CN102254057A - 薄板轧制离线力学性能预报方法 - Google Patents
薄板轧制离线力学性能预报方法 Download PDFInfo
- Publication number
- CN102254057A CN102254057A CN2011101040888A CN201110104088A CN102254057A CN 102254057 A CN102254057 A CN 102254057A CN 2011101040888 A CN2011101040888 A CN 2011101040888A CN 201110104088 A CN201110104088 A CN 201110104088A CN 102254057 A CN102254057 A CN 102254057A
- Authority
- CN
- China
- Prior art keywords
- model
- thin plate
- finite element
- rolling
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Metal Rolling (AREA)
Abstract
一种薄板轧制离线力学性能预报方法,包括基于三段式本构模型和组织演化模型的显微组织预测计算的基于有限元技术的轧制成形预测建模和计算方法;使用平均温度与生产线检测温度对比,以检验预测结果的正确性的基于有限元的层流冷却相变计算方法;使用预测轧制成形终轧机架出口的奥氏体晶粒尺寸与生产线停机实验获得的计算结果进行对比,验证组织演化模型的正确性的基于神经网络的室温力学性能预测建模和计算方法。本发明可以建立输入节点和输出节点不固定的神经网络模型,可用于组织-性能预测模型和本构模型的建立,根据贝氏体相份数、铁素体相份数、珠光体相份数和铁素体晶粒尺寸预测了屈服强度、抗拉强度和延伸率的数值。
Description
技术领域
本发明涉及一种薄板轧制工艺。特别是涉及一种基于有限元、蒙特卡洛、神经网络三种算法的薄板轧制离线力学性能预报方法。
背景技术
热轧带钢生产是关键性的钢铁生产过程之一,热轧带钢产品是汽车制造、电器、建筑和机械等基础工业的重要原材料,一般采用按照性质性能进行分类出售,在新产品开发成功之前,一般需要通过实验室研究,上线试制等过程,正式生产后需要通过实验室力学性能测试为用户提供相应产品的力学性能报告。
为了满足用户对薄板带钢尺寸精度和力学性能的日益严格的要求,迫切需要应用数值模拟技术来模拟薄板带钢的连轧过程、预测最终产品的力学性能、获得优化的热轧工艺参数,同时为薄板连轧自动化生产过程的在线组织模拟预测提供理论和数据。
用物理模拟试验与计算机数值计算相结合的方法,对生产过程中的各种金属学现象建立组织与性能预报模型,并通过提前对轧制工艺制度进行最优化设计,开发离线预测模拟系统来预报产品的组织和性能可以有效解决上述问题,提高生产者的生产率,节能降耗,提高效益。热轧带钢生产是关键性的钢铁生产过程之一,热轧带钢产品是汽车制造、电器、建筑和机械等基础工业的重要原材料,一般采用按照性质性能进行分类出售,在新产品开发成功之前,一般需要通过实验室研究,上线试制等过程,正式生产后需要通过实验室力学性能测试为用户提供相应产品的力学性能报告。
为了满足用户对薄板带钢尺寸精度和力学性能的日益严格的要求,迫切需要应用数值模拟技术来模拟薄板带钢的连轧过程、预测最终产品的力学性能、获得优化的热轧工艺参数,同时为薄板连轧自动化生产过程的在线组织模拟预测提供理论和数据。
用物理模拟试验与计算机数值计算相结合的方法,对生产过程中的各种金属学现象建立组织与性能预报模型,并通过提前对轧制工艺制度进行最优化设计,开发离线预测模拟系统来预报产品的组织和性能可以有效解决上述问题,提高生产者的生产率,节能降耗,提高效益。
发明内容
本发明所要解决的技术问题是,提供一种可以建立输入节点和输出节点不固定的神经网络模型的薄板轧制离线力学性能预报方法。
本发明所采用的技术方案是:一种薄板轧制离线力学性能预报方法,包括:基于三段式本构模型和组织演化模型的显微组织预测计算的基于有限元技术的轧制成形预测建模和计算方法;使用平均温度与生产线检测温度对比,以检验预测结果的正确性的基于有限元的层流冷却相变计算方法;使用预测轧制成形终轧机架出口的奥氏体晶粒尺寸与生产线停机实验获得的计算结果进行对比,验证组织演化模型的正确性的基于神经网络的室温力学性能预测建模和计算方法。
所述的基于有限元技术的轧制成形预测建模和计算方法包括如下步骤:
1)根据连续轧制的相关特征及成型要求,利用MSC.SUPERFORM重启动建立薄板连续轧制计算模型,并确定连续轧制各道次时间、初始温度、初始板坯速度的工艺参数;
2)将实际生产线的工艺参数转化为有限元模拟模型所需要的边界条件;
3)将板材划分网格,设置初始温度、轧辊速度、热传导系数、辐射系数的模型边界条件,利用重启动技术模拟建立板材多道次连续轧制热力耦合模型,进行成形过程的热力耦合数值模拟分析,获得终轧机架出口点的温度;
4)将相同成分的钢铁材料做成Ф8X12的圆柱,在Gleeble热模拟试验机上热压缩实验测试获得应变曲线,通过回归建立三段式本构模型;
5)通过使用Absoft Fortran编译器对MSC.SUPERFORM的子程序CRPLAW进行二次开发,将三段式本构模型植入有限元中;
