CN102663498B - 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 - Google Patents
一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 Download PDFInfo
- Publication number
- CN102663498B CN102663498B CN201210131877.5A CN201210131877A CN102663498B CN 102663498 B CN102663498 B CN 102663498B CN 201210131877 A CN201210131877 A CN 201210131877A CN 102663498 B CN102663498 B CN 102663498B
- Authority
- CN
- China
- Prior art keywords
- weld metal
- point
- steel weld
- temperature
- training
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明涉及一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法。应用合金热力学理论计算得到T组不同合金成分的焊缝金属的A1点数据,建立基于误差反向传播神经网络,利用所得数据对BP网络进行训练和测试,最后结合9%Cr钢焊缝金属Ac1点实测数据,将训练和测试好的网络输出阀值进行修正得到一个可用于预测9%Cr马氏体耐热钢焊缝金属Ac1点的方法。只要输入己知焊缝金属的成分(质量分数),即可运用该模型快速预测该成分条件下焊缝金属的Ac1点。本发明不仅可以用于计算某种成分条件下的9%Cr马氏体耐热钢焊缝金属的Ac1点,为其焊后热处理温度的选择提供依据,同时还可以用于指导其焊接材料的合金化设计。
Description
技术领域
本发明涉及一种金属Ac1点的预测方法,尤其是涉及一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法。
背景技术
9%Cr马氏体耐热钢主要包含P92、P91和E911三种新型马氏体耐热钢,广泛用于超超临界锅炉主蒸汽管、集箱等厚壁管道等构件,焊缝韧性偏低是该系列钢焊接时的一个主要问题。为了改善焊缝韧性,需要对焊缝进行不同于母材的合金化设计,如适当降低碳、硅和铌等,并加入镍、锰和钴等奥氏体化合金元素,相应的焊缝金属的Ac1点也将发生变化。9%Cr马氏体耐热钢焊后必需进行高温回火处理,以消除焊接残余应力和改善焊接接头性能,一般要求热处理最高温度应至少低于焊缝金属Ac1点15℃,以避免在热处理过程中因温度控制不当,导致回火温度超过焊缝金属的Ac1而产生新的奥氏体,生成的奥氏体在随后的冷却中转变成未回火的马氏体组织,使得焊缝硬度增加、冲击韧性下降,同时使材料高温持久强度降低,降低接头的整体性能。因此,焊接材料厂家在供货时,用户单位要求提供焊材焊缝金属(熔敷金属)的Ac1点。
要充分发挥9%Cr马氏体耐热钢的优异性能,开发与之相匹配的焊接材料显得尤为重要,然而对于P92焊材成分目前还没有统一的国际标准,而且不同焊材厂家采取了不同合金设计,即使同一厂家的产品,不同批号产品也存在一定成分波动。因此,基于热处理等工艺需要,需要经常性的并且要求快速确定焊缝金属Ac1点。传统测定焊缝金属Ac1的方法主要是物理方法,如膨胀法、热分析法、硬度法等等,但这些方法都很难适应快速和大批量的测定确定焊缝金属Ac1的要求,并且测定成本高。
人工神经网络是80年代末开始迅速发展的一门非线性科学,人工神经网络模型具有很强的容错性、学习性、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。目前,在钢铁冶金领域应用最广泛的是具有多层前馈网络结构且采用反向误差传播训练方法的模型(BP模型)。
发明内容
本发明主要是解决现有技术所存在的技术问题;提供了一种不仅能够用于预测某种成分条件下的9%Cr马氏体耐热钢焊缝金属的Ac1点,为其焊后热处理温度选择提供依据,同时还可以用于指导9%Cr钢焊接材料的合金化设计的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法。
本发明再有一目的是解决现有技术所存在的等的技术问题;提供了一种解决了传统中用膨胀法等物理方法测定Ac1点时浪费时间精力、增加成本和不适于大规模测定的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,其特征在于,包括以下步骤:
步骤1,由金属温度计算模块设计T组9%Cr马氏体耐热钢焊缝金属成分,并计算T组9%Cr马氏体耐热钢焊缝金属成分下的焊缝金属的A1温度,得到T组A1温度;
