HRB400级螺纹钢大数据分析与应用

摘要：针对HRB400级的螺纹钢中的化学元素含量多少对其性能的影响，利用大数据分析的方法分析螺纹钢的性能指标变化。利用spss对各化学元素进行主成分分析，得到影响螺纹钢性能的主要和次要影响因素。再利用基于Matlab的多元线性回归方法分析各元素分别与螺纹钢的抗屈强度、抗拉强度、断后伸展率关系，得出各元素对螺纹钢性能的影响规律公式，为HRB400级螺纹钢调整成分比例和改善结构性能以及控制成本而减少合金材料的使用提供参考。

Abstract： In view of that the chemical elements content of HRB400 deformed steel bars will impact on its performance， its performance index change is analyzed by data analysis. Principal component analysis using SPSS on various chemical elements can obtain primary and secondary factors affecting properties of deformed steel bar. Multiple linear regression analysis based on Matlab is used for analyzing the relations between all elements and performance （yield strength， tensile strength， fractured elongation）， which derives formula about how each element impacts on the performance of deformed steel bars. It provides a reference for HRB400 deformed steel bars to adjust the ingredient proportions， improve structural performance， keep down costs and reduce the use of alloy materials.

关键词：螺纹钢；元素含量；大数据分析；多元回归分析

Key words： deformed steel bars；element content；data analysis；multiple regression analysis

中图分类号：TB114.2 文献标识码：A 文章编号：1006-4311（2017）15-0136-02

0 引言

热轧带肋钢筋（即螺纹钢）主要用于钢筋混凝土骨架组件，需要螺纹钢具有一定的机械强度、可弯曲、可变形特性和工艺焊接性。组成钢的化学元素直接影响着热轧钢的性能，大多数异形钢筋采用合金化方法，通过添加昂贵的微量元素（如锰合金材料、合金材料等）到钢铁中用以调整成分比例和改善钢结构性能[1]。

根据抗震等级、使用年限和工程标注等需求，目前我国大量生产性能比HRB335更加优异的HRB400级螺纹钢。在HRB400级螺纹钢的生产过程中适量的钒元素对其性能有强化作用[2]。其它化学元素含量对螺纹钢的性能也有影响。研究化学元素含量对螺纹钢性能的影响可以采用了主成分分析法。

1 数据分析

通过项目获取的32045份HRB400级螺纹钢的元素含量检测数据符合大数据中的模态多、体量大、难辨识、价值大、密度低的五个特点[3]。采用基于大数据挖掘的方法分析这批螺纹钢总体性能指标，对样本数据的抗屈强度、抗拉强度、断后伸展率的中位数值、最小值、平均值、方差等数值进行分析。对每种化学元素的含量取均值进行分析，之后利用spss对各种化学元素进行主成分分析。

1.1 均匀抽样理论

对大量数据的处理最直接的方法是对其进行均匀抽样，这样在简化计算量的同时可以发现数据内在的规律。同时在对大量数据的参数进行统计和相关参数的估计中，均匀抽样可以有效减少样本的数量，降低计算的成本，是一种很好的对数据进行前期处理方法[4]。因此对32045份原始螺纹钢数据进行研究时首先使用均匀抽样的方法对数据进行挖掘，以得到有效简化数据后再其进行主成分分析。

1.2 数据的统计分析

对均匀抽样后的HRB400螺纹钢的数据进行统计分析，得到相应的三个性能指标：中位数、最小值、平均值。计算出方差，并与GB/T228-2002的标准的数据进行比较（数据见表1），由表1可知这批螺纹钢的抗屈强度、抗拉强度、断后伸展率都符合标准。

1.3 各元素的主成分分析

利用spss软件以螺纹钢的抗屈强度为约束条件，选取其特征值大于0.8，对各种影响螺纹钢性能的元素进行主成分分析。

按照螺y钢抗屈强度的大小对进行数据排序，再利用spss软件对其进行主成分分析。分析结果中各元素的相关矩阵如表2所示，各个元素的解释的总方差如图1所示。从表2中可以的到各个元素基于抗屈强度的相互之间的相关性，以此作为之后的多元线性回归分析的基础。

从图1中的数值可以看出，相对于螺纹钢的抗屈强度，碳（C）、锰（Mn）、硫（S）、磷（P）、硅（Si）、钒（V）、铬（Cr）数值都>0.8为主要影响因素。镍（Ni）、铜（Cu）、钼（Mo）元素在的初始特征值都

2 多元线性回归

为了进一步分析各元素对HRB400螺纹钢的抗拉强度、抗屈强度、断后伸展率的影响，建立多元线性回归模型对样本数据进行再处理。通过Matlab编程对HRB400螺纹钢数据进行运算后建立多元线性回归模型，对各化学元素的影响进行具体分析。

2.1 多元线性回归模型

多元线性回归是一元线性回归的发展，可用来研究因变量取值与自变量取值的关系。设抗拉强度、抗屈强度、断后伸展率，分别为三个可预测变量Y1，Y2，Y3，这三个变量受到各元素含量t1，t2…tn的影响，建立HRB400螺纹钢结构性能与元素含量间的多元线性回归模型。

各种元素与抗屈强度影响的多元线性回归模型1：

Y1=β10+β11t+β12t+…+β1n+ε1ε1∝N（0，σ2）模型1

各种元素与抗拉强度度影响的多元线性回归模型2：

Y2=β20+β21t+β22t+…+β2n+ε2ε2∝N（0，σ2）模型2

各N元素与抗拉强度度影响的多元线回归模型3：

Y3=β30+β31t+β32t+…+β3n+ε3ε3∝N（0，σ2）模型3

模型中εi表示的是计算过程中可能出现的偏差，将上述三个模型转的数据化为数组的形式，再导入MATLAB程序中的多元线性回归函数中，计算出各个模型的常数项βi0，以及各个元素含量对螺纹钢性能影响的回归系数βin。

2.2 模型求解

利用MATLAB程序对模型1-3进行求解，分别以抗屈强度、抗拉强度、断后伸展率为因变量，以十种元素的含量为自变量对模型进行计算，得到各元素的回归系数见表3。

根据回归系数可得到三个模型的解分别为公式（1）-（3）：

①螺纹钢抗屈强度与各元素含量之间的关系：

Y1=-232+3403tC-610tMn+3306tS+799tP+890tSi+13206tV+265tCr-2353tNi-5188tCu+5846tMo（1）

②螺纹钢抗拉强度与各元素含量之间的关系：

Y2=-507.4+4754.1tC-592.6tMn-4453.9tS+1378.9tP+1519.5tSi+9798.5tV+1269tCr-2425.9tNi-504.7tCu-338.4tMo（2）

③螺纹钢的断后伸展率与各元素含量之间的关系：

Y3=71.9+166tC-65.5tMn-244.7tS-129tP+53.3tSi-495.6tV+49.8tCr+161.1tNi+176.9tCu+1320.6tMo（3）

2.3 多元线性回归结果分析

观察回归模型公式（1）-（3）中，从不同元素含量的回归系数的大小和正负进行分析后，可知各元素含量对螺纹钢性能的影响如下：①由公式（1）可知，影响螺纹钢抗屈强度的主要化学元素含量是钒（V）元素，其次是铜（Cu）元素和钼（Mo）元素。回归系数为正是正相关，为负是负相关。②由公式（2）可知，影响螺纹钢抗拉强度的主要的化学元素含量是钒（V）元素，其次是碳（C）元素和硫（S）元素。③由公式（3）可知，影响螺纹钢断后伸展率的主要的化学元素含量是钼（Mo）元素，其次是钒（V）元素和硫（S）元素。

3 结束语

通过对32045份HRB400级螺纹钢进行大数据挖掘和多元线性回归建模的分析，得到螺纹钢的各化学元素与螺纹钢的抗屈强度、抗拉强度和断后伸展率的公式（1）-（3）。

根据多元线性回归结果分析，影响螺纹钢结构和性能的主要化学元素有钒（V）、铜（Cu）、镍（Ni）、碳（C）、硫（S）、钼（Mo）等元素，增加碳（C）、硫（S）、磷（P）、硅（Si）、钒（V）、铬（Cr）、镍（Ni）、钼（Mo）等元素含量可增强螺纹钢的结构性能。炼钢时可忽略上述价格较低且比较难控制含量的非金属元素成分对钢结构的影响，只需调整其中的镍（Ni）、钼（Mo）、钒（V）元素的含量即可提高RHB400级螺纹钢结构性能。同时可提高价格较低铬（Cr）元素的含量而适量降低贵金属钒（V）的含量以达到节约炼钢成本的目的。

参考文献：

[1]杨昌乐.低成本生产热轧螺纹钢工艺的组织及性能影响规律研究[D].昆明：昆明理工大学，2011.

[2]刘强，张炯明，王博，等.钒在HRB400级螺纹钢中强化作用的研究[J].工程科学学报，2016，z1（38）：56-60.

[3]程学旗，靳小龙，王元卓，等.大数据系统和分析技术综述[J]，软件学报，2014，25（9）：1889-1908.

[4]李毅，米子川.大数据挖掘的均匀抽样设计与数值分析[J].统计与信息论坛，2015，30（4）：3-6.