9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法
2023-05-25 22:09:36 1
專利名稱：9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法
技術領域：
9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法。
背景技術：
9%Cr新型馬氏體耐熱鋼主要包含T/P92、T/P91和Ε911三種新型馬氏體耐熱鋼，廣泛用於超超臨界鍋爐主蒸汽管、集箱等厚壁管道等構件，焊縫韌性偏低是該系列鋼管道焊縫安裝過程中出現的一個主要問題。為了改善焊縫韌性，必須對焊縫進行局部熱處理。國內外研究表明，焊後熱處理溫度對焊縫影響非常大，當熱處理溫度在760±10°C時(注受焊縫相變點的限制，熱處理溫度很難進一步提高)，經過短時的恆溫處理，焊縫的衝擊功就可以達到41J以上，在740°C左右加熱時，要達到這一指標必須延長恆溫時間，當加熱溫度在730°C以下時，再延長恆溫時間不僅效果甚微，衝擊功很難達到41J的韌度指標，而且大 幅增加安裝成本，嚴重影響施工進度。現場熱處理時，受管道和焊後熱處理設備的限制，熱源一般只能布置在管道外壁，熱量從外壁向內壁傳導，即使達到穩態，內壁溫度仍然低於外壁溫度，即內外壁必然存在一定溫度差異。為了保證內壁焊縫的韌性，要求儘可能縮小內外壁溫差(控制在20°C -30°C以內)。但是隨著蒸汽溫度和壓力的提高，9%Cr耐熱鋼管道部件壁厚不斷增大，一些部件的設計壁厚最高已達140mm以上，內外壁溫差增大。因此，內外壁溫差控制成為目前國內9%Cr管道安裝中急待解決的問題。
實際工程中，受管道尺寸的限制，管道內壁無法安裝熱電偶，內壁溫度無法進行監控。雖然可以通過測量外壁等效點溫度來預測管道內壁溫度，但是等效點的位置受管道尺寸、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度的影響導致其位置無法確定。因此內外壁溫差大小在熱處理過程中無法獲知，可能導致內外壁溫差過大而使得內壁溫度過低無法達到熱處理效果，從而無法保障熱處理質量。目前內外壁溫差大小的預測是9%Cr耐熱鋼管道焊縫安裝中急待解決的難題。人工神經網絡是80年代末開始迅速發展的一門非線性科學，人工神經網絡模型具有很強的容錯性、學習性、自適應性和非線性的映射能力，特別適於解決因果關係複雜的非確定性推理、判斷、識別和分類等問題。目前，在鋼鐵冶金領域應用最廣泛的是具有多層前饋網絡結構且採用反向誤差傳播訓練方法的模型(BP模型)。
發明內容
本發明主要是解決現有技術所存在的技術問題；提供了一種不僅能夠用於預測一定條件下的大小，對於保障熱處理質量，提高熱處理效率具有重要意義，在一定程度上可以優化熱處理工藝。本發明再有一目的是解決現有技術所存在的問題；提供了一種解決了工程中採用實驗方法測定內外壁溫差浪費時間精力、增加成本和實驗不具備普遍適用性的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法。
本發明的上述技術問題主要是通過下述技術方案得以解決的
9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，包括以下步驟步驟I，內外壁溫差理論計算模塊。在此模塊中，基於傳熱學理論，建立上T組不同尺寸管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，計算各組模型的焊後熱處理內外壁溫差的大小；
步驟2，神經網絡建立模塊，綜合考慮管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度對9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的影響，建立基於誤差反向傳播神經網絡；
步驟3，預測模型建立模塊，利用所得計 算數據對BP神經網絡進行訓練和測試，得到一個可以預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的模型；
步驟4，模型修正模塊，結合9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的實驗測量數據，對所得的確定9%Cr馬氏體耐熱鋼管道焊後熱處理內外壁溫差模型進行修正；
步驟5，內外壁溫差確定模塊，分析管道尺寸(管徑以及壁厚)、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度，輸入到修正後的模型確定管道焊後熱處理內外壁溫差的大小。在上述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，所述的步驟I中，建立上T組不同尺寸管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，計算不同條件下管道焊後熱處理內外壁溫差的大小是基於有限元計算軟體，具體方法為
根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；根據國內外熱處理技術規程，對於一定規格的管道計算加熱帶寬度、保溫寬度的大小，選取加熱寬度和保溫寬度範圍；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍。建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度對內外壁溫差的影響，計算方法如下
步驟I. I，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解；