步骤2,由神经网络建立模块基于焊缝金属中碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素对A1点的影响,建立基于误差反向传播神经网络;
步骤3,由预测模型建立模块针对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试,得到一个能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型;
步骤4,由模型修正模块结合9%Cr钢焊缝金属Ac1点实测数据,对步骤3中所得的能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型进行修正;得到修正后的预测模型;
步骤5,由相变点确定模块分析9%Cr马氏体耐热钢焊缝金属中各个合金元素的质量百分数,并将各个合金元素的质量百分数输入到步骤4中修正后的模型预测9%Cr马氏体耐热钢焊缝金属的Ac1点。
在上述的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,所述的步骤1中,设计T组9%Cr马氏体耐热钢焊缝金属成分,计算不同成分的焊缝金属A1是基于运用Thermo-Calc热力学,具体方法为:
根据9%Cr马氏体耐热钢焊缝金属化学成分特点和各主要合金元素的变化范围,选取其平均成分作为参考成分,其中,0.11C,0.3Si,0.45Mn,0.20V,0.07Nb,0.2Ni,9.0Cr,0.035N,0.7Mo,1.25W,0Co,0Cu,设计T组不同合金成分组合,通过运用Thermo-Calc热力学计算软件得到碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素含量变化对9%Cr马氏体耐热钢焊缝中A1点影响,计算方法如下:
步骤1.1,选择铁基数据库TCFE-6,选择Fe,C,Mn,Si,Cr,Mo,W,Ni,Nb,V,N,B,Co元素;
步骤1.2,初始条件设置,给定温度和压力参数分别为600℃、101325Pa,并输入P92钢焊缝金属组成,所述P92钢焊缝金属组成为质量百分数,计算给定条件下的平衡相组成;
步骤1.3,为计算Ac1温度,则应移除温度条件,而将面心立方的γ铁素体相状态设置为FIXED,将γ铁素体相含量设为0.00moles,此时计算条件缺失恢复到零,然后选择温度和压力参数,最后计算得到A1温度。
在上述的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,所述步骤2中,建立基于误差反向传播神经网络的具体方法为:
步骤2.1,定义输入层和输出层:
选取C、N、Ni、Mn、Co、Cu、Cr、Mo、W、V、Nb、Si合金元素含量作为模型的输入变量,因此该网络中输入层神经元数为12;以每组合金成份条件下焊缝金属Ac1相变点温度值作为网络模型输出,因此输出层神经元数为1。
步骤2.2,选择隐层数和隐层单元数:采用单隐层,并确定隐层节点数为9。
步骤2.3,其它参数的确定:隐层的传递函数为单极性S型函数:f(x)=1/(1+e-x),输出层的传递函数为线性函数:f(x)=x,使网络输出任何值,训练次数为2000次,误差目标为0.5,选择样本数为T,其中N个训练样本,T-N个测试样本。
在上述的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,所述步骤2中,基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层,输入层有12个神经元,中间层有9个神经元,输出层有一个神经元;所述预测模型的中间层的传递函数为单极性S型函数,输出层的传递函数为线性函数,使网络输出任何值;对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下:
步骤4.1,设定权值和阈值和训练次数,并对权值和阈值进行初始化,随机摘取T组样本中的T-N组样本作为训练样本,N组样本作为测试样本,输入T-N组训练样本,所述样本为步骤1中得到的T组A1温度以及T组9%Cr马氏体耐热钢焊缝金属成分;
步骤4.2,计算网络输出,得到反向传播神经网络中各层的权值以及阈值,并计算反向传播神经网络中各层的权值以及阈值的修正因子,根据步骤1中得到的T-N组A1温度计算值和网络输出计算网络输出误差,所述网络输出误差即为步骤1中得到的T-N组A1温度计算值和本步骤计算的网络 输出的比较差值;
步骤4.3,判断是否达到最大训练次数,并根据是否达到最大训练次数选择执行以下步骤:
选择执行步骤1,若尚未达到最大训练次数,判断在步骤4.2中网络输出误差是否小于期望误差,若小于期望误差,则训练结束,同时保存步骤4.2中反向传播神经网络中各层的权值以及阈值,得到待定预测模型;若大于期望误差,修正反向传播神经网络中各层的权值以及阈值后步骤重复4.2.其中修正因子采用步骤4.2中计算的修正因子;
