基于人工神经网络含稀土元素熔敷金属力学性能预测*

郭永环， 孟祥里， 郭 妍， 范希营， 张 亮

(1. 江苏师范大学 机电工程学院， 江苏 徐州 221116； 2. 大庆油田管理局大庆钻探工程公司 钻井生产技术服务二公司， 黑龙江 大庆 163461)

基于人工神经网络含稀土元素熔敷金属力学性能预测*

郭永环1， 孟祥里1， 郭 妍2， 范希营1， 张 亮1

(1. 江苏师范大学 机电工程学院， 江苏 徐州 221116； 2. 大庆油田管理局大庆钻探工程公司 钻井生产技术服务二公司， 黑龙江 大庆 163461)

为了提高焊条的力学性能并缩短焊条研发周期，在E4301型焊条药皮配方基础上加入了CeO2和稀土元素La，并对焊条进行了力学性能试验.对试验数据进行分析后发现，加入适量的稀土元素可以改善焊条的力学性能.利用典型BP和RBF神经网络分别建立力学性能预测模型.将焊条中的CeO2、La、Si、Mn含量与焊接速度作为预测模型的输入变量，将熔敷金属的抗拉强度、下屈服强度、断后伸长率与热影响区平均硬度作为输出变量.结果表明，将BP和RBF神经网络用于对含稀土焊条力学性能的预测是可行的，且RBF神经网络模型的预测精度和效率要高于BP神经网络模型.

La元素； 焊接速度； BP神经网络； RBF神经网络； 预测模型； 熔敷金属； 力学性能； 焊条

影响焊条力学性能的因素很多，各因素间存在复杂的相互作用和非线性关系，且并无确定的函数关系可遵循.传统方法中制备新型焊条的研发周期很长，且试样加工成本与力学性能测试成本均很高.随着产品生产的加速化和高精化，要求缩短焊条的生产开发周期.传统方法已不能满足焊条实际生产发展的需要，因此，在制备配方不同的焊条时，如果能够根据其本身的特点来达到预测焊条力学性能的目的，就可以在焊条生产中缩短周期，节省人力、物力，从而提高焊条的附加值.另外，当焊条中各成分的含量或焊接工艺参数不同时，焊条力学性能也会随之改变，因此，改变焊条药皮配方是提高焊条力学性能的主要途径[1].有关将稀土元素加入合金的研究表明，适量的稀土元素可使合金的力学性能得到改善[2-6].因此，可以考虑将稀土元素加入焊接材料中，从而提高焊接材料的力学性能[7-9].

随着神经网络技术的发展和应用，其在非线性系统建模方面的优势逐渐凸显出来[10-12].人工神经网络具有很好的自学习、自组织、容错与自修复、联想推理等能力，因此，人工神经网络技术已成为对非线性系统建立预测模型的关键技术之一.当建立力学性能预测模型时，可采用简单、易行、计算量小、并行性强的多层前馈BP神经网络，也可采用径向基函数RBF神经网络，这样不仅可以加快学习速度，还能避免陷于局部极值的问题[13].为了改善焊条熔敷金属的力学性能，本文在常用的钛铁矿型焊条E4301药皮配方的基础上加入了不同含量的CeO2与La稀土元素.另外，为了获得焊条原材料成分、焊接工艺与焊条熔敷金属力学性能之间的映射关系，采用BP与RBF神经网络方法建立了含稀土元素焊条力学性能预测模型.

1 试验方法及结果

1.1 试验方法

E4301焊条药皮组分如表1所示.在E4301焊条药皮配方基础上加入不同含量的CeO2和La稀土元素，并改变中碳锰铁(中锰)含量，配出12种焊条药皮配方.根据所用中锰中Mn、Si所占百分数，可以计算得到中锰所含Mn、Si在12种焊条药皮配方中所占百分数.12种焊条药皮主要组分及利用焊条进行试板焊接时的焊接速度如表2所示.

表1 E4301焊条药皮组分(w)

表2 12种焊条药皮主要组分及焊接速度

参照GB/T5117-1995标准制备试板并压制焊条.采用厚度为20 mm的Q345B钢作为试板，采用H08A焊芯，压制直径为4 mm的E4301焊条与稀土元素焊条.焊接电流为140～180 A，焊层数为7层，每层焊道数为2道，焊道间温度控制在110～180 ℃范围内.完成试板焊接后，应保证角变形小于5°，否则予以报废.

按照GB2652-2008标准进行熔敷金属拉伸试验，以测得抗拉强度、下屈服强度与断后伸长率.按照GB/T230.1-2004标准测试熔敷金属的热影响区平均硬度.

1.2 试验结果

对焊接试板进行拉伸试验和硬度试验，获得熔敷金属的抗拉强度、下屈服强度、断后伸长率和热影响区平均硬度，具体数值如表3所示.

表3中1号焊条为E4301焊条.对表3中不同焊条的力学性能进行对比分析后发现，相对于1号焊条而言，只有2号和11号焊条的熔敷金属抗拉强度与下屈服强度有所下降，其余编号焊条则均有所提高.与1号焊条相比，其他编号焊条的断后伸长率均有所提高.除3、5和6号焊条外，其余编号焊条的热影响区平均硬度相比1号焊条均存在不同程度的下降.综合而言，加入质量分数为0.1%的CeO2、质量分数为0.5%的La元素的6号焊条熔敷金属的力学性能得到了显著的提高，且其抗拉强度、下屈服强度和断后伸长率分别提高了6.4%、9.2%和25.2%，而相应的热影响区平均硬度提高了0.4%，因而6号焊条表现出良好的力学性能.

表3 焊条的力学性能试验数据

2 BP神经网络模型的建立与预测

2.1 模型的输入与输出变量

焊条成分的不同与焊接工艺的差异会影响焊条熔敷金属的力学性能.焊条中锰中Mn的含量w1(Mn)、中锰中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)，以及当焊接电压一定时焊接工艺中的焊接速度w5(v)是影响焊条熔敷金属力学性能的主要因素，所以将w1(Mn)、w2(Si)、w3(CeO2)、w4(La)和w5(v)作为预测模型的输入.而判断力学性能的主要指标是熔敷金属的力学性能，因而将焊条熔敷金属的抗拉强度Rm、下屈服强度ReL、断后伸长率A5.65、热影响区平均硬度HR作为预测模型的输出.在确定了预测模型的输入与输出之后，根据BP神经网络的结构原理进行建模，获得的BP神经网络预测模型如图1所示.

2.2 模型的训练与预测结果

建立含有5个输入变量与4个输出变量的BP神经网络模型，选择隐含层节点数为9.利用Matlab软件进行编码建模，设定最大允许训练步数为50 000步，最小训练目标误差为0.000 1.将前7组试验数据作为训练样本对神经网络进行训练，训练后将后5组试验数据作为测试样本对神经网络进行预测.由于BP神经网络算法的收敛速度较慢，因而训练2 500步后才能达到训练目标误差.将预测结果与试验所得结果进行对比，即可得到相对误差.BP神经网络的预测结果与误差如表4所示.

图1 BP神经网络预测模型

由表4可以计算得到焊条熔敷金属的抗拉强度、下屈服强度、断后伸长率和热影响区平均硬度的平均相对误差分别为4.32%、6.33%、15.86%和17.64%.可见，4个输出变量中只有抗拉强度的平均相对误差在5%之内，可以满足实际生产中的精度要求；下屈服强度的预测精度达到6.33%，对实际生产具有一定的指导意义；断后伸长率与热影响区平均硬度的预测精度介于15%～20%之间，误差较大.

3 RBF神经网络模型的建立与预测

RBF神经网络预测模型的输入和输出变量与BP神经网络相同.根据RBF神经网络的结构原理建立模型，RBF神经网络是一个三层前馈网络，由输入层、隐含层和输出层组成.第一层为输入层(节点数为5)，该层的各个节点直接与输入变量的各分量连接；第二层为隐含层(节点数为9)，每一个节点都为一个RBF节点；第三层为输出层(节点数为4)，用以实现网络输出.目标训练最小误差设置为0.000 1，将前7组试验数据作为训练样本对神经网络进行训练，训练后将后5组试验数据作为测试样本对神经网络进行预测.由于RBF神经网络训练过程收敛速度较快，只需要4步就可达到目标训练精度，显然其训练效率高于BP神经网络.最后将预测结果与试验结果进行对比，即可得到相对误差，RBF神经网络的预测结果与误差如表5所示.由表5可以计算得到焊条熔敷金属的抗拉强度、下屈服强度、断后伸长率和热影响区平均硬度的平均相对误差分别为3.79%、5.47%、5.7%和1.18%.4个输出变量中的抗拉强度与热影响区平均硬度的平均相对误差在5%之内，其中热影响区平均硬度的预测精度接近1%.下屈服强度与断后伸长率的预测精度也可达到6%之内，因而4个输出变量对实际生产具有很好的指导作用.

表4 BP神经网络的预测结果与误差

表5 RBF神经网络的预测结果与误差

4 BP与RBF神经网络对比分析

将BP与RBF神经网络预测结果与实际试验结果进行对比分析.焊条熔敷金属的抗拉强度、下屈服强度、断后伸长率和热影响区平均硬度的预测结果分别如图2～5所示.

由图2～5可见，RBF神经网络的预测精度与BP神经网络相比得到了较大提高，其中断后伸长率与热影响区平均硬度的预测精度呈现出更为显著的提高.观察图2～5还可以发现，RBF神经网络的预测结果比较平稳，而BP神经网络的预测结果呈现较大的跳跃性，这与BP神经网络存在收敛速度慢和易陷于局部极值的缺陷有关.

图2 抗拉强度预测结果

图3 下屈服强度预测结果

图4 断后伸长率预测结果

图5 热影响区平均硬度预测结果

5 结 论

通过以上试验分析可以得到如下结论：

1) 加入质量分数为0.1%的CeO2、质量分数为0.5%的La元素的6号焊条熔敷金属的力学性能得到了显著的提高，其抗拉强度、下屈服强度、断后伸长率分别提高了6.4%、9.2%、25.2%，而相应的热影响区平均硬度提高了0.4%.

2) RBF神经网络预测精度与BP神经网络预测精度相比得到较大提高，其中断后伸长率与热影响区平均硬度的预测精度得到更为显著的提高.

3) RBF神经网络的预测效率较高且比较平稳，而BP神经网络的预测效率较低且跳跃性较大.

4) 当采用RBF神经网络模型进行预测时，抗拉强度与热影响区平均硬度的平均相对误差较小，分别为3.79%和1.18%；下屈服强度与断后伸长率的平均相对误差为5.47%和5.7%，也满足了使用要求.

[1]刘仁培，蔡养川，魏艳红，等.稀土氧化钇对高强度钢焊条熔敷金属组织和性能影响 [J].焊接学报，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，李佳军，尹树春，等.微量稀土元素对Q235B钢组织和性能的影响 [J].材料科学与工艺，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]张志鹏，吴伟，代丽，等.稀土Gd对Mg-5Al系镁合金显微组织与疲劳性能的影响 [J].沈阳工业大学学报，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]范希营，郭永环，刘海宽，等.La/CeO2对熔敷金属组织与力学性能的影响 [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]吕学勤，段利伟，姜英杰.基于自适应预测控制的PEMFC动态特性研究 [J].农业机械学报，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]丛秋梅，苑明哲，王宏.基于稳定Hammerstein模型的在线软测量建模方法及应用 [J].化工学报，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.基于标准神经网络模型的非线性系统分布式无线网络化控制 [J].控制与决策，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]邹丽，杨鑫华，孙屹博，等.基于RS_RBFNN的钛合金焊接接头疲劳寿命预测 [J].焊接学报，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.)

(责任编辑：尹淑英 英文审校：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.

国家自然科学基金资助项目(51475220)； 江苏省产学研前瞻性联合研究项目(BY2016028-02)； 徐州市科技计划资助项目(KC15SM031).

郭永环(1967-)，女，山东汶上人，教授，硕士，主要从事焊接材料生产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在中国知网优先数字出版. 网络出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170302.1728.004.html