6)使用Gleeble热模拟试验机通过双道次和单道次实验进行压缩实验,然后使用显微镜测量晶粒尺寸大小,通过回归建立动静态组织模拟模型;
7)将步骤6所建立的动静态组织模拟模型使用Absoft Fortran编译器植入步骤3建立的MSC.SUPERFORM板材多道次连续轧制热力耦合模型,进行薄板多道次热力-组织耦合模拟,获得终轧机架出口点的晶粒尺寸。
步骤2所述的工艺参数包括有初始温度和轧辊速度。
所述的基于有限元的层流冷却相变计算方法包括以下步骤:
1)将层流冷却的水口数量和冷却水速度,根据各生产线的具体情况转变为冷却速度,作为模拟参数;
2)将相应钢种的CCT曲线离散,通过二次开发的方法植入有限元MSC.SUPERFORM,通过计算获得各相体积分数和铁素体晶粒尺寸。
所述的基于神经网络的室温力学性能预测建模和计算方法包括以下步骤:
1)设置输入层参数、中间层参数和输出层参数,所述的输入层参数由相决定,输出层参数为抗拉强度、屈服强度、冲击韧性,中间层为一层,中间层神经元个数为15个;
2)通过热模拟和金相观察实验获得的输入层参数与输出层力学性能对应数据对神经网络进行训练,获得温度稳定结果的权值;
3)将基于有限元的层流冷却相变计算方法中获得的计算结果输入,神经网络计算获得输出室温力学性能。
本发明的薄板轧制离线力学性能预报方法,基于神经网络建立力学性能预测模型,实现薄板力学性能离线预测流程,可以建立输入节点和输出节点不固定的神经网络模型,可用于组织-性能预测模型和本构模型的建立,根据贝氏体相份数、铁素体相份数、珠光体相份数和铁素体晶粒尺寸预测了屈服强度、抗拉强度和延伸率的数值。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的薄板轧制离线力学性能预报方法做出详细说明。
本发明的薄板轧制离线力学性能预报方法,利用有限元模拟软件MSC.SUPERFORM的重启动技术,模拟薄板热轧生产线上精轧过程中的变形、热交换和显微组织在七道次连续轧制中的演化规律。在多次模拟中使用数据文件传输信息,在每个道次结束时,读取经过该道次出口点的所有节点温度数据进行加权平均,获得一个能够代表道次出口点温度值的合理的数据,与实验值进行对比。
本发明建立了一个能够实现高温力场和组织场耦合的三段式高温本构模型,这个高温本构模型能够反映组织对于应力应变的影响。实现了热力耦合有限元法与金属微观组织预报模型的结合,建立组织演化模型,并通过二次开发技术将组织演化模型植入有限元MSC.SUPERFORM,计算获得轧制成形结束时的晶粒尺寸。并建立了基于有限元技术相变冷却分析,计算层流冷却结束时各相体积分数及铁素体晶粒尺寸。
本发明基于神经网络建立力学性能预测模型。在此基础上开发了神经网络建模模拟软件,此软件包括前处理、计算、后处理模块,计算模块具有BP、LM、MLP和RBF四种算法,该模拟软件可以建立输入节点和输出节点不固定的神经网络模型,可用于组织-性能预测模型和本构模型的建立,根据贝氏体相份数、铁素体相份数、珠光体相份数和铁素体晶粒尺寸预测了屈服强度、抗拉强度和延伸率的数值。
本发明的薄板轧制离线力学性能预报方法,包括:基于三段式本构模型和组织演化模型的显微组织预测计算的基于有限元技术的轧制成形预测建模和计算方法;使用平均温度与生产线检测温度对比,以检验预测结果的正确性的基于有限元的层流冷却相变计算方法;使用预测轧制成形终轧机架出口的奥氏体晶粒尺寸与生产线停机实验获得的计算结果进行对比,验证组织演化模型的正确性的基于神经网络的室温力学性能预测建模和计算方法。
如图1中模块1所示,所述的基于有限元技术的轧制成形预测建模和计算方法具体包括如下步骤:
1)根据连续轧制的相关特征及成型要求,利用MSC.SUPERFORM重启动建立薄板连续轧制计算模型,并确定连续轧制各道次时间、初始温度、初始板坯速度的工艺参数;
2)将实际生产线的工艺参数转化为有限元模拟模型所需要的边界条件,所述的工艺参数包括有初始温度和轧辊速度;
3)将板材划分网格,设置初始温度、轧辊速度、热传导系数、辐射系数的模型边界条件,利用重启动技术模拟建立板材多道次连续轧制热力耦合模型,进行成形过程的热力耦合数值模拟分析,获得终轧机架出口点的温度;
4)将相同成分的钢铁材料做成Ф8X12的圆柱,在Gleeble热模拟试验机上热压缩实验测试获得应变曲线,通过回归建立如下(公式1-5)形式的三段式本构模型;
第一阶段:
第二阶段:
第三阶段
σ=σf (当ε≥εf时) (5)
式中:σ:屈服应力;
ε:真应变;
σp:峰值应力;
σf:平衡状态的屈服应力;
εp:峰值应变;
εf:平衡状态的真应变。
n1,n2,n3,A1,A2,A3,A4为系数,通过多元非线性回归可以得出。
5)通过使用Absoft Fortran编译器对MSC.SUPERFORM的子程序CRPLAW进行二次开发,将三段式本构模型植入有限元中;
6)使用Gleeble热模拟试验机通过双道次和单道次实验进行压缩实验,然后使用显微镜测量晶粒尺寸大小,通过回归建立如下形式(公式6-13)的动静态组织模拟模型;
(1)动态再结晶模型
ddyn=cZd (8)
其中,Z:Zener-Hollomon参数;
α:常数;
Q:再结晶激活能,通过对本构模型的计算可以获得,单位为J/mol;
