CN111636030B - 一种q420c级热轧角钢及其基于机器学习的制备方法 - Google Patents

一种q420c级热轧角钢及其基于机器学习的制备方法 Download PDF

Info

Publication number
CN111636030B
CN111636030B CN202010482512.1A CN202010482512A CN111636030B CN 111636030 B CN111636030 B CN 111636030B CN 202010482512 A CN202010482512 A CN 202010482512A CN 111636030 B CN111636030 B CN 111636030B
Authority
CN
China
Prior art keywords
rolling
angle steel
steel
data
rolled
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
Application number
CN202010482512.1A
Other languages
English (en)
Other versions
CN111636030A (zh
Inventor
朱守欣
于浩
李宇晗
王锟
朱自猛
何文
梁治国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Iron and Steel Co Ltd
Original Assignee
Nanjing Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Iron and Steel Co Ltd filed Critical Nanjing Iron and Steel Co Ltd
Priority to CN202010482512.1A priority Critical patent/CN111636030B/zh
Publication of CN111636030A publication Critical patent/CN111636030A/zh
Application granted granted Critical
Publication of CN111636030B publication Critical patent/CN111636030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/02—Ferrous alloys, e.g. steel alloys containing silicon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/08—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling structural sections, i.e. work of special cross-section, e.g. angle steel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/001—Ferrous alloys, e.g. steel alloys containing N
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/002—Ferrous alloys, e.g. steel alloys containing In, Mg, or other elements not provided for in one single group C22C38/001 - C22C38/60
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/04—Ferrous alloys, e.g. steel alloys containing manganese
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/06—Ferrous alloys, e.g. steel alloys containing aluminium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/12—Ferrous alloys, e.g. steel alloys containing tungsten, tantalum, molybdenum, vanadium, or niobium
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2261/00—Product parameters
    • B21B2261/20—Temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Heat Treatment Of Steel (AREA)
  • Metal Rolling (AREA)

Abstract

本发明公开了一种Q420C级热轧角钢及其基于机器学习的制备方法，通过GRA‑ELM性能‑成分优化模型调整合金成分并优化轧制工艺，使得该热轧角钢在室温下具有铁素体和珠光体组织结构。采用V微合金化工艺，使钢中析出细小弥散的V(C、N)细化组织，最终获得的大规格角钢具有良好的强度和抗冲击性能，其屈服强度≥420MPa，抗拉强度≥570MPa，伸长率≥22％，0℃纵向V型缺口冲击功平均为123J以上。本发明通过机器学习算法合理的减少了钒的用量，降低吨钢成本，通过合理的合金成分设计、加热制度优化与轧制工艺研究，开发了满足各方面性能要求的大规格热轧等边角钢，其成本低廉且制备工艺简单。

