随着国内外多条薄板坯连铸连轧生产线的投产及其所带来的巨大产能,针对薄板坯连铸连轧生产线的组织性能预测技术的研究也成了当前的一个重要课题。钢材组织性能预报系统是一门跨学科的实用技术。它涉及的主要技术领域有传热学,压力加工,金属组织工程学,数值分析,人工智能技术和计算机语言等。钢材组织性能预报系统是在现代冶金装备自动化水平不断提高的基础上,充分结合现代信息技术最新成果的产物。目前,不论是统计模型,还是数学回归分析预报模型都是以实测资料为基础建立起来的一类数学模型,由于受许多建模假设的限制,这些模型很大程度上只是对实际元素对组织性能的影响规律的一种近似模拟,难以用于处理钢材轧制的要素与钢材力学性能之间内在的、复杂的非线性关系。在综述国内外研究的基础上,本文把人工神经网络和遗传算法结合起来,尝试建立GA-BP神经网络组织性能预报模型。本文旨在研究薄板坯连铸连轧生产线的组织性能预测技术,分别使用传统的数学分析的方法进行组织性能预测的建模,以及使用人工智能领域的BP神经网络进行组织性能预测的建模,同时来研究了针对BP神经网络的各种缺点所做的改进措施,比如使用遗传算法来改进BP神经网络。本文所做工作如下:第一章和第二章系统的阐述了课题来源及与之相关的研究进展。说明了BP神经网络的基本原理和学习训练过程,分析了BP网络存在的缺陷,介绍了通用的一些改进措施。本章的最后给出了本论文的基本框架。第三章采用回归分析的数学模型及BP网络对生产线数据进行建模,获得了不同模型在组织性能预测中的基本情况。第四章针对薄板坯连铸连轧生产过程中元素配比与力学性能关系的复杂性,利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点,把遗传算法用于神经网络初始权重的优化,设计出GA-BP算法,可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题,并用于解决异或问题的收敛问题。第五章以某钢厂薄板坯连铸连轧生产所采集的大量资料数据为例,对GA-BP神经网络算法进行计算和检验,运用MATLAB软件进行仿真,并与单一运用常用BP算法的仿真结果进行比较,结果显示GA-BP算法稳定更好、收敛速度快、鲁棒性强。