微合金钢作为综合性能更优的结构材料,广泛应用于现代工业领域。力学性能是衡量钢材质量的关键指标之一,将直接影响产品的使用价值。然而,力学性能与工艺成分等因素之间存在相互耦合关系,作用机理复杂,使得性能预测模型呈现高维度非线性,难以通过冶金机理进行建模。本文以数据建模为切入点,构建预测精度高、适用于多品种微合金钢产品的力学性能预报模型,同时揭示工艺参数、成分参数及其碳氮化物对力学性能的影响机理。主要内容包括以下三方面:1)针对数据波动性大、信噪比低及分布不均等特点,采用数据离差标准化、异常点检测等方法对样本数据进行预处理,确保数据使用质量。综合考虑析出的碳氮化物及成分工艺等相关影响因素,提出基于前向选择的特征提取方法合理筛选性能影响因素,以简化模型结构,降低计算复杂度。2)基于提取的重要影响参数及对原有神经网络的性能分析,引入GA、PSO等智能算法优化网络结构参数,提出了核宽度优化后的GRNN网络预测模型,以增加力学性能预报模型的预测精度和适用钢种范围。在构建的预测模型基础上,探究输出性能指标的变化趋势,从机理层面验证网络预测模型的可靠性。3)为构建具有显示表达和易于解析特性的性能预测模型,在所提取的性能重要影响参数基础上,结合问题特征对基因表达式编程(GEP算法)的操作过程进行设计。利用基因型与表现型的相互转化,进一步挖掘成分和工艺参数二者与力学性能之间的复杂函数关系。最后对比不同建模方法下的预测结果,验证了所建模型的有效性。