Description

一种Q420C级热轧角钢及其基于机器学习的制备方法
技术领域
本发明属于角钢制造技术领域，具体涉及一种Q420C级热轧角钢及其基于机器学习的制备方法。
背景技术
角钢广泛地用于各种建筑结构和工程结构，如房梁、桥梁、输电塔、起重运输机械、船舶等。但多年以来，我国生产角钢多以Q235和Q345小规格角钢为主，钢材的强度等级较低，可选种类偏少，大规格角钢尤为缺乏。与此同时，随着全球能源与资源需求的日益增长，实现钢铁材料的合金减量化与低成本化成为钢铁产业一个重要的发展趋势。因此，开发成本低廉但综合力学性能优异的大规格角钢具有重大经济效益和社会效益。
中国专利申请CN201710705303.7公开了一种铁塔用Q345级热轧耐候大型号角钢及其制备方法，该耐候角钢的屈服强度级别仅为345MPa级别，共包括5种规格：∠180*180*12、∠180*180*16、∠200*200*16、∠200*200*20和∠200*200*24，屈服强度和角钢规格均较低，不能够满足日益发展的需求。
中国专利申请CN201610138492.4公开了一种耐低温热轧角钢及其制备方法，该角钢合金系统中添加了V微合金元素来改善材料的组织和性能，其含量为V：0.04-0.06％，该耐候角钢的屈服强度级别仅为345MPa级别，其壁厚约为18mm，边宽度为180mm，同样的，其屈服强度和角钢规格均较低，不能够满足日益发展的需求。
中国专利申请CN201910252935.1公开了一种基于机器学习并面向性能要求的多组元合金成分设计方法。该发明采用BP神经网络建立成分-性能之间隐式复杂关系，实现根据性能要求快速、准确设计合金成分的目的。但该方法仅考虑对原始数据进行标准化处理，未进行原始成分的高关联度提炼，使得BP神经网络优化过程中存在结果准确性波动、误差较大的问题。
中国专利申请CN201910698739.7公开了一种基于物理指导的机器学习算法的钢铁材料设计方法，该发明基于物理冶金学指导，利用SVM与遗传算法优化材料性能，取得了一定的良好效果。但在前期处理数据时，未进行理论筛选与相关性分析，仅进行标准化处理，其次，SVM相对而言更适合小样本数据，对于大样本数据使用效果相对较差。
发明内容
发明目的：为了克服现有技术的缺陷，本发明提供一种Q420C级热轧角钢，该热轧角钢在保证较高的强度和韧性的同时具有较大的规格。
本发明的另一目的是提供一种上述Q420C级热轧角钢的基于机器学习的制备方法。
技术方案：本发明所述的一种Q420C级热轧角钢，由以下质量百分比的成分组成C：0.13～0.19％，Si：0.25～0.45％，Mn：1.4～1.6％，P：≤0.025％，S：≤0.01％，V：0.05～0.08％，Al：0.02～0.04％，N：0.006～0.020％，余量的Fe及杂质元素。
对应于上述的Q420C级热轧角钢，本发明提供的一种基于机器学习的制备方法，包括如下步骤：
(1)利用灰色关联极限学习机进行热轧等边角钢的性能成分优化，得到该Q420C级热轧角钢的合金成分；
(2)根据所得到的合金成分，采用转炉冶炼、炉外精炼、保护浇铸得到截面为250×350mm的连铸钢坯；
(3)将得到的钢坯均热后，按孔型依次经过850辊径轧机、750辊径轧机、650辊径粗轧机列、650辊径精轧机，得到规格为∠220*∠220和∠250*∠250的等边角钢；
(4)上冷床空冷冷却。
其中，所述步骤(1)中，性能成分优化的步骤包括：
(1.1)数据处理：对原始实验数据进行归一化处理，其中，原始实验数据包括C、Si、Mn、P、S、V、N、Al、压缩比、冲击功、屈服强度、抗拉强度以及伸长率；
(1.2)相关性分析：利用灰色关联算法分析C、Si、Mn、P、S、V、N、Al、压缩比与冲击功、屈服强度、抗拉强度、伸长率之间的相关性；
(1.3)成分确定：选取相关性系数大的元素，另外采用ELM算法通过优化化学成分进一步优化材料性能，从而设计出合适的元素含量。
具体的，所述步骤(1.1)所采用的公式如下：
Figure BDA0002515291330000021
其中，xi为数据归一化前的值，i对应各原始数据；
Figure BDA0002515291330000035
为数据归一化后的值；xmin为数据中的最小值；xmax为数据中的最大值。
具体的，所述步骤(1.2)中，相关性分析的步骤包括：
步骤1：选择参考序列X0＝(x01,x02,x03,...xi)，比较序列Xi＝(xi1,xi2,xi3,xi4,...xij)，采用初值法对变量进行无量纲化处理，得到X′i＝Xi/xi1＝(x'i1,x'i2,...,x'in),i＝0,1,2...,m，求出差序列、最大差和最小差；
其中，xij、xin为矩阵数值；X′i为无量纲化处理后的数据矩阵；
步骤2：计算关联系数：
Figure BDA0002515291330000031
其中，
Figure BDA0002515291330000034
为参考序列X0与比较序列Xi的灰色关联系数；ρ为分辨系数；k为时刻值；
步骤3：求关联度：
Figure BDA0002515291330000032
其中，m为数据个数；