步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度以及管道外壁溫度，通過比較，計算內外壁溫差的大小。在上述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，所述步驟2中，建立基於誤差反向傳播神經網絡的具體方法為
步驟2. I，定義輸入層和輸出層
選取管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡輸入層的神經元數為6;以不同條件下管道焊後熱處理內外壁溫差的大小作為網絡模型的輸出，因此輸出層神經元數為I。步驟2. 2，選擇隱層數和隱層單元數採用單隱層，並確定隱層節點數為10。步驟2. 3，其他參數的確定隱層隱層的傳遞函數為單極性S型函數f(x)=l/(l+e_x)，輸出層的傳遞函數為線性函數f (x)=x，使網絡輸出任何值，訓練次數為1800次，誤差目標為O. 5，選擇樣本數為T,其中N個訓練樣本，T-N個測試樣本。
在上述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，所述步驟2中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有6個神經元，中間層有10個神經元，輸出層有I個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值；對步驟I得到T組內外壁溫差數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試的具體步驟如下
步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組內外壁溫差數據以及T組9%Cr新型馬氏體耐熱鋼的熱處理條件；步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組內外壁溫差的計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組內外壁溫差的計算值和本步驟計算的網絡輸出的比較差值； 步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步
驟
選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子；
選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不能收斂，訓練結束；
步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr新型馬氏體耐熱鋼焊後熱處理內外壁溫差的大小，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。在上述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，所述的步驟4中，將9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差大小的實驗測量數據與模型計算值進行對比，並修正模型輸出層閥值。因此，本發明具有如下優點1.不僅可以用於確定不同尺寸管道在不同熱處理條件下內外壁溫差的大小，方便現場熱處理過程中保障熱處理質量，提高熱處理效率，在一定程度上優化熱處理工藝；2.解決了實驗方法確定內外壁溫差時浪費時間、增加成本且實驗結果不具有普遍適用性的問題。
圖I本發明中運用的BP神經網絡模型圖。圖2本發明中BP神經網絡訓練流程圖。圖3本發明中BP神經網絡訓練誤差圖。
具體實施例方式下面通過實施例，並結合附圖，對本發明的技術方案作進一步具體的說明。
本發明的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，包括以下步驟 步驟I，內外壁溫差理論計算模塊。在此模塊中，基於傳熱學理論，建立上T組不同尺寸
管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，計算各組模型的焊後熱處理內外壁溫差的大小，具體方法為
根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；根據國內外熱處理技術規程，對於一定規格的管道計算加熱帶寬度、保溫寬度的大小，選取加熱寬度和保溫寬度範圍；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍。建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度對內外壁溫差的影響。如在分析控溫溫度的影響時，控溫溫度一般選擇在760±10°C，因此，分別取750°C、765°C、780°C，其他條件保持不變，經過有限元計算得到內外壁溫差的大小，用同樣的方法分析其他因素的影響。計算方法如下
步驟I. 1，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解；
步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度以及管道外壁溫度，通過比較，計算內外壁溫差的大小。步驟2，神經網絡建立模塊，綜合考慮管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度對9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的影響，建立基於誤差反向傳播神經網絡，具體方法為
I)輸入層和輸出層的設計
選取管道尺寸(管徑和壁厚)、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡中輸入層神經元數為6;以不同條件下管道焊後熱處理內外壁溫差的大小作為網絡模型的輸出，因此輸出層神經元數為I。2)隱層數和隱層單元數的選擇
