结合深度学习的整体塞棒梯度增强结构设计方法与流程

摘要: 本发明涉及深度学习,具体涉及结合深度学习的整体塞棒梯度增强结构设计方法。背景技术:1、整体塞棒是连铸过程中控制钢水流量的关键功能耐火材料元件,其服役性能直接影响...
结合深度学习的整体塞棒梯度增强结构设计方法与流程

本发明涉及深度学习,具体涉及结合深度学习的整体塞棒梯度增强结构设计方法。

背景技术:

1、整体塞棒是连铸过程中控制钢水流量的关键功能耐火材料元件,其服役性能直接影响铸坯质量和连铸作业效率。现有整体塞棒多为均质结构或简单复合结构,在使用过程中,由于塞棒头部直接承受高温钢水的冲刷与化学侵蚀,渣线部位承受熔渣的强烈腐蚀,同时塞棒在开浇瞬间还要承受剧烈的热冲击,不同部位的失效机制存在显著差异。

2、在整体塞棒梯度增强结构设计中,不同服役工况对整体塞棒头部抗侵蚀层的抗侵蚀性能与整体塞棒的抗热震性具有相互冲突且此消彼长的需求。然而,传统依赖人工经验的设计方法难以将两种性能需求间的冲突程度量化,造成梯度增强结构设计参数无法与具体服役工况匹配,导致整体塞棒服役寿命短、连铸过程的稳定性不佳、生产效率低的技术问题。

3、因此,需要一种整体塞棒梯度增强结构设计方法,实现整体塞棒结构的智能化设计。

技术实现思路

1、本发明提供了结合深度学习的整体塞棒梯度增强结构设计方法,解决了现有技术中整体塞棒的抗侵蚀性能与抗热震性相互冲突,导致整体塞棒服役寿命短、连铸过程的稳定性不佳、生产效率低的技术问题。

2、本发明提供了结合深度学习的整体塞棒梯度增强结构设计方法,所述方法包括:

3、获取目标整体塞棒的服役工况参数,所述服役工况参数至少包括目标钢种成分、目标钢水温度、目标连铸拉速和目标保护渣类型;

4、根据所述服役工况参数,计算所述目标整体塞棒在服役环境下的预估侵蚀速率和预估热冲击强度,并根据所述预估侵蚀速率和所述预估热冲击强度,构建侵蚀-热震冲突指数;

5、将所述服役工况参数和所述侵蚀-热震冲突指数输入预训练的梯度结构生成模型,由所述梯度结构生成模型输出与所述服役工况参数和所述侵蚀-热震冲突指数匹配的梯度增强结构设计参数,其中,所述梯度结构生成模型基于深度学习构建,所述梯度增强结构设计参数至少包括头部抗侵蚀层的厚度、梯度过渡区的过渡斜率以及渣线抗侵蚀层的厚度;

6、根据所述梯度增强结构设计参数,生成所述目标整体塞棒的梯度增强结构设计结果。

7、优选地,获取目标整体塞棒的服役工况参数,包括:

8、获取目标钢厂的连铸工艺参数,从所述连铸工艺参数中提取目标钢种成分、目标钢水温度和目标连铸拉速,其中,所述目标钢种成分至少包括碳含量、锰含量和氧含量,所述目标钢水温度为中间包内钢水的实测温度,所述目标连铸拉速为连铸机实际运行的拉坯速度;

9、获取所述目标钢厂使用的保护渣的化学成分和物理性能参数,其中,所述化学成分至少包括氧化钙含量、二氧化硅含量和氟化钙含量,所述物理性能参数至少包括熔点和黏度;

10、根据所述保护渣的化学成分和物理性能参数,查询预设的保护渣分类表,确定目标保护渣类型,其中,所述目标保护渣类型包括酸性保护渣、中性保护渣和碱性保护渣。

11、优选地,根据所述服役工况参数,计算所述目标整体塞棒在服役环境下的预估侵蚀速率和预估热冲击强度,并根据所述预估侵蚀速率和所述预估热冲击强度,构建侵蚀-热震冲突指数,包括:

12、根据所述目标钢种成分和所述目标钢水温度,查询预设的钢种-温度-侵蚀速率映射表,得到预估侵蚀速率,所述预估侵蚀速率为所述目标整体塞棒的头部抗侵蚀层在单位时间内被钢水侵蚀的厚度;

13、根据所述目标钢水温度、所述目标保护渣类型和所述目标连铸拉速,计算所述目标整体塞棒在服役环境下的预估热冲击强度,所述预估热冲击强度表征所述目标整体塞棒在钢水注入瞬间承受的温度骤变程度;

14、将所述预估侵蚀速率、所述预估热冲击强度分别进行归一化处理,得到归一化侵蚀指数、归一化热震指数;

15、将所述归一化侵蚀指数除以所述归一化热震指数,得到侵蚀-热震冲突指数,其中,所述侵蚀-热震冲突指数为大于0的数值,数值越大表示抗侵蚀需求相对于抗热震需求越突出,数值越小表示抗热震需求相对于抗侵蚀需求越突出。

16、优选地,预设的钢种-温度-侵蚀速率映射表通过以下方式构建:

17、获取多种历史钢种在不同历史钢水温度下对历史整体塞棒头部材质的实测侵蚀速率数据,其中,所述实测侵蚀速率数据为通过测量历史整体塞棒在服役后的头部抗侵蚀层的剩余厚度,并结合服役时长计算得到的平均侵蚀速率;

18、将每种历史钢种的碳含量、锰含量、氧含量和对应的历史钢水温度作为查询条件,将对应的实测侵蚀速率数据作为查询结果,建立钢种-温度-侵蚀速率映射表。

19、优选地,根据所述目标钢水温度、所述目标保护渣类型和所述目标连铸拉速,计算所述目标整体塞棒在服役环境下的预估热冲击强度,包括:

20、获取所述目标钢水温度与室温之间的温度差,作为热冲击温差;

21、获取所述目标保护渣类型的导热系数,将所述导热系数除以预设的基准导热系数,得到归一化导热系数;

22、获取所述目标连铸拉速,将所述目标连铸拉速除以预设的基准连铸拉速,得到归一化连铸拉速;

23、将所述归一化导热系数与所述归一化连铸拉速的乘积,作为热冲击速率系数;

24、将所述热冲击温差与所述热冲击速率系数的乘积,作为预估热冲击强度。

25、优选地,将所述服役工况参数和所述侵蚀-热震冲突指数输入预训练的梯度结构生成模型,由所述梯度结构生成模型输出与所述服役工况参数和所述侵蚀-热震冲突指数匹配的梯度增强结构设计参数,包括:

26、将所述目标钢种成分中的碳含量、锰含量和氧含量,以及所述目标保护渣类型,通过预设的类别编码表映射为对应的数值编码,将各数值编码拼接为工况编码向量;

27、将所述目标钢水温度、所述目标连铸拉速和所述侵蚀-热震冲突指数分别归一化至零到一区间,得到归一化钢水温度、归一化连铸拉速和归一化冲突指数,将三者拼接为归一化工况参数向量;

28、将所述工况编码向量和所述归一化工况参数向量按顺序拼接,得到模型输入向量;

29、将所述模型输入向量输入预训练的梯度结构生成模型,由所述梯度结构生成模型输出头部抗侵蚀层的厚度、梯度过渡区的过渡斜率和渣线抗侵蚀层的厚度;

30、由所述头部抗侵蚀层的厚度、所述梯度过渡区的过渡斜率和所述渣线抗侵蚀层的厚度,组成与所述服役工况参数和所述侵蚀-热震冲突指数匹配的梯度增强结构设计参数。

31、优选地,梯度结构生成模型的预训练过程包括:

32、获取多组历史整体塞棒的历史服役工况参数、历史侵蚀-热震冲突指数,以及对应的历史梯度增强结构设计参数,所述历史梯度增强结构设计参数包括历史头部抗侵蚀层的厚度、历史梯度过渡区的过渡斜率和历史渣线抗侵蚀层的厚度;

33、将所述历史服役工况参数和所述历史侵蚀-热震冲突指数,处理并拼接为历史模型输入向量,将对应的所述历史头部抗侵蚀层的厚度、所述历史梯度过渡区的过渡斜率和所述历史渣线抗侵蚀层的厚度作为监督标签,构建结构生成训练样本集;

34、基于深度学习,构建初始梯度结构生成模型;

35、以所述结构生成训练样本集中的历史模型输入向量作为所述初始梯度结构生成模型的输入,以对应的监督标签作为训练目标,以最小化所述初始梯度结构生成模型输出的头部抗侵蚀层的厚度、梯度过渡区的过渡斜率和渣线抗侵蚀层的厚度与所述监督标签之间的均方误差之和为训练目标,更新所述初始梯度结构生成模型的网络参数,直至验证收敛,得到预训练的梯度结构生成模型。

36、优选地,基于深度学习,构建初始梯度结构生成模型,包括:

37、所述初始梯度结构生成模型为基于深度学习的多任务回归模型,所述初始梯度结构生成模型包含输入层、共享特征提取层、第一任务输出层、第二任务输出层和第三任务输出层。

38、优选地,结合深度学习的整体塞棒梯度增强结构设计方法,包括:

39、所述共享特征提取层由多个全连接隐藏层构成,用于对模型输入向量进行逐层非线性特征映射,得到共享特征向量,其中,所述共享特征向量包含所述服役工况参数和所述侵蚀-热震冲突指数之间的交互特征;

40、所述第一任务输出层由第一全连接子网络构成,用于根据所述共享特征向量输出所述头部抗侵蚀层的厚度;

41、所述第二任务输出层由第二全连接子网络构成,用于根据所述共享特征向量输出所述梯度过渡区的过渡斜率;

42、所述第三任务输出层由第三全连接子网络构成,用于根据所述共享特征向量输出所述渣线抗侵蚀层的厚度。

43、优选地,根据所述梯度增强结构设计参数,生成所述目标整体塞棒的梯度增强结构设计结果,包括:

44、根据所述梯度增强结构设计参数中的头部抗侵蚀层的厚度,确定所述目标整体塞棒的头部抗侵蚀层从外表面向内部中心轴线方向的第一几何厚度;

45、根据所述梯度增强结构设计参数中的渣线抗侵蚀层的厚度,确定所述目标整体塞棒的渣线抗侵蚀层从外表面向内部中心轴线方向的第二几何厚度;

46、将所述梯度增强结构设计参数中的梯度过渡区的过渡斜率的绝对值,作为所述目标整体塞棒中头部抗侵蚀层与渣线抗侵蚀层之间的梯度过渡区的厚度变化率;

47、将所述第一几何厚度、所述第二几何厚度和所述厚度变化率的组合,作为所述目标整体塞棒的梯度增强结构设计结果。

48、本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:

49、本发明提供了结合深度学习的整体塞棒梯度增强结构设计方法,首先通过获取目标整体塞棒的服役工况参数,获取影响塞棒服役性能的工艺参数,为后续梯度增强结构设计提供准确的数据基础。其次,根据服役工况参数计算预估侵蚀速率和预估热冲击强度,并构建侵蚀-热震冲突指数,量化塞棒在实际服役过程中面临的抗侵蚀需求与抗热震需求之间的矛盾程度,为梯度增强结构的合理设计提供决策依据。再次,将服役工况参数和侵蚀-热震冲突指数输入预训练的梯度结构生成模型,由梯度结构生成模型输出与服役工况参数和侵蚀-热震冲突指数匹配的梯度增强结构设计参数,从历史设计数据中学习服役工况与最优梯度结构之间的复杂映射关系,输出的梯度增强结构设计参数,实现对不同区域抗侵蚀层厚度的差异化设定以及过渡区性能梯度的控制。最终,根据梯度增强结构设计参数生成目标整体塞棒的梯度增强结构设计结果,将深度学习模型输出的定量化设计参数转化为可执行的结构设计方案。

50、综上所述,本技术提供的方法能够缩短整体塞棒梯度增强结构的设计周期,降低对专家经验的依赖,提高设计结果的科学性和一致性,经中包浇注试验验证,设计的梯度增强结构整体塞棒能够有效延长服役寿命,减少更换频率,降低连铸生产中的非计划停机风险。