分析结果关联度越大，说明该组元素与目标性能之间的紧密程度越强。
具体的，所述步骤(1.3)中，成分确定的步骤包括：
步骤a：选取冲击功、屈服强度、抗拉强度、伸长率作为输入，包含C、Si、Mn、P、S、N、V、Al元素含量作为输出，选取训练集和测试集；
步骤b：确定隐含层神经元个数为4，随机设定输入层与隐含层间的连接权值w和隐含层神经元阈值b：
Figure BDA0002515291330000033
其中，wji表示输入层第i个神经元与隐含层第j个神经元间的连接权值；
Figure BDA0002515291330000041
其中，bl是第l个隐层单元的偏置；
步骤c：确定激活函数g(x)选用sigmoid函数，计算隐含层输出矩阵H；
Figure BDA0002515291330000042
其中，xQ表示样本数据；
步骤d：计算输出层权值：
逐步优化化学成分以达到所需性能要求，从而确定出合适的元素含量。
进一步的，所述步骤(3)中，钢坯出炉温度为1120～1130℃；850辊径轧机轧制5个道次，轧制温度为1060～1080℃；750辊径轧机轧制3个道次，轧制温度为1030～1050℃；650辊径粗轧机列由依次排列的I架轧机和II架轧机组成；I架轧机轧制2个道次，轧制温度为：1000～1020℃；II架轧机轧制1个道次，轧制温度为：980～1000℃；650辊径精轧机轧制前温度为970～990℃，自然冷却到920℃以下进行精轧，轧制1个道次，精轧终轧温度控温范围为880～920℃。
有益效果：与现有技术相比，该Q420C级热轧角钢具有如下优势：
1)在制备时，基于灰色关联极限学习机(GRA-ELM)构建了性能-成分优化模型，综合考虑了多种性能和化学成分之间的综合影响，科学的优化了化学成分设计。
2)在保证学习精度的前提下，更加快速有效的与材料化学成分、性能相结合，实现材料的快速低成本设计。
3)通过GRA-ELM的性能-成分优化模型，调整合金成分并优化轧制工艺，使得该Q420C级热轧角钢在室温下具有铁素体和珠光体组织结构，并通过采用V微合金化工艺，使钢中析出细小弥散的V(C、N)细化组织，起到良好的细晶强化和析出强化效果，从而能够最终获得的大规格角钢，扩宽角钢的应用领域，具体的规格包括∠220*∠220和∠250*∠250的等边角钢。
4)该Q420C级热轧角钢具有良好的强度和抗冲击性能，其屈服强度≥420MPa，抗拉强度≥570MPa，伸长率≥22％，0℃纵向V型缺口冲击功平均在123J以上。并且在保证大规格角钢综合性能满足要求的同时，通过机器学习算法合理的减少了微合金元素的添加量，大大降低了大规格角钢的生产成本。
5)在轧制过程中，不需要对角钢实施特殊的控轧控冷措施，减少了对轧机的要求，提高了设备的安全使用性。
附图说明
图1是本发明的Q420C级热轧角钢制备方法流程图；
图2是本发明Q420C级热轧角钢的轧制工艺流程图；
图3是本发明热轧角钢的第二相粒子大小-质量分数柱状图。
具体实施方式
以下各实施例均采用本发明的方法生产，如图1、图2所示，也即采用GRA-ELM模型对成分进行优化，并严格按照本发明的工艺规程进行生产。优化后得到的Q420C级热轧角钢由以下质量百分比的成分组成C：0.14～0.17％，Si：0.25～0.40％，Mn：1.45～1.55％，P：≤0.025％，S：≤0.01％，V：0.050～0.065％，Al：0.02～0.04％，N：0.009～0.013％，余量的Fe及杂质元素。
实施例1：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的连铸钢坯，然后检测钢坯的成分，见表1。
表1钢坯的成分(wt.％)
Figure BDA0002515291330000051
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表2。
表2力学性能
Figure BDA0002515291330000052
实施例2：在采用GRA-ELM模型对Q420C级大规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表3。
表3钢坯的成分(wt.％)
Figure BDA0002515291330000061
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠250*∠250*24规格的角钢，其力学性能见表4。
表4力学性能
Figure BDA0002515291330000062
实施例3：在采用GRA-ELM模型对Q420级大规格热轧等边角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表5。
表5钢坯的成分(wt.％)
Figure BDA0002515291330000063
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*24规格的角钢，其力学性能见表6。
表6力学性能
Figure BDA0002515291330000064