R:气体常数,一般为8.31J/mol·K;
T:绝对温度,单位为K;
εc,εp:分别是临界应变,和峰值应变;
ddyn,Xdyn:动态再结晶晶粒尺寸,动态再结晶份数。
(2)静态再结晶模型
其中Xstat:为静态再结晶份数;
dstat:为静态再结晶尺寸;
t:时间;
t0.5:静态再结晶份数达到50%时的时间。
(3)晶粒长大模型
d(t):是在时间t时刻的晶粒尺寸;
其中a、b、c、d、e、f、h、r、m、n、k需要多选回归获得。
7)将步骤6所建立的动静态组织模拟模型使用Absoft Fortran编译器植入步骤3建立的MSC.SUPERFORM板材多道次连续轧制热力耦合模型,进行薄板多道次热力-组织耦合模拟,获得终轧机架出口点的晶粒尺寸。
如图1中模块2所示,所述的基于有限元的层流冷却相变计算方法,具体包括如下步骤:
1)将层流冷却的水口数量和冷却水速度,根据各生产线的具体情况转变为冷却速度,作为模拟参数;
2)将相应钢种的CCT曲线离散,通过二次开发的方法植入有限元MSC.SUPERFORM,通过计算获得各相体积分数和铁素体晶粒尺寸。
如图1中模块3所示,所述的基于神经网络的室温力学性能预测建模和计算方法,是按基于有限元的层流冷却相变计算方法获得的各相体积分数和铁素体晶粒尺寸作为神经网络的输入层参数,计算获得抗拉强度、屈服强度、冲击韧性三个室温力学性能,具体包括如下步骤:
1)设置输入层参数、中间层参数和输出层参数,所述的输入层参数由相决定,输出层参数为抗拉强度、屈服强度、冲击韧性,中间层一般为一层,中间层神经元个数为15个左右;
2)通过热模拟和金相观察实验获得的输入层参数与输出层力学性能对应数据对神经网络进行训练,获得温度稳定结果的权值;
3)将基于有限元的层流冷却相变计算方法中获得的计算结果输入神经网络计算获得输出室温力学性能。
Claims (5)
1.一种薄板轧制离线力学性能预报方法,其特征在于:包括:基于三段式本构模型和组织演化模型的显微组织预测计算的基于有限元技术的轧制成形预测建模和计算方法;使用平均温度与生产线检测温度对比,以检验预测结果的正确性的基于有限元的层流冷却相变计算方法;使用预测轧制成形终轧机架出口的奥氏体晶粒尺寸与生产线停机实验获得的计算结果进行对比,验证组织演化模型的正确性的基于神经网络的室温力学性能预测建模和计算方法。
2.根据权利要求1所述的薄板轧制离线力学性能预报方法,其特征在于,所述的基于有限元技术的轧制成形预测建模和计算方法包括如下步骤:
1)根据连续轧制的相关特征及成型要求,利用MSC.SUPERFORM重启动建立薄板连续轧制计算模型,并确定连续轧制各道次时间、初始温度、初始板坯速度的工艺参数;
2)将实际生产线的工艺参数转化为有限元模拟模型所需要的边界条件;
3)将板材划分网格,设置初始温度、轧辊速度、热传导系数、辐射系数的模型边界条件,利用重启动技术模拟建立板材多道次连续轧制热力耦合模型,进行成形过程的热力耦合数值模拟分析,获得终轧机架出口点的温度;
4)将相同成分的钢铁材料做成Ф8X12的圆柱,在Gleeble热模拟试验机上热压缩实验测试获得应变曲线,通过回归建立三段式本构模型;
5)通过使用Absoft Fortran编译器对MSC.SUPERFORM的子程序CRPLAW进行二次开发,将三段式本构模型植入有限元中;
6)使用Gleeble热模拟试验机通过双道次和单道次实验进行压缩实验,然后使用显微镜测量晶粒尺寸大小,通过回归建立动静态组织模拟模型;
7)将步骤6所建立的动静态组织模拟模型使用Absoft Fortran编译器植入步骤3建立的MSC.SUPERFORM板材多道次连续轧制热力耦合模型,进行薄板多道次热力-组织耦合模拟,获得终轧机架出口点的晶粒尺寸。
3.根据权利要求2所述的薄板轧制离线力学性能预报方法,其特征在于,步骤2所述的工艺参数包括有初始温度和轧辊速度。
4.根据权利要求1所述的薄板轧制离线力学性能预报方法,其特征在于,所述的基于有限元的层流冷却相变计算方法包括以下步骤:
1)将层流冷却的水口数量和冷却水速度,根据各生产线的具体情况转变为冷却速度,作为模拟参数;
2)将相应钢种的CCT曲线离散,通过二次开发的方法植入有限元MSC.SUPERFORM,通过计算获得各相体积分数和铁素体晶粒尺寸。
5.根据权利要求1所述的薄板轧制离线力学性能预报方法,其特征在于,所述的基于神经网络的室温力学性能预测建模和计算方法包括以下步骤:
1)设置输入层参数、中间层参数和输出层参数,所述的输入层参数由相决定,输出层参数为抗拉强度、屈服强度、冲击韧性,中间层为一层,中间层神经元个数为15个;
2)通过热模拟和金相观察实验获得的输入层参数与输出层力学性能对应数据对神经网络进行训练,获得温度稳定结果的权值;
3)将基于有限元的层流冷却相变计算方法中获得的计算结果输入,神经网络计算获得输出室温力学性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101040888A CN102254057A (zh) | 2011-04-25 | 2011-04-25 | 薄板轧制离线力学性能预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101040888A CN102254057A (zh) | 2011-04-25 | 2011-04-25 | 薄板轧制离线力学性能预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254057A true CN102254057A (zh) | 2011-11-23 |
