CN113073267B - 一种高强韧耐高温rafm钢及其基于机器学习的设计方法 - Google Patents

一种高强韧耐高温rafm钢及其基于机器学习的设计方法 Download PDF

Info

Publication number
CN113073267B
CN113073267B CN202110335798.5A CN202110335798A CN113073267B CN 113073267 B CN113073267 B CN 113073267B CN 202110335798 A CN202110335798 A CN 202110335798A CN 113073267 B CN113073267 B CN 113073267B
Authority
CN
China
Prior art keywords
heat treatment
treatment parameters
model
rafm steel
value
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
CN202110335798.5A
Other languages
English (en)
Other versions
CN113073267A (zh
Inventor
郑明杰
李孝晨
丁文艺
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202110335798.5A priority Critical patent/CN113073267B/zh
Publication of CN113073267A publication Critical patent/CN113073267A/zh
Application granted granted Critical
Publication of CN113073267B publication Critical patent/CN113073267B/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
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/22—Ferrous alloys, e.g. steel alloys containing chromium with molybdenum or tungsten
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/18—Hardening; Quenching with or without subsequent tempering
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/26—Methods of annealing
    • C21D1/28—Normalising
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D6/00—Heat treatment of ferrous alloys
    • C21D6/002—Heat treatment of ferrous alloys containing Cr
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D6/00—Heat treatment of ferrous alloys
    • C21D6/005—Heat treatment of ferrous alloys containing Mn
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D6/00—Heat treatment of ferrous alloys
    • C21D6/008—Heat treatment of ferrous alloys containing Si
    • 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
    • C22C38/005—Ferrous alloys, e.g. steel alloys containing rare earths, i.e. Sc, Y, Lanthanides
    • 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
    • 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
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/24—Ferrous alloys, e.g. steel alloys containing chromium with vanadium
    • 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
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/26—Ferrous alloys, e.g. steel alloys containing chromium with niobium or tantalum
    • 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
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/28—Ferrous alloys, e.g. steel alloys containing chromium with titanium or zirconium
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16C20/50—Molecular design, e.g. of drugs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Thermal Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Heat Treatment Of Steel (AREA)

Abstract

本发明提供了一种高强韧耐高温RAFM钢，其化学成分为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％等；热处理参数为：正火温度1010～1050℃，正火时间20～55min，回火温度600～720℃，回火时间50～90min。本发明还提供了一种上述钢的基于机器学习的设计方法。本发明RAFM钢具有较高的使用温度上限，高温下也具备较好的拉伸性能；同时，本发明构建的机器学习方法的泛化能力强，能快速、高效地设计出合理的成分和热处理参数。