实施例4：在采用GRA-ELM模型对Q420级大规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表7。
表7钢坯的成分(wt.％)
Figure BDA0002515291330000065
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表8。
表8力学性能
Figure BDA0002515291330000066
实施例5：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表9。
表9钢坯的成分(wt.％)
Figure BDA0002515291330000071
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表10。
表10力学性能
Figure BDA0002515291330000072
实施例6：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表11。
表11钢坯的成分(wt.％)
Figure BDA0002515291330000073
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表12。
表12力学性能
Figure BDA0002515291330000074
实施例7：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表13。
表13钢坯的成分(wt.％)
Figure BDA0002515291330000075
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表14。
表14力学性能
Figure BDA0002515291330000081
实施例8：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表15。
表15钢坯的成分(wt.％)
Figure BDA0002515291330000082
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠220*∠220*20规格的角钢，其力学性能见表16。
表16力学性能
Figure BDA0002515291330000083
实施例9：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表17。
表17钢坯的成分(wt.％)
Figure BDA0002515291330000084
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠250*∠250*24规格的角钢，其力学性能见表4。
表18力学性能
Figure BDA0002515291330000085
实施例10：在采用GRA-ELM模型对Q420C规格热轧角钢的元素成分进行优化后，按照上述成分范围进行冶炼、浇铸得到截面为250×350mm的钢坯，然后检测钢坯的成分，见表19。
表19钢坯的成分(wt.％)
Figure BDA0002515291330000086
Figure BDA0002515291330000091
按照850/750/650I/650Ⅱ/650精轧机顺序进行轧制，轧制道次分别为5/3/2/1/1，轧制后得到∠250*∠250*35规格的角钢，其力学性能见表2。
表20力学性能
Figure BDA0002515291330000092
按照上述实施例的成分和工艺参数制备的试样，各个力学性能均达到所要求的性能指标，屈服强度≥420MPa，抗拉强度≥570MPa，伸长率≥22％，实测屈强比0.70～0.80。
最终优化的结果显示，V含量有所下降而N含量小幅上升，通过对V、N的控制，使性能和成本达到最佳适配效果。该角钢的基体组织中析出有弥散分布的第二相粒子，且第二相粒子为V的碳氮化物。第二相粒子大小及质量分数分布如图2所示，由于高温阶段形成的析出物数量较少且尺寸大，而低温阶段形成的析出物数量多尺寸小，其中位数尺寸更能代表析出物的整体尺寸，第二相粒子尺寸的中位数为17.2nm，小于20nm，可以起到良好的细晶强化和析出强化效果。
而为了进一步凸显本发明的效果，提供以下两组对比例，这两组对比例均未采用本发明的方法生产，也即没有通过GRA-ELM模型进行成分优化，并且未进行加工工艺优化。具体数据如下：
对比例1：
表a钢坯的成分(wt.％)
Figure BDA0002515291330000093
表b力学性能
Figure BDA0002515291330000094
对比例2：
表c钢坯的成分(wt.％)
Figure BDA0002515291330000095
表d力学性能
Figure BDA0002515291330000101
由表a-d可以看出，在利用GRA-ELM模型对成分进行优化设计以及在对轧制工艺进行优化前，其屈服强度等力学性能较低，不能满足要求。

Claims (3)

1.一种Q420C级热轧角钢的基于机器学习的制备方法，其特征在于，包括如下步骤：
(1)利用灰色关联极限学习机进行热轧等边角钢的性能成分优化，得到该Q420C级热轧角钢的合金成分；步骤包括：
(1.1)数据处理：对原始实验数据进行归一化处理，其中，原始实验数据包括C、Si、Mn、P、S、V、N、Al、压缩比、冲击功、屈服强度、抗拉强度以及伸长率；所采用的公式如下：
Figure FDA0003219677120000011
其中，xi为数据归一化前的值，i对应各原始数据；
Figure FDA0003219677120000012
为数据归一化后的值；xmin为数据中的最小值；xmax为数据中的最大值；
(1.2)相关性分析：利用灰色关联算法分析C、Si、Mn、P、S、V、N、Al、压缩比与冲击功、屈服强度、抗拉强度、伸长率之间的相关性；相关性分析的步骤包括：
步骤1：选择参考序列X0＝(x01,x02,x03,…xi)，比较序列Xi＝(xi1,xi2,xi3,xi4,...xij)，采用初值法对变量进行无量纲化处理，得到X'i＝Xi/xi1＝(x'i1,x'i2,...,x'in),i＝0,1,2...,m，求出差序列、最大差和最小差；
其中，xij、xin为矩阵数值；X'i为无量纲化处理后的数据矩阵；
步骤2：计算关联系数：
Figure FDA0003219677120000013
其中，
Figure FDA0003219677120000014
为参考序列X0与比较序列Xi的灰色关联系数；ρ为分辨系数；k为时刻值；
步骤3：求关联度：
Figure FDA0003219677120000015
其中，m为数据个数；
分析结果关联度越大，说明该组元素与目标性能之间的紧密程度越强；
(1.3)成分确定：选取相关性系数大的元素，另外采用ELM算法通过优化化学成分进一步优化材料性能，从而设计出合适的元素含量；成分确定的步骤包括：
步骤a：选取冲击功、屈服强度、抗拉强度、伸长率作为输入，包含C、Si、Mn、P、S、N、V、Al元素含量作为输出，选取训练集和测试集；
步骤b：确定隐含层神经元个数为4，随机设定输入层与隐含层间的连接权值w和隐含层神经元阈值b：
Figure FDA0003219677120000021
其中，wji表示输入层第i个神经元与隐含层第j个神经元间的连接权值；
Figure FDA0003219677120000022
其中，bl是第l个隐层单元的偏置；
步骤c：确定激活函数g(x)选用sigmoid函数，计算隐含层输出矩阵H；
Figure FDA0003219677120000023
其中，xQ表示样本数据；
步骤d：计算输出层权值：
逐步优化化学成分以达到所需性能要求，从而确定出合适的元素含量由以下质量百分比的成分组成C：0.14～0.17％，Si：0.25～0.40％，Mn：1.45～1.55％，P：≤0.025％，S：≤0.01％，V：0.050～0.065％，Al：0.02～0.04％，N：0.009～0.013％，余量的Fe及杂质元素；
(2)根据所得到的合金成分，采用转炉冶炼、炉外精炼、保护浇铸得到截面为250×350mm的连铸钢坯；
(3)将得到的钢坯均热后，按孔型依次经过850辊径轧机、750辊径轧机、650辊径粗轧机列、650辊径精轧机，得到规格为∠220*∠220和∠250*∠250的等边角钢；其中，钢坯出炉温度为1120～1130℃；850辊径轧机轧制5个道次，轧制温度为1060～1080℃；750辊径轧机轧制3个道次，轧制温度为1030～1050℃；650辊径粗轧机列由依次排列的I架轧机和II架轧机组成；I架轧机轧制2个道次，轧制温度为：1000～1020℃；II架轧机轧制1个道次，轧制温度为：980～1000℃；650辊径精轧机轧制前温度为970～990℃，自然冷却到920℃以下进行精轧，轧制1个道次，精轧终轧温度控温范围为880～920℃；
(4)上冷床空冷冷却。
2.根据权利要求1所述的Q420C级热轧角钢的基于机器学习的制备方法，其特征在于，钢的基体组织中析出有弥散分布的第二相粒子，所述第二相粒子为V的碳氮化物，且平均尺寸小于20nm。
3.根据权利要求1所述的Q420C级热轧角钢的基于机器学习的制备方法，其特征在于，钢的屈服强度≥420MPa，抗拉强度≥570MPa，伸长率≥22％，0℃纵向V型缺口冲击功平均值在123J以上，屈强比0.70～0.80。
CN202010482512.1A 2020-05-29 2020-05-29 一种q420c级热轧角钢及其基于机器学习的制备方法 Active CN111636030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482512.1A CN111636030B (zh) 2020-05-29 2020-05-29 一种q420c级热轧角钢及其基于机器学习的制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482512.1A CN111636030B (zh) 2020-05-29 2020-05-29 一种q420c级热轧角钢及其基于机器学习的制备方法

Publications (2)

Publication Number Publication Date
CN111636030A CN111636030A (zh) 2020-09-08
CN111636030B true CN111636030B (zh) 2021-10-26

Family

ID=72326677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482512.1A Active CN111636030B (zh) 2020-05-29 2020-05-29 一种q420c级热轧角钢及其基于机器学习的制备方法

Country Status (1)

Country Link
CN (1) CN111636030B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113198835B (zh) * 2021-04-28 2022-07-29 北京科技大学 一种基于Adam-SVM模型的AH36级热轧球扁钢制备方法
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
CN114807768B (zh) * 2022-05-16 2023-10-13 承德建龙特殊钢有限公司 一种q420的低合金高强度结构用钢及其生产方法
CN117019885B (zh) * 2023-10-09 2023-12-12 东北大学 一种控制板形的带钢轧制生产方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02305918A (ja) * 1989-05-22 1990-12-19 Kobe Steel Ltd 音響異方性の少ないｔｍｃｐ鋼板の製造方法
CN101509099A (zh) * 2009-03-23 2009-08-19 唐山钢铁股份有限公司 一种高强q420c级铁塔角钢及生产工艺
CN103911549A (zh) * 2014-04-26 2014-07-09 河北联合大学 V-n微合金化高强韧大规格角钢及其生产方法
CN104881532A (zh) * 2015-05-21 2015-09-02 华东交通大学 一种基于稳健性的卷筒产品平台设计方法
CN105734418A (zh) * 2016-03-11 2016-07-06 宣化钢铁集团有限责任公司 一种耐低温热轧角钢及其制备方法
CN106021860A (zh) * 2016-05-09 2016-10-12 哈尔滨理工大学 一种球墨铸铁原铁水冶金状态综合评价方法
JP2017137576A (ja) * 2016-01-29 2017-08-10 Ｊｆｅスチール株式会社 山形鋼および山形鋼の製造方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02305918A (ja) * 1989-05-22 1990-12-19 Kobe Steel Ltd 音響異方性の少ないｔｍｃｐ鋼板の製造方法
CN101509099A (zh) * 2009-03-23 2009-08-19 唐山钢铁股份有限公司 一种高强q420c级铁塔角钢及生产工艺
CN103911549A (zh) * 2014-04-26 2014-07-09 河北联合大学 V-n微合金化高强韧大规格角钢及其生产方法
CN104881532A (zh) * 2015-05-21 2015-09-02 华东交通大学 一种基于稳健性的卷筒产品平台设计方法
JP2017137576A (ja) * 2016-01-29 2017-08-10 Ｊｆｅスチール株式会社 山形鋼および山形鋼の製造方法
JP2019094570A (ja) * 2016-01-29 2019-06-20 Ｊｆｅスチール株式会社 バルブプレートおよびバルブプレートの製造方法
CN105734418A (zh) * 2016-03-11 2016-07-06 宣化钢铁集团有限责任公司 一种耐低温热轧角钢及其制备方法
CN106021860A (zh) * 2016-05-09 2016-10-12 哈尔滨理工大学 一种球墨铸铁原铁水冶金状态综合评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钢中元素和渗碳轴承套圈淬火后心部硬度的灰色关联分析;常洪等;《轴承》;20100731(第7期);第48-50页 *

Also Published As

Publication number Publication date
CN111636030A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111636030B (zh) 一种q420c级热轧角钢及其基于机器学习的制备方法
CN106947913B (zh) 一种高强度高韧性热轧耐候钢板及其制备方法
CN101331243B (zh) 拉丝特性优良的高强度线材及其制造方法
CN110791715A (zh) 一种含铌钛耐大气腐蚀14.9级高强度螺栓用钢及其生产方法
CN108517468B (zh) 一种一钢多级的经济型冷轧双相钢及其生产方法
CN111041356B (zh) 一种含铌耐大气腐蚀14.9级高强度螺栓用钢及其生产方法
CN107502835B (zh) 一种铁塔用高强高韧耐候角钢及其制备方法
CN110453149B (zh) 一种高强度精轧螺纹钢及其生产工艺
CN111926234B (zh) 一种基于连铸坯单机架生产具有优良厚度方向性能的超厚高强建筑用钢板的生产方法
US20240052470A1 (en) Non-quenched and Tempered Round Steel with High Strength, High Toughness and Easy Cutting and Manufacturing Method Therefor
CN112036081A (zh) 基于收得率预测的转炉出钢硅锰合金加入量确定方法
CN110565013B (zh) 一种铸坯生产超低温高心部冲击值抗酸容器钢的方法
CN110938732A (zh) 一种含钛耐大气腐蚀14.9级高强度螺栓用钢及其生产方法
CN106566991A (zh) 一种抗酸性海底管线钢及其制备方法
CN110527915A (zh) 一种460MPa级热轧H型钢及其生产方法
CN107779740A (zh) 屈服强度700MPa级耐大气腐蚀热轧钢带及制造方法
CN106834923A (zh) 一种大厚度海洋结构用钢板及其生产方法
CN107779764A (zh) 一种厚规格海工钢及生产方法
CN116065083A (zh) 一种厚规格高强耐候抗震h型钢的冶炼方法
CN103849816B (zh) 适用于花篮桶用抗起楞软质镀锡板
CN107904500A (zh) 一种折弯加工用低合金热轧卷板及其制备方法
CN110923413A (zh) 一种钒微合金化600MPa级低温钢筋用钢及其生产方法
CN111471932B (zh) 一种高强耐腐蚀耐火钢板、其制备方法及其应用
CN109468531A (zh) 一种低屈强比Q345qNH钢板及其制备方法
CN111057829B (zh) 一种hrb500e热轧带肋钢筋的制备方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant