基于梯度提升决策树的冷轧高强钢卷力学性能预测

摘要：

基于1180 MPa级超高强度冷轧双相(DP)钢卷生产数据,研究了基于主成分分析的化学主成分提取方法、网格搜索和交叉验证相结合的超参数寻优方法,建立了 DP钢力学性能梯度提升决策树(GBDT)预测模型,并将预测结果与BP神经网络模型和广义可加模型的预测结果进行了比较.为了提高断后伸长率预测精度,以预测精度较高的GBDT预测模型为基础,通过模型预测误差分类模型和考虑误差补偿的模型预测修正方法,建立了考虑误差补偿的断后伸长率预测校正模型,该模型使断后伸长率在绝对误差±0.9％下的预测准确率达到了 94.63％.DP钢性能预测模型在线运行时的实际预测精度较高,达到生产要求,有助于力学性能在线质量监控.

关键词：冷轧高强钢、梯度提升决策树、力学性能预测、主成分分析、误差补偿

所属期刊栏目：34

分类号：TP391.7(计算技术、计算机技术)

资助基金：国家自然科学基金;福建省科技计划

在线出版日期：2023-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2222-2229