Description

一种高强韧耐高温RAFM钢及其基于机器学习的设计方法
技术领域
本发明涉及钢铁材料技术领域，尤其涉及一种高强韧耐高温RAFM钢及其基于机器学习的设计方法。
背景技术
由传统的9Cr-1Mo钢发展而来的低活化铁素体/马氏体(RAFM)钢因其良好的热物理、热机械和抗辐照性能而被认为是非常有前途的聚变反应堆用结构材料。作为一种金属结构材料，拉伸性能是RAFM钢设计和应用评价中最重要的基本因素。在聚变反应堆中，结构材料高温力学性能的改善有利于提高核能的利用效率。目前RAFM钢的使用温度上限为550℃。为了优化RAFM钢的高温拉伸性能，已经进行了大量的实验研究。但是，随着RAFM钢体系和热处理工艺的复杂化，系统实验暴露出周期长、花费大、成功率低的劣势，这难以满足人们对材料高效研发的要求。
为了优化RAFM钢的拉伸性能，特别是高温下的性能，研究人员在优化合金成分和改变热处理条件两个方面花费了大量的精力。例如，天津大学的研究团队通过实验方法研究了Ta对低碳RAFM钢中第二相(如M23C6和MX)的影响，发现增加Ta浓度可以提高纳米级MX粒子的形成趋势，有助于高温拉伸性能的改善。在热处理优化方面，改变正火和回火条件被用于优化RAFM钢的拉伸性能。例如，比利时根特大学的研究人员发现，改变退火温度对马氏体块尺寸有很大影响，这导致RAFM钢在不同温度下的拉伸性能有一定的差异。因此，调整成分和热处理条件来优化RAFM钢的拉伸性能是一种有效的策略。然而，传统的实验试错法难以实现多组分、复杂工艺参数的同时优化。
机器学习(ML)方法在解决多维和多尺度问题方面具有很大的优势。目前，大部分研究者主要是建立从成分、工艺参数到性能的正向模型，并利用该模型在虚拟空间中预测和筛选性能优异的材料。但是，这种多维穷举搜索过程是非常复杂和耗时的。一个更具吸引力的工作是建立面向性能要求的设计模型，它能够根据目标性能快速设计出合理的成分和热处理参数。
发明内容
本发明所要解决的技术问题在于提供一种高强韧耐高温RAFM钢及其基于机器学习的设计方法，其通过调整成分、工艺参数来提高RAFM钢的使用温度上限，使之更好的进入工业化应用，同时，通过构建机器学习模型来快速、高效地设计出合理的RAFM钢成分和热处理参数。
本发明采用以下技术方案解决上述技术问题：
一种高强韧耐高温RAFM钢，所述RAFM钢的化学成分及质量百分比含量为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％，Y：0.01～0.05％，Ti：0.002～0.012％，N：0.02～0.04％，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度(NT)1010～1050℃，正火时间(Nt)20～55min，回火温度(TT)600～720℃，回火时间(Tt)50～90min。
作为本发明的优选方式之一，所述RAFM钢的化学成分及质量百分比含量为：0.13％C，9.5％Cr，1.7％W，0.49％Si，0.67％Mn，0.25％V，0.14％Ta，0.002％Zr，0.014％Y，0.01％Ti，0.021％N，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度1010℃，正火时间36min，回火温度660℃，回火时间76min。
作为本发明的优选方式之一，所述其他不可避免的杂质元素为Al、Ni、Mo、Nb、Cu、B、S、P、O，应严格控制经中子辐照后能产生放射性核素的易活化元素，各杂质元素要求所占比例为：Al：0～0.010％，Ni：0～0.005％，Mo：0～0.005％，Nb：0～0.010％，Cu：0～0.010％，B：0～0.0105％，S：0～0.0105％，P：0～0.0105％，O：0～0.005％。
一种上述高强韧耐高温RAFM钢的基于机器学习的设计方法，包括如下步骤：
步骤1、数据采集
获取g组RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能数据；其中，所述拉伸性能为极限抗拉强度(UTS)和总延伸率(TE)；每一种RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能作为一组原始数据；所述成分为组成RAFM钢的元素及其对应的质量百分比；所述热处理参数为RAFM钢的正火温度、正火时间、回火温度及回火时间；
步骤2、数据标准化处理
对原始数据集中的所有数据进行标准化处理；标准化公式为：
Figure BDA0002997550590000031
式(1)中：z为标准化数据，x为原始数据，xmax和xmin分别为原始数据集中每一维变量的最大值和最小值；
步骤3、构建正向模型；
步骤4、构建逆向模型；
步骤5、构建智能筛选模型
利用步骤3构建的正向模型和步骤4构建的逆向模型来建立智能筛选模型，用于根据RAFM钢的目标拉伸性能快速设计成分和热处理参数。
作为本发明的优选方式之一，所述步骤3具体包括：
步骤3.1：将成分、热处理参数和测试温度作为输入，将拉伸性能(UTS和TE)作为正向模型的输出；
步骤3.2：将步骤2得到的标准数据集采用留出法划分成训练集及测试集，训练集的百分比为30％～80％；
步骤3.3：利用决策树回归(DTR)、随机森林回归(RFR)、支持向量机回归(SVR)、梯度增强回归(GBR)、k近邻回归(KNN)和人工神经网络(ANN)算法结合训练集构建UTS和TE的预测模型；
步骤3.4：利用测试集对构建的预测模型进行评价，计算均方根误差(RMSE)和相关系数(R)，所采用的公式分别如下：
Figure BDA0002997550590000041
Figure BDA0002997550590000042
式(2)和式(3)中：n为样本个数；yi和
Figure BDA0002997550590000043
分别为第i个样本(i＝1，2，…，n)的实验值和预测值；
Figure BDA0002997550590000044
和
Figure BDA0002997550590000045
分别为n个样本的实验值和预测值的平均值；
步骤3.5：根据计算的RMSE和R值，选择最佳的算法及合适的训练集/测试集划分比例，构建从成分和热处理参数到UTS和TE的正向模型。
作为本发明的优选方式之一，所述步骤4具体包括：
步骤4.1：将目标拉伸性能作为输入(即Ttest，UTS和TE)，将成分、热处理参数作为逆向模型的输出；
步骤4.2：采用人工神经网络算法及与正向模型相同的训练集/测试集划分比例，选取适当的参数对模型进行训练；
步骤4.3：训练完成后在测试集上统计R值，根据统计的R值对模型参数进行优化，得到最佳的从拉伸性能到成分和热处理参数的逆向模型。
作为本发明的优选方式之一，所述步骤5具体包括：
步骤5.1：将目标拉伸性能(即Ttest，UTS，TE)输入到逆向模型，得到成分及热处理参数的初始设计方案；
步骤5.2：利用正向模型对初始设计方案的拉伸性能(即UTS和TE)进行预测；
步骤5.3：将目标拉伸性能与正向模型的预测结果进行了对比，它们之间的相对偏差(error)用如下公式进行计算：
Figure BDA0002997550590000051
式(4)中，Y和
Figure BDA0002997550590000052
分别为目标值和预测值；
步骤5.4：根据error值是否大于预设阈值ε，选择是执行“将筛选的成分和热处理参数输出”操作，还是执行“对输入数据进行微调”操作；如果error值大于ε，则对输入的数据进行微调，并重复执行步骤5.1、5.2和5.3，直到达到要求的阈值；如果error值小于或等于ε，则输出筛选的成分和热处理参数，计算结束。
本发明相比现有技术的优点在于：
(1)本发明通过调整成分和工艺参数得到了一种高强韧耐高温RAFM钢；相比传统RAFM钢，本发明的RAFM钢具有较高的使用温度上限，其不仅在室温下具备较好的拉伸性能，高温下也同样具备；经验证，本发明RAFM钢在室温极限抗拉强度达到990MPa，600℃的极限抗拉强度达到539MPa，同时韧性满足聚变堆的使用要求；该RAFM钢可以进行大规模的工业生产，进入工业化应用；
(2)本方法所构建的机器学习模型的泛化能力强，能够更加快速、高效地根据不同温度下的拉伸性能设计出合理的成分和热处理参数。
附图说明
图1是实施例4中高强韧耐高温RAFM钢基于机器学习的设计方法的设计流程图；
图2是实施例4中对于UTS，使用不同测试/训练集划分比例的DTR、RFR、SVR、GBR、KNN和ANN模型的RMSE值；
图3是实施例4中对于TE，使用不同测试/训练集划分比例的DTR、RFR、SVR、GBR、KNN和ANN模型的RMSE值；
图4是实施例4中正向模型的UTS预测结果图；
图5是实施例4中正向模型的TE预测结果图；
图6是实施例4中逆向模型的预测结果图；
图7是实施例5中Exp1#钢的应力-应变曲线图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例的一种高强韧耐高温RAFM钢，采用本发明方法进行设计，并严格按照本发明设计的成分和热处理参数进行熔炼和后续热处理。
所述RAFM钢包括如下质量百分比含量的化学成分：0.12％C，10.5％Cr，1.6％W，0.52％Si，0.6％Mn，0.27％V，0.26％Ta，0.001％Zr，0.01％Y，0.002％Ti，0.04％N，其余为Fe元素和其他不可避免的杂质元素。所述RAFM钢的热处理参数为：正火温度(NT)1050℃，正火时间(Nt)20min，回火温度(TT)600℃，回火时间(Tt)90min。
实施例2
本实施例的一种高强韧耐高温RAFM钢，采用本发明方法进行设计，并严格按照本发明设计的成分和热处理参数进行熔炼和后续热处理。
所述RAFM钢包括如下质量百分比含量的化学成分：0.16％C，9.5％Cr，1.8％W，0.48％Si，0.7％Mn，0.23％V，0.10％Ta，0.005％Zr，0.05％Y，0.012％Ti，0.02％N，其余为Fe和其他不可避免的杂质元素。所述RAFM钢的热处理参数为：正火温度(NT)1010℃，正火时间(Nt)55min，回火温度(TT)720℃，回火时间(Tt)50min。
实施例3
本实施例的一种高强韧耐高温RAFM钢，采用本发明方法进行设计，并严格按照本发明设计的成分和热处理参数进行熔炼和后续热处理。
所述RAFM钢包括如下质量百分比含量的化学成分：0.13％C，9.5％Cr，1.7％W，0.49％Si，0.67％Mn，0.25％V，0.20％Ta，0.002％Zr，0.03％Y，0.005％Ti，0.021％N，其余为Fe和其他不可避免的杂质元素。所述RAFM钢的热处理参数为：正火温度(NT)1010℃，正火时间(Nt)36min，回火温度(TT)660℃，回火时间(Tt)76min。
上述实施例1～3中，其他不可避免的杂质元素为Al、Ni、Mo、Nb、Cu、B、S、P、O，各杂质元素所占比例为：Al：0～0.010％，Ni：0～0.005％，Mo：0～0.005％，Nb：0～0.010％，Cu：0～0.010％，B：0～0.0105％，S：0～0.0105％，P：0～0.0105％，O：0～0.005％。
实施例4
如图1所示，本实施例的一种上述实施例1～3中高强韧耐高温RAFM钢的基于机器学习设计的方法，包括如下步骤：
步骤1、数据采集
获取g＝274组RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能数据；其中，所述拉伸性能为极限抗拉强度(UTS)和总延伸率(TE)；每一种RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能作为一组原始数据；所述成分为组成RAFM钢的元素(C，Cr，W，Si，Mn，V，Ta，Zr，Y，Ti，N)及其对应的质量百分比；所述热处理参数为RAFM钢的正火温度(NT)、正火时间(Nt)、回火温度(TT)及回火时间(Tt)；原始数据集中各变量的具体分布情况如表1所示。
表1原始数据集中数据的分布情况
Figure BDA0002997550590000071
Figure BDA0002997550590000081
步骤2、数据标准化处理
对原始数据集中的所有数据进行标准化处理；标准化公式为：
Figure BDA0002997550590000082
式(1)中：z为标准化数据，x为原始数据，xmax和xmin分别为原始数据集中每一维变量的最大值和最小值。
步骤3、构建正向模型
步骤3.1：将成分、热处理参数和测试温度作为输入，将拉伸性能(UTS和TE)作为正向模型的输出。
步骤3.2：将步骤2得到的标准数据集采用留出法划分成训练集及测试集，训练集的百分比为30％～80％。
步骤3.3：利用决策树回归(DTR)、随机森林回归(RFR)、支持向量机回归(SVR)、梯度增强回归(GBR)、k近邻回归(KNN)和人工神经网络(ANN)算法结合训练集构建UTS和TE的预测模型。
步骤3.4：利用测试集对构建的预测模型进行评价，计算均方根误差(RMSE)和相关系数(R)，所采用的公式分别如下：
Figure BDA0002997550590000083
Figure BDA0002997550590000084
式(2)和式(3)中：n为样本个数；yi和
Figure BDA0002997550590000091
分别为第i个样本(i＝1，2，…，n)的实验值和预测值；
Figure BDA0002997550590000092
和
Figure BDA0002997550590000093
分别为n个样本的实验值和预测值的平均值。
步骤3.5：本实施例计算的不同算法和训练集/测试集划分比例对测试误差的影响如图2、图3所示。为了减少随机误差，图2、图3中的每一个数据点都是通过重复学习100次并对结果取平均得到的。从图2、图3中可以看出，对于UTS和TE，不论训练集测试集划分比例如何变化，GBR算法所构建的预测模型是6个不同模型中RMSE值最小的模型，因此选用GBR算法构建正向模型。图4和图5分别展示了正向模型对于UTS和TE的预测能力，其中训练集和测试集的比值为8:2。从图中可以看出大部分数据点都分散在对角线周围，并且对于训练集和测试集的R值都大于0.85，这表明利用GBR算法所构建的正向模型对UTS和TE具有准确的预测能力。
步骤4、构建逆向模型
步骤4.1：将目标拉伸性能作为输入(即Ttest，UTS和TE)，将成分、热处理参数作为逆向模型的输出；
步骤4.2：采用人工神经网络算法及与正向模型相同的训练集/测试集划分比例，选取适当的参数对模型进行训练；
步骤4.3：训练完成后在测试集上统计R值，根据统计的R值对模型参数进行优化，得到最佳的从拉伸性能到成分和热处理参数的逆向模型。本实例所构建的逆向模型的预测结果如图6所示，虽然对于训练集和测试集R值都接近1，但是通过引入少量的自变量(本模型的输入变量为3)来拟合过多的因变量(本模型的输出变量为15)，容易造成过拟合，这也是面向性能要求的成分和热处理参数设计的难点所在。
步骤5、构建智能筛选模型
利用步骤3构建的正向模型和步骤4构建的逆向模型来建立智能筛选模型，用于根据RAFM钢的目标拉伸性能快速设计成分和热处理参数。
步骤5.1：将目标拉伸性能(即Ttest，UTS，TE)输入到逆向模型，得到成分及热处理参数的初始设计方案；
步骤5.2：利用正向模型对初始设计方案的拉伸性能(即UTS和TE)进行预测；
步骤5.3：将目标拉伸性能与正向模型的预测结果进行了对比，它们之间的相对偏差(error)用如下公式进行计算：
Figure BDA0002997550590000101
式(4)中，Y和
Figure BDA0002997550590000102
分别为目标值和预测值；
步骤5.4：根据error值是否大于预设阈值ε，选择是执行“将筛选的成分和热处理参数输出”操作，还是执行“对输入数据进行微调”操作。在本实施例中，ε为10％。如果error值大于10％，则对输入的数据进行微调并重复执行步骤5.1、5.2和5.3，直到达到要求的阈值；如果error值小于或等于10％，输出筛选的成分和热处理参数，计算结束。
在本实施中，输入的数据按照公式
Figure BDA0002997550590000103
进行调整，式中，
Figure BDA0002997550590000104
是第i次循环的输入值，η是一个常数。对于UTS，η等于10；对于TE，η等于1。
将设置的目标拉伸性能(UTS＝500MPa，TE＝20％，Ttest＝600℃)输入到智能筛选模型执行成分和热处理参数设计，经过100次迭代优化设计后得到设计的RAFM钢的成分范围为C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％，Y：0.01～0.05％,Ti：0.002～0.012％，N：0.02～0.04％，其余为Fe元素及不可避免的杂质元素；该RAFM钢的热处理参数为正火温度(NT)：1010～1050℃，正火时间(Nt)：20～55min，回火温度(TT)：600～720℃，回火时间(Tt)：50～90min。
实施例5
本实施例的一种上述实施例1～3中高强韧耐高温RAFM钢的实验验证。
从智能筛选模型所设计的结果中，挑选出预测的UTS值最大的一种钢进行实验验证，这一方面可以验证智能筛选模型的可靠性，另一方面可以实现发现高强韧耐高温RAFM钢的目的。
根据实施例3所设计的成分，采用真空感应熔炼法制备了10kg左右的钢锭。然后检测钢锭的成分，见表2。在1200℃均质化2h后，热锻热轧成16mm厚度的钢板。将制备的Exp1#在1010℃正火36min后空冷，然后在660℃回火76min后空冷。从热处理后的钢板上沿轧制方向取一些尺寸为4×20.0mm的小试样，在600℃保温15min后进行拉伸测试。Exp1#钢在600℃的UTS值为539MPa，TE值为20.6％。实验结果与目标性能之间的相对偏差值小于10％，表明智能筛选模型能为设计RAFM钢的成分和热处理参数提供一种快速有效的方法。
表2钢锭的成分
Figure BDA0002997550590000111
另外，对于Exp1#钢在25℃，300℃，400℃，500℃下的拉伸性能也进行了测试，其应力-应变曲线图如图7所示。通过本设计方法所制备的RAFM钢在室温极限抗拉强度达到990MPa，600℃的极限抗拉强度达到539MPa，同时韧性满足聚变堆的使用要求。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，包括如下步骤：
步骤1、数据采集
获取g组RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能数据；其中，所述拉伸性能为极限抗拉强度UTS和总延伸率TE；每一种RAFM钢的成分、热处理参数、测试温度及其对应的拉伸性能作为一组原始数据；所述成分为组成RAFM钢的元素及其对应的质量百分比；所述热处理参数为RAFM钢的正火温度、正火时间、回火温度及回火时间；
步骤2、数据标准化处理
对原始数据集中的所有数据进行标准化处理；标准化公式为：
Figure FDA0003389525370000011
式(1)中：z为标准化数据，x为原始数据，xmax和xmin分别为原始数据集中每一维变量的最大值和最小值；
步骤3、构建正向模型；
步骤4、构建逆向模型；
步骤5、构建智能筛选模型
利用步骤3构建的正向模型和步骤4构建的逆向模型来建立智能筛选模型，用于根据RAFM钢的目标拉伸性能快速设计成分和热处理参数；
其中，最终获得的RAFM钢的化学成分及质量百分比含量为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％，Y：0.01～0.05％，Ti：0.002～0.012％，N：0.02～0.04％，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度1010～1050℃，正火时间20～55min，回火温度600～720℃，回火时间50～90min。
2.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤3具体包括：
步骤3.1：将成分、热处理参数和测试温度作为输入，将拉伸性能作为正向模型的输出；
步骤3.2：将步骤2得到的标准数据集采用留出法划分成训练集及测试集，训练集的百分比为30％～80％；
步骤3.3：利用决策树回归、随机森林回归、支持向量机回归、梯度增强回归、k近邻回归和人工神经网络算法结合训练集构建极限抗拉强度UTS和总延伸率TE的预测模型；
步骤3.4：利用测试集对构建的预测模型进行评价，计算均方根误差RMSE和相关系数R，所采用的公式分别如下：
Figure FDA0003389525370000021
Figure FDA0003389525370000022
式(2)和式(3)中：n为样本个数；yi和
Figure FDA0003389525370000023
分别为第i个样本的实验值和预测值，i＝1，2，…，n；
Figure FDA0003389525370000024
和
Figure FDA0003389525370000025
分别为n个样本的实验值和预测值的平均值；
步骤3.5：根据计算的RMSE和R值，选择最佳的算法及合适的训练集/测试集划分比例，构建从成分和热处理参数到UTS和TE的正向模型。
3.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤4具体包括：
步骤4.1：将目标拉伸性能作为输入，将成分、热处理参数作为逆向模型的输出；
步骤4.2：采用人工神经网络算法及与正向模型相同的训练集/测试集划分比例，选取适当的参数对模型进行训练；
步骤4.3：训练完成后在测试集上统计R值，根据统计的R值对模型参数进行优化，得到最佳的从拉伸性能到成分和热处理参数的逆向模型。
4.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述步骤5具体包括：
步骤5.1：将目标拉伸性能输入到逆向模型，得到成分及热处理参数的初始设计方案；
步骤5.2：利用正向模型对初始设计方案的拉伸性能进行预测；
步骤5.3：将目标拉伸性能与正向模型的预测结果进行了对比，它们之间的相对偏差error用如下公式进行计算：
Figure FDA0003389525370000031
式(4)中，Y和
Figure FDA0003389525370000032
分别为目标值和预测值；
步骤5.4：根据error值是否大于预设阈值ε，选择是执行“将筛选的成分和热处理参数输出”操作，还是执行“对输入数据进行微调”操作；如果error值大于ε，则对输入的数据进行微调，并重复执行步骤5.1、5.2和5.3，直到达到要求的阈值；如果error值小于或等于ε，则输出筛选的成分和热处理参数，计算结束。
5.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述RAFM钢的化学成分及质量百分比含量为：0.13％C，9.5％Cr，1.7％W，0.49％Si，0.67％Mn，0.25％V，0.14％Ta，0.002％Zr，0.014％Y，0.01％Ti，0.021％N，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度1010℃，正火时间36min，回火温度660℃，回火时间76min。
6.根据权利要求1所述的高强韧耐高温RAFM钢的基于机器学习的设计方法，其特征在于，所述其他不可避免的杂质元素为Al、Ni、Mo、Nb、Cu、B、S、P、O，各杂质元素要求所占比例为：Al：0～0.010％，Ni：0～0.005％，Mo：0～0.005％，Nb：0～0.010％，Cu：0～0.010％，B：0～0.0105％，S：0～0.0105％，P：0～0.0105％，O：0～0.005％。
CN202110335798.5A 2021-03-29 2021-03-29 一种高强韧耐高温rafm钢及其基于机器学习的设计方法 Active CN113073267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110335798.5A CN113073267B (zh) 2021-03-29 2021-03-29 一种高强韧耐高温rafm钢及其基于机器学习的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110335798.5A CN113073267B (zh) 2021-03-29 2021-03-29 一种高强韧耐高温rafm钢及其基于机器学习的设计方法

Publications (2)

Publication Number Publication Date
CN113073267A CN113073267A (zh) 2021-07-06
CN113073267B true CN113073267B (zh) 2022-04-08

Family

ID=76611377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110335798.5A Active CN113073267B (zh) 2021-03-29 2021-03-29 一种高强韧耐高温rafm钢及其基于机器学习的设计方法

Country Status (1)

Country Link
CN (1) CN113073267B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113584266A (zh) * 2021-08-03 2021-11-02 清华大学 热处理低活化钢的方法
CN114622141B (zh) * 2022-03-21 2022-12-02 重庆大学 一种抗高温氧化的含Zr低活化铁素体马氏体钢

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107699811A (zh) * 2017-09-08 2018-02-16 中国科学院合肥物质科学研究院 一种氧化硅弥散强化钢及其制备方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4781577B2 (ja) * 2001-02-26 2011-09-28 新日本製鐵株式会社 加工性に優れた高強度溶融亜鉛めっき鋼板及びその製造方法
KR20140130590A (ko) * 2013-05-01 2014-11-11 한국원자력연구원 충격 특성이 우수한 페라이트-마르텐사이트 강 및 그 제조방법
CN109593928B (zh) * 2017-09-30 2020-09-18 天津大学 一种实现低活化铁素体/马氏体钢组织细化的正火方法
CN107824771B (zh) * 2017-11-13 2019-01-15 北京科技大学 一种熔炼铸造工艺制备氧化物弥散强化f/m钢的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107699811A (zh) * 2017-09-08 2018-02-16 中国科学院合肥物质科学研究院 一种氧化硅弥散强化钢及其制备方法

Also Published As

Publication number Publication date
CN113073267A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Xiong et al. Machine learning of mechanical properties of steels
Zhao et al. Machine learning-assisted discovery of strong and conductive Cu alloys: Data mining from discarded experiments and physical features
Shen et al. Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel
CN113073267B (zh) 一种高强韧耐高温rafm钢及其基于机器学习的设计方法
Guo et al. Modelling the correlation between processing parameters and properties of maraging steels using artificial neural network
CN110387485A (zh) 一种亚稳β钛合金的成分设计方法
CN114897227A (zh) 基于改进随机森林算法的多钢种力学性能预报方法
CN110442954B (zh) 基于物理冶金学指导下机器学习的超高强不锈钢设计方法
CN110472349A (zh) 一种基于eemd和深度卷积网络的热轧钢性能预测方法
Lakshmi et al. Prediction of mechanical properties of ASS 304 in superplastic region using artificial neural networks
Wu et al. Revisiting alloy design of low-modulus biomedical β-Ti alloys using an artificial neural network
CN114678086A (zh) 一种低活化高熵合金及其基于机器学习的设计方法
Li et al. A property-oriented design strategy of high-strength ductile RAFM steels based on machine learning
Chen et al. Study on microstructural evolution and constitutive modeling for hot deformation behavior of a low-carbon RAFM steel
Verma et al. Screening of heritage data for improving toughness of creep-resistant martensitic steels
Zhang et al. Effect of Ti/V ratio on thermodynamics and kinetics of MC in γ/α matrices of Ti–V microalloyed steels
Niu et al. Machine learning-based beta transus temperature prediction for titanium alloys
Dimatteo et al. Prediction of mean flow stress during hot strip rolling using genetic algorithms
Liu et al. Optimal design of γʹ-strengthened high-entropy alloys via machine learning multilayer structural model
CN110415769B (zh) 基于物理冶金学指导下机器学习的低活化钢的设计方法
CN113486588A (zh) 一种基于机器学习模型的金属材料性能计算方法
Li et al. Prediction of alloy composition and microhardness by random forest in maraging stainless steels based on a cluster formula
Foley et al. Grain refinement of T91 alloy by equal channel angular pressing
CN110442953B (zh) 基于物理冶金学指导下机器学习的q&p钢的设计方法
CN113343566B (zh) 基于深度学习的镍基合金断裂韧性预测方法及系统

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