，Guo Y H，Zhang L，et al.Effects of rare earth elements on sulphur and phosphorus impurities in deposited metal [J].China Welding，2013，22(4)：63-67.

[7]Fan X Y，Guo Y H，Zhang L.Determination of La/CeO2content in ilmenite electrode coating [J].Rare Metals，2015，34(7)：505-509.

[8]Dudek M A，Chawla N.Effect of rare-earth (La，Ce，and Y) additions on the microsture and mechanical behavior of Sn-3.9Ag-0.7Cu solder alloy [J].Metallurgical and Materials Transactions A，2010，41(3)：610-620.

[9]Anttila S，Karjalainen P，Lantto S.Mechanical properties of ferritic stainless steel welds in using type 409 and 430 filler metals [J].Welding in the World，2013，57(3)：335-347.

[10]呂學(xué)勤，段利偉，姜英杰.基于自適應(yīng)預(yù)測控制的PEMFC動態(tài)特性研究 [J].農(nóng)業(yè)機(jī)械學(xué)報，2015，46(5)：350-356.

(Lü Xue-qin，DUAN Li-wei，JIANG Ying-jie.Dynamic behaviors of PEMFC based on adaptive prediction control [J].Transactions of the Chinese Society of Agricultural Machinery，2015，46(5)：350-356.)

[11]叢秋梅，苑明哲，王宏.基于穩(wěn)定Hammerstein模型的在線軟測量建模方法及應(yīng)用 [J].化工學(xué)報，2015，66(4)：1380-1387.

(CONG Qiu-mei，YUAN Ming-zhe，WANG Hong.On-line soft sensor based on stable Hammerstein model and its applications [J].CIESC Journal，2015，66(4)：1380-1387.)

[12]任雯，胥布工.基于標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型的非線性系統(tǒng)分布式無線網(wǎng)絡(luò)化控制 [J].控制與決策，2015，30(4)：691-697.

(REN Wen，XU Bu-gong.Distributed wireless networked control for nonlinear system based on standard neural network model [J].Control and Decision，2015，30(4)：691-697.)

[13]鄒麗，楊鑫華，孫屹博，等.基于RS_RBFNN的鈦合金焊接接頭疲勞壽命預(yù)測 [J].焊接學(xué)報，2015，36(4)：25-29.

(ZOU Li，YANG Xin-hua，SUN Yi-bo，et al.Prediction of fatigue life of titanium alloy welded joints based on RS_RBFNN [J].Transactions of the China Welding Institution，2015，36(4)：25-29.)

(責(zé)任編輯：尹淑英 英文審校：尹淑英)

Prediction for mechanical properties of deposited metal containing rare earth elements based on artificial neural networks

GUO Yong-huan1, MENG Xiang-li1, GUO Yan2, FAN Xi-ying1, ZHANG Liang1

(1. School of Mechatronic Engineering, Jiangsu Normal University, Xuzhou 221116, China; 2. Drilling Production Technology Service CompanyⅡ, Daqing Drilling Engineering Company of Daqing Oilfield Administration, Daqing 163461, China)

In order to enhance the mechanical properties of electrode and shorten the development cycle of electrode, the CeO2and rare earth element (REE) La were added into the coating formula of E4301 electrode, and the mechanical properties of electrode were tested. Through analyzing the test data, it is found that the appropriate addition of REE can improve the mechanical properties of electrode. The prediction models for mechanical properties were established with BP and RBF neural networks, respectively. The contents of CeO2, La, Si and Mn in the electrode and the welding speed were taken as the input variables of prediction models. In addition, the tensile strength, lower yield strength, elongation and average hardness in the heat affected zone (HAZ) of deposited metal were taken as the output variables. The results show that it is feasible to use BP and RBF neural networks in predicting the mechanical properties of electrode containing REE. The prediction accuracy and efficiency of RBF neural network model are higher than those of BP neural network model.

La element; welding speed; BP neural network; RBF neural network; prediction model; deposited metal; mechanical property; electrode

2016-07-04.

國家自然科學(xué)基金資助項目(51475220)； 江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合研究項目(BY2016028-02)； 徐州市科技計劃資助項目(KC15SM031).

郭永環(huán)(1967-)，女，山東汶上人，教授，碩士，主要從事焊接材料生產(chǎn)智能化等方面的研究.

10.7688/j.issn.1000-1646.2017.03.06

TG 407

A

1000-1646(2017)03-0269-06

*本文已于2017-03-02 17∶28在中國知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170302.1728.004.html