CN102254057A - 薄板轧制离线力学性能预报方法 - Google Patents

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

薄板轧制离线力学性能预报方法

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：

${\mathrm{\σ}}_p=A_1{\left(\arcsin \left(A_{2}Z\right)\right)}^{n_1}---\left(1\right)$

$\mathrm{\σ}={\mathrm{\σ}}_p{(\frac{\mathrm{\ϵ}}{{\mathrm{\ϵ}}_p}\·\exp (1-\frac{\mathrm{\ϵ}}{{\mathrm{\ϵ}}_p}))}^{n_2}$ (当ε≤ε_p时)    (2)

第二阶段：

${\mathrm{\σ}}_f=A_3{\left(\arcsin \left(A_{4}Z\right)\right)}^{n_{33}}---\left(3\right)$

$\mathrm{\σ}={\mathrm{\σ}}_f+({\mathrm{\σ}}_p-{\mathrm{\σ}}_f)\left(\sin \left(\frac{\mathrm{\π}}{2}(1+\frac{\mathrm{\ϵ}-{\mathrm{\ϵ}}_f}{{\mathrm{\ϵ}}_p-{\mathrm{\ϵ}}_f})\right)\right)$ (当ε_p≤ε≤ε_f时)    (4)

第三阶段

σ＝σ_f    (当ε≥ε_f时)    (5)

其中Z为Zener-Hollomon参数，

式中：σ：屈服应力；

ε：真应变；

σ_p：峰值应力；

σ_f：平衡状态的屈服应力；

ε_p：峰值应变；

ε_f：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

${\mathrm{\ϵ}}_c={\mathrm{a\ϵ}}_p=0.8\·d_0^a\·Z^b---\left(6\right)$

d_dyn＝cZ^d    (8)

$X_{\mathrm{dyn}}=1-\exp [-0.4{\left(\frac{\mathrm{\ϵ}-{\mathrm{\ϵ}}_c}{{\mathrm{\ϵ}}_p}\right)}^e]---\left(9\right)$

其中，Z：Zener-Hollomon参数；

α：常数；

d₀，ε，

：分别是初始晶粒尺寸、应变、应变率；

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；

ε_c，ε_p：分别是临界应变，和峰值应变；

d_dyn，X_dyn：动态再结晶晶粒尺寸，动态再结晶份数。

(2)静态再结晶模型

$X_{\mathrm{stat}}=1-\exp [-0.693\·{\left(\frac{t}{t_{0.5}}\right)}^f]---\left(10\right)$

$t_{0.5}=9.3\×{10}^{-16}\·{\mathrm{\ϵ}}^4{d}_0^2\exp \left(\frac{23000}{\mathrm{RT}}\right)---\left(11\right)$

其中X_stat：为静态再结晶份数；

d_stat：为静态再结晶尺寸；

t：时间；

t_0.5：静态再结晶份数达到50％时的时间。

(3)晶粒长大模型

$d{\left(t\right)}^2=d_0^2+t\·{10}^{(r-\frac{s}{T})}---\left(13\right)$

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。