选择执行步骤2,若达到最大训练次数,则该反向传播神经网络在给定的训练次数内不能收敛,训练结束;
步骤4.4,将N组测试样本逐个输入选择执行步骤1中的待定预测模型,若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢焊缝金属A1点,即该待定预测模型即是步骤3中所得到的预测模型;否则,该待定预测模型不符合,结束整个步骤。
在上述的一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,所述的步骤4中,所述的9%Cr钢焊缝金属Ac1点以及焊缝金属成分采用焊接材料厂家实测数据,将各种牌号的焊缝金属成分输入到预测模型中即可输出焊缝金属的A1点,上述步骤1中计算得到的是平衡条件下焊缝金属的A1温度,而非非平衡条件下的Ac1温度,因此该网络模型的预测结果较Ac1点实测值要偏低,需要对步骤4中得到的预测模型输出层阀值进行修正,即在预测结果上加一个修正值,根据计算结果取输出阀值修正项为
因此,本发明具有如下优点:1.不仅能够用于预测某种成分条件下的9%Cr马氏体耐热钢焊缝金属的Ac1点,为其焊后热处理温度选择提供依据,同时还可以用于指导9%Cr钢焊接材料的合金化设计;2.解决了传统中用膨胀法等物理方法测定Ac1点时浪费时间精力、增加成本和不适于大规模测定 等问题。
附图说明
图1本发明中运用的BP神经网络模型图。
图2本发明中BP神经网络训练流程图。
图3本发明中BP神经网络训练误差图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本发明的9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,包括以下步骤:
步骤1,由金属温度计算模块设计T组9%Cr马氏体耐热钢焊缝金属成分,并计算T组9%Cr马氏体耐热钢焊缝金属成分下的焊缝金属的A1温度,得到T组A1温度,具体方法为:
根据9%Cr马氏体耐热钢焊缝金属化学成分特点和各主要合金元素可能的变化范围,选取其平均成分(0.11C,0.3Si,0.45Mn,0.20V,0.07Nb,0.2Ni,9.0Cr,0.035N,0.7Mo,1.25W,0Co,0Cu)作为参考成分,设计T组不同合金成分组合,通过运用Thermo-Calc热力学计算软件得到碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅等十二种合金元素含量变化对9%Cr马氏体耐热钢焊缝中A1点影响。如在研究C的影响时,C成分变化范围为0.05~0.13%,分别取0.05,0.07,0.09,0.11,0.13%,其它元素的含量取参考成分,经过热力学分析计算得到A1点,用同样方法得到其它元素含量变化时焊缝金属的A1温度。计算方法如下:
步骤2.1:打开Thermo-Calc软件,选择铁基数据库TCFE-6,选择Fe,C,Mn,Si,Cr,Mo,W,Ni,Nb,V,N,B,Co元素。
步骤2.2:初始条件设置,给定温度和压力参数分别为600℃、101325Pa, 并输入P92钢焊缝金属组成(质量百分数),点击计算给定条件下的平衡相组成。
步骤2.3:为计算Ac1温度,则应移除温度条件,而将面心立方的γ铁素体相(该软件中显示为FCC_A1)状态设置为FIXED,将γ铁素体相含量设为0.00moles,此时计算条件缺失恢复到零,点击Show Value键,并选择温度和压力参数选项中的Temperature Celsius,最后点击Show键计算得到A1温度。
步骤2,由神经网络建立模块基于焊缝金属中碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素对A1点的影响,建立基于误差反向传播神经网络,具体方法为:
1)输入层和输出层的设计
选取C、N、Ni、Mn、Co、Cu、Cr、Mo、W、V、Nb、Si合金元素含量作为模型的输入变量,因此该网络中输入层神经元数为12;以每组合金成份条件下焊缝金属Ac1相变点温度值作为网络模型输出,因此输出层神经元数为1。
2)隐层数和隐层单元数的选择
1989年,Robert Hecht-Nielson证明了对于任何闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近。因为一个3层的BP网络可以完成任意的n维到m维的连续映射,故本模型采用单隐层,而隐层节点数的选择是一个比较复杂的问题,结合经验公式并经过作者多次尝试,最后确定隐层节点数为9。
3)其它参数的确定
隐层的传递函数为单极性S型函数:f(x)=1/(1+e-x),输出层的传递函数为线性函数:f(x)=x,使网络输出任何值,训练次数为2000次,误差目标为0.5,选择样本数为T,其中N个训练样本,T-N个测试样本。
本步骤中,基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层,输入层有12个神经元,中间层有9个神经元,输出层有一个神经元;所述预测模型的中间层的传递函数为单极性S型函数,输出层的传递函数为线性函数,使网络输出任何值,结构图如附图1所示。
步骤3,由预测模型建立模块针对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试,得到一个能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型;对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下:
步骤4.1,设定权值和阈值和训练次数,并对权值和阈值进行初始化,随机摘取T组样本中的T-N组样本作为训练样本,N组样本作为测试样本,输入T-N组中 训练样本,所述样本为步骤1中得到的T租A1温度以及T组9%Cr马氏体耐热钢焊缝金属成分;
步骤4.2,计算网络输出,得到反向传播神经网络中各层的权值以及阈值,并计算反向传播神经网络中各层的权值以及阈值的修正因子,根据步骤1中得到的T组A1温度计算值和网络输出计算网络输出误差,网络输出误差即为步骤1中得到的T-N组A1温度计算值和本步骤计算的网络输出的比较差值;
步骤4.3,判断是否达到最大训练次数,并根据是否达到最大训练次数选择执行以下步骤:
选择执行步骤1,若尚未达到最大训练次数,判断在步骤4.2中网络输出误差是否小于期望误差,若小于期望误差,则训练结束,同时保存步骤4.2中反向传播神经网络中各层的权值以及阈值;若大于期望误差,修正反向传播神经网络中各层的权值以及阈值后步骤重复4.2.其中修正因子采用步骤4.2中计算的修正因子;
选择执行步骤2,若达到最大训练次数,则该反向传播神经网络在给定 的训练次数内不能收敛,训练结束。
步骤3.4,将N组样本测试样本逐个输入选择执行步骤1中的待定预测模型,若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢焊缝金属A1点,即该待定预测模型即是步骤3中所得到的预测模型;否则,该待定预测模型不符合,结束整个步骤。
在本实施例中,训练与测试是指用前面热力学计算所得144组不同合金成分下焊缝金属A1点数据中的118组作为训练样本对所建立的模型进行训练,用余下的26组不同合金成分下焊缝金属A1点数据作为测试样本对训练好的BP网络进行测试。对网络模型网络采用误差反向传播算法进行训练,训练流程如附图2所示,反复训练后当神经网络的输出误差达到0.5℃时即可停止训练,训练误差图如附图3所示,当神经网络对26组测试样本的预测误差低于规定水平时表明网络模型可用于预测9%Cr马氏体耐热钢焊缝金属A1点。
步骤4,由模型修正模块结合9%Cr钢焊缝金属Ac1点实测数据,对步骤3中所得的能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型进行修正;得到修正后的预测模型;9%Cr钢焊缝金属Ac1点以及焊缝金属成分实测数据采用焊接材料厂家(当然也可以来自各个参考文献),将各种牌号的焊缝金属输入到预测模型中即可输出焊缝金属的Ac1点,上述步骤1中计算得到的是平衡条件下焊缝金属的Ac1温度,而非非平衡条件下的Ac1温度,因此该网络模型的预测结果较Ac1点实测值要偏低,需要对步骤4中得到的预测模型输出层阀值进行修正,即在预测结果上加一个修正值,根据计算结果取输出阀值修正项为
步骤5,由焊点确定模块分析9%Cr马氏体耐热钢焊缝金属中各个合金元素的质量百分数,并将各个合金元素的质量百分数输入到步骤4中修正后的模型预测9%Cr马氏体耐热钢焊缝金属的Ac1点。所述的合金元素主要 包括:碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅等十二种主要的合金元素。
本发明中选取碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅等十二种主要的合金元素为输入参数,适用的合金成分范围(质量百分数,wt.%)如下:
C:成分变化范围为0.05~0.13;
N:成分变化范围为0.03~0.07;
Ni:成分变化范围为0~1.2;
Mn:成分变化范围为0~1.2;
Cr:成分变化范围为7.5~9.5;
Mo:成分变化范围为0.3~1.0;
W:成分变化范围为0~2.5;
Nb:成分变化范围为0~0.1
V:成分变化范围为0.15~0.25
Si:成分变化范围为0.1~0.5
Co:成分变化范围为0~2.0
Cu:成分变化范围为0~1.0
实施例:
本发明所涉及的BP神经网络预测方法与传统的膨胀法确定9%Cr马氏体耐热钢焊缝金属Ac1点的比较:
分析表1所示的八种牌号的9%Cr马氏体耐热钢焊缝金属中碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅等十二种合金元素的质量百分数,将不同成分的9%Cr马氏体耐热钢焊缝金属中合金元素的质量分数输入到所述的BP神经网络模型,即可预测得出该组焊缝金属的Ac1点。另外用传统的膨胀法测定各组9%Cr马氏体耐热钢焊缝金属的Ac1点,以验证运用该预 测模型的值的精度。本例中用本发明所得的预测结果与用膨胀法测定结果如下表2所示。
表19%Cr马氏体耐热钢焊条熔敷金属成分(质量分数,%)
表2采用本发明方法与膨胀法所确定Ac1点比较
编号 | 焊条牌号 | 膨胀法/℃ | 本发明方法/℃ | 误差δ*/℃ |
1 | KJ 92埋弧焊丝 | 816 | 814.5 | -1.5 |
2 | KJ 92焊条-1 | 797 | 795.5 | -1.5 |
3 | KJ 92焊条-2 | 797 | 800.0 | 3.0 |
4 | ALCROMOCORD92 | 791 | 794.0 | 3.0 |
5 | CHH727 | 804 | 801.9 | -2.1 |
6 | SAFDR Y CDV 92 | 775 | 772.4 | -2.6 |
7 | KJ92焊条-3 | 792 | 793.7 | 1.7 |
8 | Therrmanit MTS 616 | 795 | 792.1 | -2.9 |
计算结果表明,用本发明提出的基于BP神经网络模型预测的9%C马氏体耐热钢焊缝金属Ac1值与用膨胀法测得的Ac1值较为一致,误差绝对值小于3℃。与传统的膨胀法相比显然有诸多优点,除方便快速地确定出9%Cr马氏体耐热钢焊缝金属Ac1点外,还节约大量的试验时间、试验材料及成本。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法,其特征在于,包括以下步骤:
步骤1,由金属温度计算模块设计T组9%Cr马氏体耐热钢焊缝金属成分,并计算T组9%Cr马氏体耐热钢焊缝金属成分下的焊缝金属的A1温度,得到T组A1温度;
步骤2,由神经网络建立模块基于焊缝金属中碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素对A1点的影响,建立基于误差反向传播神经网络;
步骤3,由预测模型建立模块针对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试,得到一个能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型;
步骤4,由模型修正模块结合9%Cr钢焊缝金属Ac1点实测数据,对步骤3中所得的能够预测9%Cr马氏体耐热钢焊缝金属A1点的预测模型进行修正;得到修正后的预测模型;
步骤5,由相变点确定模块分析9%Cr马氏体耐热钢焊缝金属中各个合金元素的质量百分数,并将各个合金元素的质量百分数输入到步骤4中修正后的模型预测9%Cr马氏体耐热钢焊缝金属的Ac1点;
所述的步骤1中,设计T组9%Cr马氏体耐热钢焊缝金属成分,计算不同成分的焊缝金属A1是基于运用Thermo-Calc热力学,具体方法为:
根据9%Cr马氏体耐热钢焊缝金属化学成分特点和各主要合金元素的变化范围,选取其平均成分作为参考成分,其中,0.11C,0.3Si,0.45Mn,0.20V,0.07Nb,0.2Ni,9.0Cr,0.035N,0.7Mo,1.25W,0Co,0Cu,设计T组不同合金成分组合,通过运用Thermo-Calc热力学计算软件得到碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素含量变化对9%Cr马氏体耐热钢焊缝中A1点影响,计算方法如下:
步骤1.1,选择铁基数据库TCFE-6,选择Fe,C,Mn,Si,Cr,Mo,W,Ni,Nb,V,N,B,Co元素;
步骤1.2,初始条件设置,给定温度和压力参数分别为600℃、101325Pa,并输入P92钢焊缝金属组成,所述P92钢焊缝金属组成为质量百分数,计算给定条件下的平衡相组成;
步骤1.3,为计算Ac1温度,则应移除温度条件,而将面心立方的γ铁素体相状态设置为FIXED,将γ铁素体相含量设为0.00moles,此时计算条件缺失恢复到零,然后选择温度和压力参数,最后计算得到A1温度;
所述步骤2中,建立基于误差反向传播神经网络的具体方法为:
步骤2.1,定义输入层和输出层:
选取C、N、Ni、Mn、Co、Cu、Cr、Mo、W、V、Nb、Si合金元素含量作为模型的输入变量,因此该网络中输入层神经元数为12;以每组合金成份条件下焊缝金属Ac1相变点温度值作为网络模型输出,因此输出层神经元数为1;
步骤2.2,选择隐层数和隐层单元数:采用单隐层,并确定隐层节点数为9;
步骤2.3,其它参数的确定:隐层的传递函数为单极性S型函数:f(x)=1/(1+e-x),输出层的传递函数为线性函数:f(x)=x,使网络输出任何值,训练次数为2000次,误差目标为0.5,选择样本数为T,其中N个训练样本,T-N个测试样本;
所述步骤2中,基于误差反向传播神经网络包括一个输入层、一个中间层和一个输出层,输入层有12个神经元,中间层有9个神经元,输出层有一个神经元;所述预测模型的中间层的传递函数为单极性S型函数,输出层的传递函数为线性函数,使网络输出任何值;对步骤1得到T组A1温度对步骤2中基于误差反向传播神经网络进行训练和测试的具体步骤如下:
步骤4.1,设定权值和阈值和训练次数,并对权值和阈值进行初始化,随机摘取T组样本中的T-N组样本作为训练样本,N组样本作为测试样本,输入T-N组训练样本,所述样本为步骤1中得到的T组A1温度以及T组9%Cr马氏体耐热钢焊缝金属成分;
步骤4.2,计算网络输出,得到反向传播神经网络中各层的权值以及阈值,并计算反向传播神经网络中各层的权值以及阈值的修正因子,根据步骤1中得到的T-N组A1温度计算值和网络输出计算网络输出误差,所述网络输出误差即为步骤1中得到的T-N组A1温度计算值和本步骤计算的网络输出的比较差值;
步骤4.3,判断是否达到最大训练次数,并根据是否达到最大训练次数选择执行以下步骤:
选择执行步骤1,若尚未达到最大训练次数,判断在步骤4.2中网络输出误差是否小于期望误差,若小于期望误差,则训练结束,同时保存步骤4.2中反向传播神经网络中各层的权值以及阈值,得到待定预测模型;若大于期望误差,修正反向传播神经网络中各层的权值以及阈值后步骤重复4.2.其中修正因子采用步骤4.2中计算的修正因子;
选择执行步骤2,若达到最大训练次数,则该反向传播神经网络在给定的训练次数内不能收敛,训练结束;
步骤4.4,将N组测试样本逐个输入选择执行步骤1中的待定预测模型,若预测误差低于规定水平时表明该待定预测模型能够用于预测9%Cr马氏体耐热钢焊缝金属A1点,即该待定预测模型即是步骤3中所得到的预测模型;否则,该待定预测模型不符合,结束整个步骤;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210131877.5A CN102663498B (zh) | 2012-04-28 | 2012-04-28 | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210131877.5A CN102663498B (zh) | 2012-04-28 | 2012-04-28 | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663498A CN102663498A (zh) | 2012-09-12 |
CN102663498B true CN102663498B (zh) | 2014-06-18 |
Family
ID=46772979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210131877.5A Active CN102663498B (zh) | 2012-04-28 | 2012-04-28 | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663498B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103352192B (zh) * | 2013-07-11 | 2014-10-22 | 北京航空航天大学 | 一种设计单晶高温合金固溶制度的方法 |
CN108009329B (zh) * | 2017-11-23 | 2021-06-15 | 武汉大学 | 一种确定9%Cr热强钢管道焊接工艺评定最小管道长度的方法 |
CN108020579A (zh) * | 2017-12-19 | 2018-05-11 | 武汉钢铁有限公司 | 一种测定低合金钢Ar3相变点的方法 |
CN109242088A (zh) * | 2018-07-23 | 2019-01-18 | 大冶特殊钢股份有限公司 | 基于ga-ann人工神经网络模型的热处理方法和装置 |
CN112912969A (zh) * | 2018-10-31 | 2021-06-04 | 昭和电工株式会社 | 热力学的平衡状态的预测装置、预测方法以及预测程序 |
CN110411850B (zh) * | 2019-07-22 | 2020-10-09 | 北京科技大学 | 一种高温合金涡轮叶片服役条件的评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1718802A (zh) * | 2005-08-05 | 2006-01-11 | 武汉大学 | 镍基高温合金成分的优化设计方法 |
CN101109059A (zh) * | 2007-07-20 | 2008-01-23 | 四川大学 | 一种高电阻率高导磁马氏体-铁素体双相不锈钢及其热处理工艺 |
CN101146917B (zh) * | 2005-03-30 | 2010-11-17 | 住友金属工业株式会社 | 马氏体类不锈钢的制造方法 |
CN101424610B (zh) * | 2008-11-14 | 2010-12-22 | 江苏大学 | 含氮奥氏体钢微观组织预测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004053935B4 (de) * | 2004-11-09 | 2015-04-09 | Schaeffler Technologies AG & Co. KG | Verfahren zur Wärmebehandlung eines Bauteils aus einem durchhärtenden warmfesten Stahl und Bauteil aus einem durchhärtenden warmfesten Stahl |
-
2012
- 2012-04-28 CN CN201210131877.5A patent/CN102663498B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101146917B (zh) * | 2005-03-30 | 2010-11-17 | 住友金属工业株式会社 | 马氏体类不锈钢的制造方法 |
CN1718802A (zh) * | 2005-08-05 | 2006-01-11 | 武汉大学 | 镍基高温合金成分的优化设计方法 |
CN101109059A (zh) * | 2007-07-20 | 2008-01-23 | 四川大学 | 一种高电阻率高导磁马氏体-铁素体双相不锈钢及其热处理工艺 |
CN101424610B (zh) * | 2008-11-14 | 2010-12-22 | 江苏大学 | 含氮奥氏体钢微观组织预测的方法 |
Non-Patent Citations (8)
Title |
---|
9%~12%Cr马氏体耐热钢母材及焊缝的硬度控制;李益民等;《热力发电》;20100331;第39卷(第3期);第57-60、81页 * |
9%~12%Cr马氏体钢中厚壁管焊接接头的超声波探伤;夏跃广等;《无损检测》;20050331;第27卷(第3期);第159-161页 * |
人工神经网络预测奥氏体化温度;侯哲哲等;《石家庄铁道学院学报》;20050630;第18卷(第2期);第61-63页 * |
侯哲哲等.人工神经网络预测奥氏体化温度.《石家庄铁道学院学报》.2005,第18卷(第2期),第61-63页. |
夏跃广等.9%~12%Cr马氏体钢中厚壁管焊接接头的超声波探伤.《无损检测》.2005,第27卷(第3期),第159-161页. |
李益民等.9%~12%Cr马氏体耐热钢母材及焊缝的硬度控制.《热力发电》.2010,第39卷(第3期),第57-60、81页. |
用人工神经网络模型预测钢的奥氏体形成温度;由伟等;《金属学报》;20041130;第40卷(第11期);第1133-1137页 * |
由伟等.用人工神经网络模型预测钢的奥氏体形成温度.《金属学报》.2004,第40卷(第11期),第1133-1137页. |
Also Published As
Publication number | Publication date |
---|---|
CN102663498A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663498B (zh) | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 | |
Feng et al. | Using deep neural network with small dataset to predict material defects | |
Sterjovski et al. | Artificial neural networks for modelling the mechanical properties of steels in various applications | |
Capdevila et al. | Determination of Ms temperature in steels: A Bayesian neural network model | |
Guo et al. | Modelling the correlation between processing parameters and properties of maraging steels using artificial neural network | |
Reddy et al. | Modeling medium carbon steels by using artificial neural networks | |
Reddy et al. | Design of medium carbon steels by computational intelligence techniques | |
CN102816917B (zh) | 9%Cr钢管道焊后热处理内壁温度等效点位置确定方法 | |
Khalaj et al. | Prediction of martensite fraction of microalloyed steel by artificial neural networks | |
Dobrzański et al. | Application of neural networks for the prediction of continuous cooling transformation diagrams | |
Mathew et al. | A neural network model to predict low cycle fatigue life of nitrogen-alloyed 316L stainless steel | |
Carneiro et al. | Prediction of mechanical properties of steel tubes using a machine learning approach | |
Jančíková et al. | APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS FOR PREDICTION OF STEEL MECHANICAL PROPERTIES. | |
Bariani et al. | Prediction of nickel-base superalloys’ rheological behaviour under hot forging conditions using artificial neural networks | |
Gafarov et al. | Predicting the hardness of pipe steels using machine learning methods | |
Das et al. | Genetic algorithm based optimization for multi-physical properties of HSLA steel through hybridization of neural network and desirability function | |
Singh et al. | Prediction of HAZ width and toughness of HY85 steel using artificial neural network | |
Dobrzański et al. | Designing of the chemical composition of constructional alloy steels | |
Thankachan et al. | Artificial neural network-based modeling for impact energy of cast duplex stainless steel | |
You et al. | Effect of chromium on CCT diagrams of novel air-cooled bainite steels analyzed by neural network | |
CN102799938B (zh) | 9%Cr马氏体钢管道焊后热处理加热宽度的优化方法 | |
Peet et al. | Neural network modelling of hot deformation of austenite | |
Thankachan et al. | Artificial neural network modeling to evaluate and predict the mechanical strength of duplex stainless steel during casting | |
Wimarshana et al. | Neural network based material models with Bayesian framework for integrated materials and product design | |
Kulina et al. | Ensemble Learning for Predicting the Tensile Strength of Alloy Steels from Chemical Composition and Processing Parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |