专利名称：9%Cr马氏体钢管道焊后热处理加热宽度的优化方法
技术领域：
本发明涉及9%Cr马氏体钢管道焊后热处理加热宽度的优化方法。
背景技术：
9%Cr新型马氏体耐热钢主要包含T/P92、T/P91和E911三种新型马氏体耐热钢，广泛用于超超临界锅炉主蒸汽管、集箱等厚壁管道等构件，焊缝韧性偏低是该系列钢管道焊缝安装过程中出现的一个主要问题。为了改善焊缝韧性，必须对焊缝进行局部热处理。国内外研究表明，焊后热处理温度对焊缝影响非常大，当热处理温度在760±10°C时(注受焊缝相变点的限制，热处理温度很难进一步提高)，经过短时的恒温处理，焊缝的冲击功就可以达到41J以上，在740°C左右加热时，要达到这一指标必须延长恒温时间，当加热温度 在730°C以下时，再延长恒温时间不仅效果甚微，冲击功很难达到41J的韧度指标，而且大幅增加安装成本，严重影响施工进度。目前，国内外在传统耐热钢的基础之上提出了承压管道的焊后热处理技术规程，9%Cr新型马氏体耐热钢对于内外壁温差的控制更为苛刻，因此这些规范对于9%Cr新型马氏体耐热钢的焊后热处理不一定适用，即已有的标准对9%Cr新型马氏体耐热钢的适用性有待考证。另外，国内外焊后热处理规范对于加热宽度的选取上存在很大的争议，依据不同规范所得的加热宽度数值差异非常大。这给现场热处理时带来了难题，规程的适用性存在疑问。人工神经网络是80年代末开始迅速发展的一门非线性科学，人工神经网络模型具有很强的容错性、学习性、自适应性和非线性的映射能力，特别适于解决因果关系复杂的非确定性推理、判断、识别和分类等问题。目前，在钢铁冶金领域应用最广泛的是具有多层前馈网络结构且采用反向误差传播训练方法的模型(BP模型)。
发明内容
本发明主要是解决现有技术所存在的技术问题；提供了一种不仅能够优化9%Cr新型马氏体耐热钢厚壁管道焊后热处理加热宽度的方法，对保障热处理质量、提高热处理效率具有十分重要的意义。本发明再有一目的是解决现有技术所存在的问题；提供了一种解决了国内外热处理技术规程对于9%Cr新型马氏体耐热钢管道焊后热处理加热宽度选取的差异性。本发明的上述技术问题主要是通过下述技术方案得以解决的
9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，包括以下步骤
步骤1，温度场计算模块，建立上T组不同尺寸管道在不同加热宽度、不同热处理环境温度、不同控温温度下的热处温度场计算模型，采用有限元分析软件计算各组模型的焊后热处理内外壁温差(保温宽度按电力标准确定);
步骤2，神经网络建立模块，综合考虑任意规格(管径和壁厚)管道在不同热处理环境温度、不同控温温度以及不同预设内外壁温差条件下，管道所需最小的加热宽度。建立基于误差反向传播神经网络；
步骤3，预测模型建立模块，针对步骤I得到T组加热宽度的数据对步骤2中基于误差反向传播神经网络进行训练和测试，得到一个能够预测9%Cr马氏体耐热钢厚壁管道焊后热处理加热宽度的预测模型；
步骤4，模型修正模块，结合9%Cr马氏体耐热钢厚壁管道焊后热处理实验测量数据对所得的预测模型进行修正；
步骤5，加热宽度优化模块，分析管道尺寸(管径以及壁厚)、热处理环境温度、控温温度、预设内外壁温差，输入到修正后的模型即可得到管道焊后热处理的最小加热宽度。
在上述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，所述的步骤I中，建立上T组不同尺寸管道在不同加热宽度、不同热处理环境温度、不同控温温度下的热处温度场计算模型，运用有限元软件计算不同条件下管道焊后热处理内外壁温差的大小，具体方法为
根据9%Cr新型马氏体耐热钢的应用情况，选取管道尺寸范围；根据国内外热处理技术规程，对于一定规格的管道计算加热带宽度、保温宽度的大小，选取加热宽度范围，保温宽度按照电力标准进行选取；根据9%Cr新型马氏体耐热钢的控温温度以及热处理环境温度情况，选择控温温度以及热处理环境温度的范围。建立T组9%Cr新型马氏体耐热钢管道焊后热处理温度场理论计算模型，通过运用有限元软件计算管道尺寸(管径和壁厚)、加热宽度、控温温度以及热处理环境温度对等效点位置的影响，计算方法如下
步骤I. 1，在有限元软件中，建立9%Cr新型马氏体耐热钢焊后热处理温度场计算模型； 步骤I. 2，定义初始条件、边界条件，求解；
步骤I. 3，计算完成后，在后处理器中查看管道内壁温度和外壁温度，计算内外壁温差的大小。在上述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，所述步骤2中，建立基于误差反向传播神经网络的具体方法为
步骤2. I，定义输入层和输出层
选取管道尺寸(管径和壁厚)、预设内外壁温差、控温温度以及热处理环境温度的数值作为输入变量，因此该网络输入层的神经元数为5 ;以不同条件下所需的最小加热宽度作为网络模型的输出，因此输出层神经元数为I。步骤2. 2，选择隐层数和隐层单元数采用单隐层，并确定隐层节点数为10。步骤2. 3，其他参数的确定隐层隐层的传递函数为单极性S型函数f(x)=l/(l+e_x)，输出层的传递函数为线性函数f (x)=x，使网络输出任何值，训练次数为1800次，误差目标为0. 5，选择样本数为T,其中N个训练样本，T-N个测试样本。在上述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，所述步骤2中，基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层，输入层有5个神经元，中间层有10个神经元，输出层有I个神经元；所述预测模型的中间层的传递函数为单极性S型函数，输出层的传递函数为线性函数，使网络输出任何值；对步骤I得到T加热宽度对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下
步骤3. 1，设定权值和阈值和训练次数，并对权值和阈值进行初始化，随机摘取T组样本中的T-N组样本作为训练样本，N组样本作为测试样本，输入T-N组训练样本，所述样本为步骤I中得到的T组加热宽度的大小以及T组9%Cr马氏体耐热钢管道焊后热处理最小加热宽度的影响因素；
步骤3. 2，计算网络输出，得到反向传播神经网络中各层的权值以及阈值，并计算反向传播神经网络中各层的权值以及阈值的修正因子，根据步骤I中得到的T-N组A1温度计算值和网络输出计算网络输出误差，所述网络输出误差即为步骤I中得到的T-N组加热宽度的计算值和本步骤计算的网络输出的比较差值；
步骤3. 3，判断是否达到最大训练次数，并根据是否达到最大训练次数选择执行以下步 骤
选择执行步骤1，若尚未达到最大训练次数，判断在步骤3. 2中网络输出误差是否小于期望误差，若小于期望误差，则训练结束，同时保存步骤3. 2中反向传播神经网络中各层的权值以及阈值，得到待定预测模型；若大于期望误差，修正反向传播神经网络中各层的权值以及阈值后步骤重复3. 2.其中修正因子采用步骤3. 2中计算的修正因子；
选择执行步骤2，若达到最大训练次数，则该反向传播神经网络在给定的训练次数内不能收敛，训练结束；
步骤3. 4，将N组测试样本逐个输入选择执行步骤I中的待定预测模型，若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢管道焊后热处理所需的最小加热宽度，即该待定预测模型即是步骤3中所得到的预测模型；否则，该待定预测模型不符合，结束整个步骤。在上述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，所述的步骤4中，将9%Cr新型马氏体耐热钢厚壁管道焊后热处理实验测量的数据与模型计算值进行对比分析，并修正模型输出阀值。因此，本发明具有如下优点1.能够优化9%Cr新型马氏体耐热钢厚壁管道焊后热处理加热宽度的方法，对保障热处理质量、提高热处理效率具有十分重要的意义；2.解决了国内外热处理技术规程对于9%Cr新型马氏体耐热钢管道焊后热处理加热宽度选取的差异性。
图I本发明中运用的BP神经网络模型图。图2本发明中BP神经网络训练流程图。图3本发明中BP神经网络训练误差图。
具体实施例方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。本发明的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，包括以下步骤 步骤1，温度场计算模块，建立上T组不同尺寸管道在不同加热宽度、不同热处理环境
温度、不同控温温度下的热处温度场计算模型，采用有限元分析软件计算各组模型的焊后热处理内外壁温差(保温宽度按电力标准确定)，具体方法为
根据9%Cr新型马氏体耐热钢的应用情况，选取管道尺寸范围；根据国内外热处理技术规程，对于一定规格的管道计算加热带宽度、保温宽度的大小，选取加热宽度范围，保温宽度按照电力标准进行选取；根据9%Cr新型马氏体耐热钢的控温温度以及热处理环境温度情况，选择控温温度以及热处理环境温度的范围。建立T组9%Cr新型马氏体耐热钢管道焊后热处理温度场理论计算模型，通过运用有限元软件计算管道尺寸(管径和壁厚)、加热宽度、控温温度以及热处理环境温度对等效点位置的影响，计算方法如下
步骤I. I，在有限元软件中，建立9%Cr新型马氏体耐热钢焊后热处理温度场计算模型； 步骤I. 2，定义初始条件、边界条件，求解；
步骤I. 3，计算完成后，在后处理器中查看管道内壁温度和外壁温度，计算内外壁温差的大小。
步骤2，神经网络建立模块，综合考虑任意规格(管径和壁厚)管道在不同热处理环境温度、不同控温温度以及不同预设内外壁温差条件下，管道所需最小的加热宽度。建立基于误差反向传播神经网络，具体方法为
I)输入层和输出层的设计
选取管道尺寸(管径和壁厚)、预设内外壁温差、控温温度以及热处理环境温度的数值作为输入变量，因此该网络输入层的神经元数为5 ;以不同条件下管道焊后热处理所需的最小加热宽度作为网络模型的输出，因此输出层神经元数为I。2)隐层数和隐层单元数的选择
1989年，Robert Hecht-Nielson证明了对于任何闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近。因为一个3层的BP网络可以完成任意的n维到m维的连续映射，故本模型采用单隐层，而隐层节点数的选择是一个比较复杂的问题，结合经验公式并经过作者多次尝试，最后确定隐层节点数为10。3)其他参数的确定
隐层隐层的传递函数为单极性S型函数f(x)=i/(i+e-x)，输出层的传递函数为线性函数f (X) =x,使网络输出任何值,训练次数为1800次,误差目标为I，选择样本数为T,其中N个训练样本，T-N个测试样本。本步骤中，基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层，输入层有5个神经元，中间层有10个神经元，输出层有I个神经元；所述预测模型的中间层的传递函数为单极性S型函数，输出层的传递函数为线性函数，使网络输出任何值，结构图如附图I所示。步骤3，预测模型建立模块，针对步骤I得到T组加热宽度的数据对步骤2中基于误差反向传播神经网络进行训练和测试，得到一个能够预测9%Cr马氏体耐热钢厚壁管道焊后热处理加热宽度的预测模型；对于步骤I得到的T组加热宽度数据对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下
步骤3. 1，设定权值和阈值和训练次数，并对权值和阈值进行初始化，随机摘取T组样本中的T-N组样本作为训练样本，N组样本作为测试样本，输入T-N组训练样本，所述样本为步骤I中得到的T组加热宽度的大小以及T组9%Cr马氏体耐热钢管道焊后热处理最小加热宽度的影响因素；步骤3. 2，计算网络输出，得到反向传播神经网络中各层的权值以及阈值，并计算反向传播神经网络中各层的权值以及阈值的修正因子，根据步骤I中得到的T-N组A1温度计算值和网络输出计算网络输出误差，所述网络输出误差即为步骤I中得到的T-N组加热宽度的计算值和本步骤计算的网络输出的比较差值；
步骤3. 3，判断是否达到最大训练次数，并根据是否达到最大训练次数选择执行以下步
骤
选择执行步骤1，若尚未达到最大训练次数，判断在步骤3. 2中网络输出误差是否小于期望误差，若小于期望误差，则训练结束，同时保存步骤3. 2中反向传播神经网络中各层的权值以及阈值，得到待定预测模型；若大于期望误差，修正反向传播神经网络中各层的权值以及阈值后步骤重复3. 2.其中修正因子采用步骤3. 2中计算的修正因子；
选择执行步骤2，若达到最大训练次数，则该反向传播神经网络在给定的训练次数内不 能收敛，训练结束；
步骤3. 4，将N组测试样本逐个输入选择执行步骤I中的待定预测模型，若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢管道焊后热处理所需的最小加热宽度，即该待定预测模型即是步骤3中所得到的预测模型；否则，该待定预测模型不符合，结束整个步骤。在本实施例中，训练与测试是指用前面有限元软件计算所得3650组不同条件下9%Cr新型马氏体耐热钢管道焊后热处理加热宽度数据中的3600组作为训练样本对所建立的模型进行训练，用余下的50组不同条件下9%Cr新型马氏体耐热钢管道焊后热处理加热宽度数据作为测试样本对训练好的BP网络进行测试。对网络模型网络采用误差反向传播算法进行训练，训练流程如附图2所示，反复训练后当神经网络的输出误差达到0. 5_时即可停止训练，训练误差图如附图3所示，当神经网络对50组测试样本的预测误差低于规定水平时表明网络模型可用于预测9%Cr新型马氏体耐热钢厚壁管道焊后热处理加热宽度。步骤4，模型修正模块，结合9%Cr马氏体耐热钢厚壁管道焊后热处理实验测量数据对所得的预测模型进行修正，修正模型输出层阀值；
步骤5，加热宽度优化模块，分析管道尺寸(管径以及壁厚)、热处理环境温度、控温温度、预设内外壁温差，输入到修正后的模型即可得到管道焊后热处理的最小加热宽度。本发明中选取管道尺寸(管径和壁厚)、预设内外壁温差、热处理环境温度以及控温温度作为输入参数，适用的范围如下
管道内径(半径)100mm-500mm ；
管道壁厚30mm-140mm ；
预设内外壁温差0°C -50°C ；
热处理环境温度-10°C -30°C ；
控温温度750°C -780°C。实施例
本发明所涉及的BP神经网络优化方法与实测的管道内外壁温差大小进行对比分析和记录表I所示的三种规格的9%Cr马氏体耐热钢管道管道尺寸(管径和壁厚)、热处理环境温度、控温温度以及预设内外壁温差，将各个影响因素的数值输入到模型中进行计算，即可快速计算该条件下9%Cr马氏体耐热钢管道焊后热处理最小加热宽度。另外通过实验以验证该模型的精度。本例中用本发明所得的结果与实测结果如下表2所示。表I 9%Cr马氏体耐热钢管道的焊后热处理参数
权利要求
1.9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，包括以下步骤 步骤1，由温度场计算模块建立上T组不同尺寸管道在不同加热宽度、不同热处理环境温度、不同控温温度下的热处温度场计算模型，采用有限元分析软件计算各组模型的焊后热处理内外壁温差； 步骤2，由神经网络建立模块结合任意规格管道在不同热处理环境温度、不同控温温度以及不同预设内外壁温差条件下，管道所需最小的加热宽度；建立基于误差反向传播神经网络； 步骤3，预测模型建立模块，针对步骤I得到T组加热宽度的数据对步骤2中基于误差反向传播神经网络进行训练和测试，得到一个能够预测9%Cr马氏体耐热钢厚壁管道焊后热处理加热宽度的预测模型； 步骤4，模型修正模块，结合9%Cr马氏体耐热钢厚壁管道焊后热处理实验测量数据对所得的预测模型进行修正； 步骤5，加热宽度优化模块，分析管道尺寸、热处理环境温度、控温温度、预设内外壁温差，输入到修正后的模型即可得到管道焊后热处理的最小加热宽度。
2.根据权利要求I所述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，所述的步骤I中，建立上T组不同尺寸管道在不同加热宽度、不同热处理环境温度、不同控温温度下的热处温度场计算模型，运用有限元软件计算不同条件下管道焊后热处理内外壁温差的大小，具体方法为 根据9%Cr新型马氏体耐热钢的应用情况，选取管道尺寸范围；根据国内外热处理技术规程，对于一定规格的管道计算加热带宽度、保温宽度的大小，选取加热宽度范围，保温宽度按照电力标准进行选取；根据9%Cr新型马氏体耐热钢的控温温度以及热处理环境温度情况，选择控温温度以及热处理环境温度的范围，建立T组9%Cr新型马氏体耐热钢管道焊后热处理温度场理论计算模型，通过运用有限元软件计算管道尺寸、加热宽度、控温温度以及热处理环境温度对等效点位置的影响，计算方法如下 步骤I. 1，在有限元软件中，建立9%Cr新型马氏体耐热钢焊后热处理温度场计算模型； 步骤I. 2，定义初始条件、边界条件，求解； 步骤I. 3，计算完成后，在后处理器中查看管道内壁温度和外壁温度，计算内外壁温差的大小。
3.根据权利要求I所述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，所述步骤2中，建立基于误差反向传播神经网络的具体方法为 步骤2. I，定义输入层和输出层 选取管道尺寸、预设内外壁温差、控温温度以及热处理环境温度的数值作为输入变量，因此该网络输入层的神经元数为5 ;以不同条件下所需的最小加热宽度作为网络模型的输出，因此输出层神经元数为I ; 步骤2. 2，选择隐层数和隐层单元数采用单隐层，并确定隐层节点数为10 ； 步骤2. 3，其他参数的确定隐层隐层的传递函数为单极性S型函数f(X)=l/(l+e_x)，输出层的传递函数为线性函数f(x)=x，使网络输出任何值，训练次数为1800次，误差目标为0. 5，选择样本数为T,其中N个训练样本，T-N个测试样本。
4.根据权利要求I所述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，所述步骤2中，基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层，输入层有5个神经元，中间层有10个神经元，输出层有I个神经元；所述预测模型的中间层的传递函数为单极性S型函数，输出层的传递函数为线性函数，使网络输出任何值；对步骤I得到T加热宽度对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下 步骤3. 1，设定权值和阈值和训练次数，并对权值和阈值进行初始化，随机摘取T组样本中的T-N组样本作为训练样本，N组样本作为测试样本，输入T-N组训练样本，所述样本为步骤I中得到的T组加热宽度的大小以及T组9%Cr马氏体耐热钢管道焊后热处理最小加热宽度的影响因素； 步骤3. 2，计算网络输出，得到反向传播神经网络中各层的权值以及阈值，并计算反向传播神经网络中各层的权值以及阈值的修正因子，根据步骤I中得到的T-N组A1温度计算值和网络输出计算网络输出误差，所述网络输出误差即为步骤I中得到的T-N组加热宽度的计算值和本步骤计算的网络输出的比较差值； 步骤3. 3，判断是否达到最大训练次数，并根据是否达到最大训练次数选择执行以下步骤 选择执行步骤1，若尚未达到最大训练次数，判断在步骤3. 2中网络输出误差是否小于期望误差，若小于期望误差，则训练结束，同时保存步骤3. 2中反向传播神经网络中各层的权值以及阈值，得到待定预测模型；若大于期望误差，修正反向传播神经网络中各层的权值以及阈值后步骤重复3. 2.其中修正因子采用步骤3. 2中计算的修正因子； 选择执行步骤2，若达到最大训练次数，则该反向传播神经网络在给定的训练次数内不能收敛，训练结束； 步骤3. 4，将N组测试样本逐个输入选择执行步骤I中的待定预测模型，若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢管道焊后热处理所需的最小加热宽度，即该待定预测模型即是步骤3中所得到的预测模型；否则，该待定预测模型不符合，结束整个步骤。
5.根据权利要求I所述的9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，其特征在于，所述的步骤4中，将9%Cr新型马氏体耐热钢厚壁管道焊后热处理实验测量的数据与模型计算值进行对比分析，并修正模型输出阀值。
全文摘要
本发明涉及9%Cr马氏体钢管道焊后热处理加热宽度的优化方法，本发明计算得到T组不同尺寸管道在不同加热宽度、不同热处理环境温度、不同控温温度条件下的管道焊后热处理内外壁温差大小数据。综合考虑管道在不同热处理环境温度、不同控温温度以及不同预设内外壁温差下，管道焊后热处理所需最小的加热宽度，建立基于误差反向传播神经网络并对其训练和测试，以管道尺寸、热处理环境温度、控温温度以及预设内外壁温差作为输入，加热宽度作为输出。结合管道焊后热处理实测数据，将训练和测试好的网络输出阀值进行修正得到该优化方法。该优化方法能够快速地计算焊后热处理所需的最小加热宽度，能够帮助指导和优化热处理工艺，提高热处理质量。
文档编号G06N3/08GK102799938SQ20121022076
公开日2012年11月28日 申请日期2012年6月29日 优先权日2012年6月29日
发明者王学, 袁霖, 胡磊, 谢琳, 严正, 孟庆云, 肖德铭, 张永生, 东岩 申请人:武汉大学