1989年，Robert Hecht-Nielson證明了對於任何閉區間內的一個連續函數都可以用一個隱層的BP網絡來逼近。因為一個3層的BP網絡可以完成任意的η維到m維的連續映射，故本模型採用單隱層，而隱層節點數的選擇是一個比較複雜的問題，結合經驗公式並經過作者多次嘗試，最後確定隱層節點數為10。I) 其它參數的確定
隱層的傳遞函數為單極性S型函數f(X)=l/(l+e_x)，輸出層的傳遞函數為線性函數f (X) =x，使網絡輸出任何值，訓練次數為1800次，誤差目標為O. 5，選擇樣本數為T，其中N個訓練樣本，T-N個測試樣本。本步驟中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有12個神經元，中間層有10個神經元，輸出層有一個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值，結構圖如附圖I所示。步驟3，預測模型建立模塊，利用所得計算數據對BP神經網絡進行訓練和測試，得到一個可以預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的模型，對步驟I得到的T組內外壁溫差的數據對步驟2中的基於誤差反向傳播神經網絡進行訓練和測試的、具體步驟如下
步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組內外壁溫差數據以及T組9%Cr新型馬氏體耐熱鋼的熱處理條件；步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組內外壁溫差的計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組內外壁溫差的計算值和本步驟計算的網絡輸出的比較差值；
步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步
驟
選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值 以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子；
選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不能收斂，訓練結束；
步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr新型馬氏體耐熱鋼焊後熱處理內外壁溫差的大小，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。在本實施例中，訓練與測試是指用前面採用有限元軟體計算所得7250組不同條件下管道焊後熱處理內外壁溫差大小數據中的7200組作為訓練樣本對所建立的模型進行訓練，用餘下的50組不同條件下管道焊後熱處理內外壁溫差大小數據作為測試樣本對訓練好的BP網絡進行測試。對網絡模型網絡採用誤差反向傳播算法進行訓練，訓練流程如附圖2所示，反覆訓練後當神經網絡的輸出誤差達到O. 5°C時即可停止訓練，訓練誤差圖如附圖3所示，當神經網絡對50組測試樣本的預測誤差低於規定水平時表明網絡模型可用於預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差大小。步驟4，模型修正模塊，結合9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的實驗測量數據，並與網絡計算值進行比較，對所得的確定9%Cr馬氏體耐熱鋼管道焊後熱處理內外壁溫差模型進行修正，修正模型輸出層閥值。步驟5，內外壁溫差確定模塊，分析管道尺寸(管徑以及壁厚)、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度，輸入到修正後的模型確定管道焊後熱處理內外壁溫差的大小。本發明中選取管道尺寸(管徑和壁厚)、加熱帶寬度、保溫帶寬度、熱處理環境溫度以及控溫溫度作為輸入參數，適用範圍如下
管道內徑(半徑)100mm-500mm ；
管道壁厚30mm-140mm ；
加熱帶寬度360mm-1472mm ；
保溫帶寬度560mm-2521_ ；熱處理環境溫度-10°C -300C ；
控溫溫度750°C -780°C。實施例
本發明所涉及的BP神經網絡預測方法與實測的管道內外壁溫差數據進行對比。分析和記錄表I所示的三種規格的9%Cr馬氏體耐熱鋼管道尺寸(內徑和壁厚)、加熱帶寬度、保溫帶寬度、環境溫度以及控溫溫度，將各個影響因素的數值輸入到預測模型中進行計算，即可快速計算該條件下9%Cr馬氏體耐熱鋼管道焊後熱處理內外壁溫差的大小。另外通過實驗對管道焊後熱處理內外壁溫差大小進行實測，以驗證該預測模型的精度。本例中用本發明所得的預測結果與實測結果如下表2所示。 表I 9%Cr馬氏體耐熱鋼管道的焊後熱處理參數_
權利要求
1.9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，包括以下步驟 步驟1，由內外壁溫差理論計算模塊建立上T組不同尺寸管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，計算各組模型的焊後熱處理內外壁溫差的大小； 步驟2，由神經網絡建立模塊基於管道尺寸、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度對9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的影響，建立基於誤差反向傳播神經網絡； 步驟3，由預測模型建立模塊對BP神經網絡進行訓練和測試，得到一個可以預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的模型； 步驟4，由模型修正模塊結合9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的實驗測量數據，對步驟3所得的確定9%Cr馬氏體耐熱鋼管道焊後熱處理內外壁溫差模型進行修正； 步驟5，由內外壁溫差確定模塊分析管道尺寸、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度，輸入到修正後的模型確定管道焊後熱處理內外壁溫差的大小。
2.根據權利要求I所述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，所述的步驟I中，建立上T組不同尺寸管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，計算不同條件下管道焊後熱處理內外壁溫差的大小基於有限元計算軟體，具體方法為 根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；選取加熱寬度和保溫寬度範圍；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍，建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度對內外壁溫差的影響，計算方法如下 步驟I. 1，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解； 步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度以及管道外壁溫度，通過比較，計算內外壁溫差的大小。
3.根據權利要求I所述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，所述步驟2中，建立基於誤差反向傳播神經網絡的具體方法為 步驟2. I，定義輸入層和輸出層 選取管道尺寸、加熱寬度、保溫寬度、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡輸入層的神經元數為6 ；以不同條件下管道焊後熱處理內外壁溫差的大小作為網絡模型的輸出，因此輸出層神經元數為I ; 步驟2. 2，選擇隱層數和隱層單元數採用單隱層，並確定隱層節點數為10 ； 步驟2. 3，其他參數的確定隱層隱層的傳遞函數為單極性S型函數f(X)=l/(l+e_x)，輸出層的傳遞函數為線性函數f(x)=x，使網絡輸出任何值，訓練次數為1800次，誤差目標為O. 5，選擇樣本數為T,其中N個訓練樣本，T-N個測試樣本。
4.根據權利要求I所述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，所述步驟2中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有6個神經元，中間層有10個神經元，輸出層有I個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值；對步驟I得到T組內外壁溫差數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試的具體步驟如下 步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組內外壁溫差數據以及T組9%Cr新型馬氏體耐熱鋼的熱處理條件；步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組內外壁溫差的計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組內外壁溫差的計算值和本步驟計算的網絡輸出的比較差值； 步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步驟 選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子； 選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不能收斂，訓練結束； 步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr新型馬氏體耐熱鋼焊後熱處理內外壁溫差的大小，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。
5.根據權利要求I所述的9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法，其特徵在於，所述的步驟4中，將9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的實驗測量數據與模型計算值進行對比，並修正模型輸出層閥值。
全文摘要
本發明涉及9%Cr馬氏體鋼厚壁管道熱處理內外壁溫差的預測方法。本發明計算得到T組不同尺寸管道在不同加熱寬度、不同保溫寬度、不同熱處理環境溫度、不同控溫溫度下的管道焊後熱處理內外壁溫差數據，綜合考慮管道尺寸、加熱寬度、保溫寬度、熱處理環境溫度、控溫溫度對管道焊後熱處理內外壁溫差的影響，建立基於誤差反向傳播的神經網絡並對其進行訓練和測試。最後結合實測數據，修正得到一個可用於預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理內外壁溫差的方法。該預測方法能夠快速地計算出內外壁溫差大小，能夠幫助指導和優化熱處理工藝，提高熱處理質量。
文檔編號C21D9/08GK102719644SQ20121022077
公開日2012年10月10日 申請日期2012年6月29日 優先權日2012年6月29日
發明者東巖, 嚴正, 孟慶雲, 張永生, 王學, 王朋飛, 肖德銘, 胡磊, 袁霖 申請人:武漢大學