人工神经网络模型具有很强的容错性、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。人工神经网络从实验数据中通过自学习自动获取数学模型方面具有独特的优越性,它无需人们预先给定公式的形式,而是以实验数据为基础,经过有限次的迭代计算,就可获得一个反映实验数据内在规律的数学模型,神经网络尤其适用于处理规律不明确、成分工艺变量多的问题,因此,可以利用人工神经网络实现板带化学成分、轧制工艺参数与力学性能的直接映射,进而达到较好的对板带力学性能的预报。本文通过对神经网络模型的理论依据和建模方法的研究,在利用涟钢CSP热轧Q345B钢种的化学成分和工艺参数与力学性能检验数据的基础上,建立了BP神经网络力学性能预报模型。此模型是一个典型的三层网络结构,即输入层、隐层和输出层。输入层有11个神经元,分别为碳、硅、锰、磷、硫、铝、钙含量及F1机架入口速度、终轧温度、卷取温度和成品厚度,输出层有3个神经元,分别为屈服强度、抗拉强度和延伸率。神经网络模型经过训练,得到的预报结果与实际测量的数据相比较表明:BP神经网络预报产品的力学性能精度较高,该方法具有良好的推广价值。同时,利用训练好的神经网络预报模型,可以分析化学成分和工艺参数与产品力学性能之间的关系,便于发现规律,为产品力学性能的在线预测和产品的轧制工艺优化与调整等有重要的指导意义和参考价值。