基于人工神经网络对5Cr–0.5Mo钢中温度诱导的机械性能变化进行数据驱动量化分析

《Processes》：Data-Driven Quantification of Temperature-Induced Mechanical Property Variations in 5Cr–0.5Mo Steel Using Artificial Neural Networks

　　

摘要

本研究利用人工神经网络模型，对温度对5Cr-0.5Mo钢力学性能的影响进行了定量评估。所构建的神经网络模型能够预测不同工作温度下的屈服强度、极限抗拉强度、伸长率以及断面收缩率。该模型在450 °C和700 °C这两个关键温度下的预测结果与实验数据对比，显示出很高的准确性。在450 °C时，模型的预测误差分别为3.84%、2.3%、2.2%和0.42%；而在700 °C时，这些误差分别为3.7%、0.45%、1.88%和0.19%。此外，通过十折交叉验证，该模型具备良好的泛化能力，所有输出变量的决定系数和相关系数都很高，标准化预测误差也很低。尽管没有使用具体的冶金学参数，该神经网络模型仍成功量化了25 °C至700 °C范围内温度的影响，证明了其作为高温Cr–Mo钢预测工具的有效性。同时，研究人员还开发了用户友好的图形界面，便于快速进行性能估算，进一步体现了该框架在初步评估高温Cr–Mo钢方面的应用潜力。