Family
ID=44981321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101040888A Pending CN102254057A (zh) | 2011-04-25 | 2011-04-25 | 薄板轧制离线力学性能预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254057A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN103710529A (zh) * | 2013-12-20 | 2014-04-09 | 鞍钢股份有限公司 | 一种基于超快冷系统的q235钢组织性能预报方法 |
CN103810524A (zh) * | 2014-03-08 | 2014-05-21 | 辽宁工程技术大学 | 一种预测地下铁路建设过程中地表沉降的方法 |
CN104951633A (zh) * | 2015-07-20 | 2015-09-30 | 中南大学 | 一种预测镍基合金加工硬化和动态回复行为的方法 |
CN105302995A (zh) * | 2015-11-20 | 2016-02-03 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种数值模拟优化叶片辊轧模具及毛坯设计的方法 |
CN107220485A (zh) * | 2017-05-12 | 2017-09-29 | 华中科技大学 | 一种适用于多道次压缩的本构模型的建立方法 |
CN107391846A (zh) * | 2017-07-24 | 2017-11-24 | 燕山大学 | 一种针对erw焊管焊缝区机械性能的预测方法 |
CN109351785A (zh) * | 2018-11-28 | 2019-02-19 | 北京首钢冷轧薄板有限公司 | 一种轧制力优化方法及装置 |
CN109598008A (zh) * | 2017-09-30 | 2019-04-09 | 上海梅山钢铁股份有限公司 | 一种层流u形冷却过程有限元仿真计算方法 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN110220781A (zh) * | 2019-06-06 | 2019-09-10 | 燕山大学 | 一种板材各向异性本构参数标定方法及系统 |
RU2704751C1 (ru) * | 2018-10-08 | 2019-10-30 | федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ определения параметров термомеханической обработки и химического состава функциональных материалов с помощью глубокой нейронной сети |
CN111079309A (zh) * | 2019-12-30 | 2020-04-28 | 湖北汽车工业学院 | 耦合再结晶动力学的多道次压缩流变应力模型建立方法 |
CN111291513A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种基于bp神经网络的差厚板轧制力的预测方法 |
CN111933221A (zh) * | 2020-08-03 | 2020-11-13 | 东北大学 | 一种预测Nb微合金钢动态再结晶分数的方法 |
CN113330440A (zh) * | 2019-01-17 | 2021-08-31 | 杰富意钢铁株式会社 | 金属材料的设计辅助方法和设计辅助装置 |
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
CN114528670A (zh) * | 2022-04-21 | 2022-05-24 | 潍柴动力股份有限公司 | 检测铸件抗拉强度的方法 |
CN115034121A (zh) * | 2022-08-11 | 2022-09-09 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
CN115954065A (zh) * | 2022-12-07 | 2023-04-11 | 重庆大学 | 微合金钢tscr工艺过程奥氏体晶粒尺寸预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1641356A (zh) * | 2004-12-13 | 2005-07-20 | 武汉科技大学 | 硬线产品显微组织与力学性能预报系统 |
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
-
2011
- 2011-04-25 CN CN2011101040888A patent/CN102254057A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1641356A (zh) * | 2004-12-13 | 2005-07-20 | 武汉科技大学 | 硬线产品显微组织与力学性能预报系统 |
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
Non-Patent Citations (7)
Title |
---|
《2010 Sixth International Conference on Natural Computation》 20101231 Bin Wu,et al. Predicting Mechanical Properties of Hot-Rolling Steel by Using RBF Network Method based on Complex Network Theory 第1759~1763页 1-5 , * |
《Journal of Materials Processing Technology》 20021231 Jan Kusiak,et al. Modelling of microstructure and mechanical properties of steel using the artificial neural network 第115~121页 1-5 , * |
《中国科学院研究生院博士学位论文》 20051231 曲周德。 板材热精轧微观组织数值模拟及力学性能预报 摘要、第1章第1.5节、第2章第2.3至2.5节、第3章第3.1至3.5节、第5章第5.4节、第6章、图1.3、图3.15、表2.3、2.4 1-5 , * |
《哈尔滨工业大学学报》 20041231 曲周德,等。 基于人工神经网络的微合金钢力学性能预报 第1638~1640页 1-5 第36卷, 第12期 * |
《燕山大学学报》 20000430 崔振山,等。 H型钢热轧过程微观组织的数值预报 第123~126页 1-5 第24卷, 第2期 * |
曲周德。: "板材热精轧微观组织数值模拟及力学性能预报", 《中国科学院研究生院博士学位论文》 * |
谢海波,等。: "层流冷却过程中带钢温度场数值模拟", 《钢铁研究学报》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN102620980B (zh) * | 2012-02-14 | 2014-01-22 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN103710529A (zh) * | 2013-12-20 | 2014-04-09 | 鞍钢股份有限公司 | 一种基于超快冷系统的q235钢组织性能预报方法 |
CN103810524A (zh) * | 2014-03-08 | 2014-05-21 | 辽宁工程技术大学 | 一种预测地下铁路建设过程中地表沉降的方法 |
CN104951633A (zh) * | 2015-07-20 | 2015-09-30 | 中南大学 | 一种预测镍基合金加工硬化和动态回复行为的方法 |
CN105302995B (zh) * | 2015-11-20 | 2018-10-09 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种数值模拟优化叶片辊轧模具及毛坯设计的方法 |
CN105302995A (zh) * | 2015-11-20 | 2016-02-03 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种数值模拟优化叶片辊轧模具及毛坯设计的方法 |
CN107220485A (zh) * | 2017-05-12 | 2017-09-29 | 华中科技大学 | 一种适用于多道次压缩的本构模型的建立方法 |
CN107391846A (zh) * | 2017-07-24 | 2017-11-24 | 燕山大学 | 一种针对erw焊管焊缝区机械性能的预测方法 |
CN109598008A (zh) * | 2017-09-30 | 2019-04-09 | 上海梅山钢铁股份有限公司 | 一种层流u形冷却过程有限元仿真计算方法 |
CN109598008B (zh) * | 2017-09-30 | 2023-11-10 | 上海梅山钢铁股份有限公司 | 一种层流u形冷却过程有限元仿真计算方法 |
RU2704751C1 (ru) * | 2018-10-08 | 2019-10-30 | федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ определения параметров термомеханической обработки и химического состава функциональных материалов с помощью глубокой нейронной сети |
CN109351785A (zh) * | 2018-11-28 | 2019-02-19 | 北京首钢冷轧薄板有限公司 | 一种轧制力优化方法及装置 |
CN113330440A (zh) * | 2019-01-17 | 2021-08-31 | 杰富意钢铁株式会社 | 金属材料的设计辅助方法和设计辅助装置 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN110220781A (zh) * | 2019-06-06 | 2019-09-10 | 燕山大学 | 一种板材各向异性本构参数标定方法及系统 |
CN110220781B (zh) * | 2019-06-06 | 2020-05-08 | 燕山大学 | 一种板材各向异性本构参数标定方法及系统 |
CN111079309A (zh) * | 2019-12-30 | 2020-04-28 | 湖北汽车工业学院 | 耦合再结晶动力学的多道次压缩流变应力模型建立方法 |
CN111079309B (zh) * | 2019-12-30 | 2022-08-16 | 湖北楠田工模具科技有限公司 | 耦合再结晶动力学的多道次压缩流变应力模型建立方法 |
CN111291513A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种基于bp神经网络的差厚板轧制力的预测方法 |
CN111291513B (zh) * | 2020-01-22 | 2024-01-05 | 苏州大学 | 一种基于bp神经网络的差厚板轧制力的预测方法 |
CN111933221A (zh) * | 2020-08-03 | 2020-11-13 | 东北大学 | 一种预测Nb微合金钢动态再结晶分数的方法 |
CN111933221B (zh) * | 2020-08-03 | 2023-07-04 | 东北大学 | 一种预测Nb微合金钢动态再结晶分数的方法 |
CN113687633A (zh) * | 2021-06-29 | 2021-11-23 | 云南昆钢电子信息科技有限公司 | 一种钢筋质量管理系统和方法 |
CN114528670A (zh) * | 2022-04-21 | 2022-05-24 | 潍柴动力股份有限公司 | 检测铸件抗拉强度的方法 |
CN114528670B (zh) * | 2022-04-21 | 2022-07-19 | 潍柴动力股份有限公司 | 检测铸件抗拉强度的方法 |
CN115034121A (zh) * | 2022-08-11 | 2022-09-09 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
CN115034121B (zh) * | 2022-08-11 | 2022-10-25 | 太原科技大学 | 一种基于组织性能智能预报模型的带钢工艺调控方法 |
CN115954065A (zh) * | 2022-12-07 | 2023-04-11 | 重庆大学 | 微合金钢tscr工艺过程奥氏体晶粒尺寸预测方法 |
CN115954065B (zh) * | 2022-12-07 | 2024-05-07 | 重庆大学 | 微合金钢tscr工艺过程奥氏体晶粒尺寸预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254057A (zh) | 薄板轧制离线力学性能预报方法 | |
Han et al. | A comparative study on constitutive relationship of as-cast 904L austenitic stainless steel during hot deformation based on Arrhenius-type and artificial neural network models | |
Abendroth et al. | Determination of deformation and failure properties of ductile materials by means of the small punch test and neural networks | |
Chen et al. | Modeling the dynamic recrystallization in austenitic stainless steel using cellular automaton method | |
CN101887472B (zh) | 预测淬火铝铸件中残余应力和变形的方法 | |
Babu et al. | Modeling and simulation of dynamic recrystallization in super austenitic stainless steel employing combined cellular automaton, artificial neural network and finite element method | |
Xing et al. | Cyclic deformation of 316L stainless steel and constitutive modeling under non-proportional variable loading path | |
Derazkola et al. | Review on modeling and simulation of dynamic recrystallization of martensitic stainless steels during bulk hot deformation | |
Li et al. | Experimental study and numerical simulation of dynamic recrystallization behavior of a micro-alloyed plastic mold steel | |
Jin et al. | Investigation on dynamic recrystallization using a modified cellular automaton | |
Wang et al. | Modeling of mass flow behavior of hot rolled low alloy steel based on combined Johnson-Cook and Zerilli-Armstrong model | |
Yu | Modeling high-temperature tensile deformation behavior of AZ31B magnesium alloy considering strain effects | |
Tang et al. | An improved damage evolution model to predict fracture of steel sheet at elevated temperature | |
Pietrzyk | Finite element based model of structure development in the hot rolling process | |
Wang et al. | A coupled thermal–mechanical and microstructural simulation of the cross wedge rolling process and experimental verification | |
Qu et al. | Parameter identification for improved viscoplastic model considering dynamic recrystallization | |
Chen et al. | Static recrystallization of 30Cr2Ni4MoV ultra-super-critical rotor steel | |
He et al. | Mathematical modeling for high temperature flow behavior of as-cast Ti–45Al–8.5 Nb–(W, B, Y) alloy | |
Yang et al. | Flow behavior and processing maps of a low-carbon steel during hot deformation | |
Celentano | Thermomechanical simulation and experimental validation of wire drawing processes | |
Peng et al. | A collaborative design platform for new alloy material development | |
Quan et al. | Modelling the hot flow behaviors of AZ80 alloy by BP-ANN and the applications in accuracy improvement of computations | |
Szeliga et al. | Stochastic model describing evolution of microstructural parameters during hot rolling of steel plates and strips | |
Zhou et al. | Modeling of the hot flow behaviors for Ti-6Al-4V-0.1 Ru alloy by GA-BPNN model and its application | |
Šolinc et al. | A direct approach to modelling the complex response of magnesium AZ31 alloy sheets to variable strain amplitude loading using Prandtl-Ishlinskii operators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |