CN113272079A - 金属材料的制造规格决定方法、制造方法和制造规格决定装置 - Google Patents

金属材料的制造规格决定方法、制造方法和制造规格决定装置 Download PDF

Info

Publication number
CN113272079A
CN113272079A CN201980088469.6A CN201980088469A CN113272079A CN 113272079 A CN113272079 A CN 113272079A CN 201980088469 A CN201980088469 A CN 201980088469A CN 113272079 A CN113272079 A CN 113272079A
Authority
CN
China
Prior art keywords
manufacturing specification
manufacturing
metal material
prediction model
unit
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.)
Granted
Application number
CN201980088469.6A
Other languages
English (en)
Other versions
CN113272079B (zh
Inventor
藤田昇辉
高嶋由纪雄
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.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=71613192&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN113272079(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Publication of CN113272079A publication Critical patent/CN113272079A/zh
Application granted granted Critical
Publication of CN113272079B publication Critical patent/CN113272079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
    • B21B3/02—Rolling special iron alloys, e.g. stainless steel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C33/00—Making ferrous alloys
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Metallurgy (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Heat Treatment Of Steel (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种能够提高金属材料制造时的对外部干扰的鲁棒性的制造规格决定方法、制造方法和制造规格决定装置。上述制造规格决定方法包括如下步骤：取得金属材料的制造中的规定工序后确定的至少一个以上的实绩数据的步骤；基于一个以上的实绩数据和将制造规格和材料特性进行了联系的预测模型进行逆向分析，以材料特性的推断值逐渐接近所希望的值的方式探索上述规定工序后的制造规格的步骤。

Description

金属材料的制造规格决定方法、制造方法和制造规格决定 装置
相关申请的交叉引用
本申请基于2019年1月17日在日本进行专利申请的特愿2019－006221主张优先权，援引将该申请的全部公开内容作为参照。
技术领域
本发明涉及钢材等金属材料的制造方法。更具体而言，本发明涉及优化所希望的特性的金属材料的制造规格决定方法，利用由上述方法决定的制造规格制造金属材料的制造方法以及制造规格决定装置。
背景技术
船舶、海洋结构物、桥梁、建筑物、罐以及工程机械等结构物中使用的钢材，出于该结构物的设计的合理化和减少钢材使用重量的目的，大多使用高强度化和薄壁化的长条材料。这样的钢材中，强度和韧性等机械性质和焊接性优异，为了相对于外力确保结构物的结构安全性还要求冲击能量吸收能力优异。
例如对于结构物的一个例子的船舶，上述要求逐渐变高。这是因为发生船舶彼此的碰撞和搁浅导致船体损伤时，货物和燃料等流出引起海洋污染等的损害。作为用于将上述损害抑制到最低限度的技术，进行了船体的双重结构化等结构方面的努力。但是，对船舶的结构物整体实施该结构从作业性和制造成本方面考虑现实上很难实现。因此，期待使船体用的钢板本身具有能量吸收能力，船舶碰撞时防止船体的破坏。
因此，专利文献1中记载了一种钢材，其铁素体相的体积分率在板厚方向整个区域为75％以上，硬度为Hv140～160，平均晶体粒径为2μm～40μm，以及板厚方向表层部的铁素体相的体积分率与板厚方向中央部的铁素体相的体积分率的比例为0.925～1.000，由此增加均匀伸长率而提高耐碰撞性。
另外，专利文献2中记载了一种提高了碰撞能量吸收能力的钢板，在奥氏体单相区域进行累积压下率30～98％的轧制后实施加速冷却，其后进行空冷或回火处理，铁素体的面积率为85％以上，铁素体的平均晶体粒径为5～40μm，并且，铁素体粒内的渗碳体粒子的个数密度为50000个/mm2以下。
另外，专利文献3中记载了一种提高了碰撞吸收性的钢材，其在最终道次轧制(精轧)后进行加速冷却，接着再加热到一定温度，进行再次加速冷却，从而控制铁素体的占空系数、平均粒径和最大粒径以及第2相的尺寸。
另外，也提出了自动地实施材料设计。例如专利文献4中为了减少非金属材料的设计的作业负荷，提出了使用预测模型和优化计算进行材料设计的方法。
现有技术文献
专利文献
专利文献1：专利第5953952号
专利文献2：专利第4772932号
专利文献3：专利第4476923号
专利文献4：专利第4393586号
发明内容
但是，专利文献1～3中记载的以往技术存在以下的问题：专利文献1～3中记载的方法中，通过将加热、热轧、加速冷却以及热处理组合而制造具有所希望的晶粒和硬度的钢板。这些钢板的制造方法是根据实验室水平的实验结果和实机的实绩数据而一半根据经验地构建组织设计的方针。因此，制造中产生任何的外部干扰(成分组成、尺寸、以及温度的标准离散等)时，未必得到所希望的钢材。另外，新制造高强度化、高延展性化和厚壁化等更高等级的钢材时，为了得到方针，必须反复实施实验室水平的实验和实机的试制。另外，专利文献4中记载的方法中，没有提及金属材料的制造，而且对于对制造时的外部干扰的耐性完全没有考虑。
本发明是鉴于上述情况进行的，其目的在于提供能够提高金属材料制造时的对外部干扰的鲁棒性的制造规格决定方法、制造方法以及制造规格决定装置。
为了解决上述课题，本发明的一个实施方式的制造规格决定方法包括：
取得金属材料制造中的规定工序后确定的至少一个以上的实绩数据的步骤；
基于上述一个以上的实绩数据和将制造规格和材料特性进行了联系的预测模型进行逆向分析，以材料特性的推断值逐渐接近所希望的值的方式探索上述规定工序后的制造规格的步骤。
另外，本发明的一个实施方式的制造方法按照使用上述制造规格决定方法决定的制造规格制造金属材料。
另外，本发明的一个实施方式的制造规格决定装置，具有：
通信部，取得金属材料制造中的规定工序后确定的至少一个以上的实绩数据；
探索处理部，基于上述一个以上的实绩数据和将制造规格和材料特性进行了联系的预测模型，进行逆向分析，以材料特性的推断值逐渐接近所希望的值的方式优化上述规定工序后的制造规格。
根据本发明的一个实施方式的金属材料的制造规格决定方法、制造方法、以及制造规格决定装置，能够提高制造时的对外部干扰的鲁棒性。
附图说明
图1是表示包含本发明的一个实施方式的制造规格决定装置的系统的整体概要的示意图。
图2是本发明的一个实施方式的制造规格决定装置的框图。
图3是表示本发明的一个实施方式的预测模型的创建处理的流程图。
图4是表示神经网络模型的概要的图。
图5是表示本发明的一个实施方式的优化处理的流程图。
图6是表示预测精度的图。
图7表示由逆向分析得到的预测结果的一个例子。
图8是表示实施例与比较例的比较的图。
具体实施方式
(实施方式)
以下，对本发明的一个实施方式进行说明。
图1是表示包含本发明的一个实施方式的制造规格决定装置10的系统的整体概要的示意图。以下，本实施方式中，对设计对象的金属材料为厚钢板的例进行说明，但金属材料不限于厚钢板。如图1所示，本实施方式的系统包括转炉1、连续铸造机2、加热炉3、厚钢板4、轧机5、加速冷却装置6、制品厚钢板7、制造规格决定装置10。厚钢板的制造工序中，首先将原料的铁矿石与石灰石和焦炭一起装入高炉中，生成熔融状态的生铁。对从高炉中出铁的生铁在转炉1中进行碳等成分调整，通过二次精炼进行最终的成分调整。连续铸造机2中，对精炼的钢铁进行铸造，制成被称为铸片(板坯)的中间材料。其后，通过利用加热炉3的加热工序对板坯进行加热，经由利用轧机5的热轧工序、利用加速冷却装置6的冷却工序，生产出制品厚钢板7。应予说明，冷却工序之后，可以适当地经过酸洗工序、冷轧工序、退火工序和镀覆工序等处理工序。
作为一般规则，本系统的制造规格决定装置10在厚钢板的制造中进行各种制造规格的优化。制造规格的优化包括利用转炉1的成分组成调整，利用连续铸造机2的板坯尺寸、铸造速度、二次冷却的调整；利用加热炉3的板坯加热温度、板坯在炉时间、板坯抽出温度的调整；利用轧机5的制品尺寸、轧制条件、温度条件的调整；以及利用加速冷却装置6的冷却调整。制造规格决定装置10基于规定工序后确定的至少一个以上的实绩数据和预测模型进行逆向分析，导出冷却后的制品厚钢板7的材料特性的推断值。而且制造规格决定装置10以上述推断值与要求的材料特性(所希望的值)渐近的方式，对必要的控制量进行前馈运算，向转炉1、连续铸造机2、加热炉3、轧机5、加速冷却装置6给出指示值。换句话说，本发明的一个实施方式的制造规格决定装置10中，取得金属材料的制造中的规定工序后确定的至少一个以上的实绩数据，基于上述一个以上的实绩数据和预测模型进行逆向分析，以材料特性的推断值与所希望的值渐近的方式优化规定工序后的制造规格。例如，该规定工序可以是二次精炼工序，至少一个以上的实绩数据也可以是利用转炉1的成分组成调整的实绩数据。另外，例如，材料特性可以包括金属材料的均匀伸长率。通过包括均匀伸长率，能够在满足用于相对于外力确保结构物的结构安全性的冲击能量吸收能的要求等情况下制造规格决定装置10。另外，例如材料特性可以包含选自屈服应力、拉伸应力、韧性值、表面硬度、截面硬度的至少1种以满足所希望的厚钢板规格。
图2中示出本发明的一个实施方式的制造规格决定装置10的框图。制造规格决定装置10通过进行厚钢板的材料特性推断处理来优化制造规格。制造规格决定装置10包括装置主体200、输入部300、存储部400、输出部500和通信部600。装置主体200经由总线205与输入部300、存储部400、输出部500以及通信部600通信而进行必要的信息的接收发送，进行信息处理。应予说明，图2中装置主体200与输入部300、存储部400、输出部500和通信部600介由总线205通过有线进行连接，但连接的方式并不局限于此，可以通过无线进行连接，或者也可以是通过有线和无线组合的连接方式。装置主体200的详细的各构成后述。
输入部300包括例如键盘、手写板、触摸板、鼠标等能够检测该系统的管理者的操作的任意的输入接口。输入部300接收与对装置主体200各种处理的指示有关的操作。
存储部400例如为硬盘驱动器、半导体驱动器、光盘驱动器等，是存储该系统所必要的信息的装置。例如存储部400存储过去制造的厚钢板的制造规格的实绩值(以下，称为“制造规格实绩”。)。另外，存储部400存储与制造规格实绩对应的冷却后的厚钢板的材料特性的实绩值(以下，称为“材料特性实绩”。)。
输出部500包含例如液晶显示器和有机EL显示器等任意的显示器。输出部500能够显示基于输出数据和信号的画面。
通信部600接收从转炉1、连续铸造机2、加热炉3、轧机5、加速冷却装置6发送的实绩数据，向装置主体200发送。另外，通信部600将从装置主体200输出的优化的制造规格的数据向转炉1、连续铸造机2、加热炉3、轧机5、加速冷却装置6发送。
如图2所示，装置主体200具备运算处理部201、ROM202和RAM204。ROM202存储程序203。另外，运算处理部201、ROM202和RAM204分别通过总线205连接。
运算处理部201例如包括通用处理器和专门用于特定的处理的专用处理器等一个以上的处理器。运算处理部201从ROM202读取程序203，使用作为临时存储部的RAM204实现特定的功能。运算处理部201控制整个装置主体200的动作。
运算处理部201具备信息读取部206、预处理部207、预测模型创建部208、结果存储部209、信息读取部210、特性推断部211、优化处理部212、显示·传输部213。运算处理部201基于输入部300的操作接收到预测模型创建处理的指示时，使信息读取部206、预处理部207、预测模型创建部208、结果存储部209发挥功能，创建预测模型。另外，运算处理部201基于输入部300的操作接收到推断处理的指示时，使信息读取部210、特性推断部211、优化处理部212、显示·传输部213发挥功能，执行制造规格的优化处理。这里优化处理部也称为通过优化处理探索解的探索处理部。
接着，对由本发明的一个实施方式的制造规格决定装置10执行的信息处理进行说明。该系统中为了优化厚钢板的制造规格，首先创建将厚钢板的材料特性和制造规格联系的预测模型。这里，在本实施方式中作为预测模型，创建神经网络模型。图3中示出预测模型创建处理的流程图。运算处理部201基于输入部300的操作接收到预测模型创建处理的指示时，执行图3所示的流程图的处理。
接收到预测模型创建指示时，运算处理部201的信息读取部206从存储部400读取制造规格实绩。另外，信息读取部206从存储部400读取与读取的制造规格实绩对应的材料特性实绩。具体而言，信息读取部206基于轧制材的ID确定出与厚钢板有关的各种信息(步骤S201)。
接着预处理部207将步骤S201中输入的制造规格实绩加工成预测模型创建处理用(步骤S202)。具体而言，预处理部207将制造规格实绩在0～1之间进行归一化，并进行缺失数据和异常数据的噪声除去。
接着，预测模型创建部208创建预测模型。具体而言，预测模型创建部208设定神经网络模型中使用的超参数(步骤S203)，进行使用上述超参数通过神经网络模型进行学习(步骤S204)。
为了进行超参数的优化，预测模型创建部208首先创建相对于学习用数据(几万左右的制造规格实绩)阶段性改变了超参数中的几个的神经网络模型。然后，预测模型创建部208设定对验证用数据的预测精度最高的超参数。
超参数包括隐藏层的数量，各个隐藏层的神经元数量，各个隐藏层的Dropout率(以一定的概率阻断神经元的传输)，各个隐藏层的激活函数，但不限于此。另外，超参数的优化手法没有特别限定，可以使用阶段性改变参数的网格探索、随机选择参数的随机探索或者贝叶斯优化的探索。
图4中示出该系统的神经网络模型的处理流程图。本实施方式的神经网络模型从输入口侧依次包括输入层301、中间层302、输出层303。
输入层301中储存在0～1之间归一化的制造规格实绩。储存的制造规格实绩的解释变量优选选择与厚钢板的材料特性相关的变量，但与其数量和材料特性的相关高度是任意的。
中间层302包含一个以上的隐藏层，各个隐藏层中配置有一定以上的神经元。中间层302内中构成的隐藏层的数量没有特别限定，经验性隐藏层过多时，预测精度降低，因此隐藏层优选为10层以下。另外，隐藏层中配置的神经元的数量优选为输入的解释变量的1倍～20倍的范围。
从某神经元到下一个隐藏层的神经元的传输经由权重系数的可变权重和激活函数进行。激活函数可以使用sigmoid函数、双曲正切函数或斜坡函数。
输出层303与从中间层302传输的神经元信息结合，作为最终的材料特性的推断值输出。基于通过上述处理输出的推断值和作为实测值的材料特性实绩，通过逐步优化神经网络模型内的权重系数来进行学习。
学习神经网络模型的权重系数后，预测模型创建部208将步骤S202中创建的评价用数据输入到神经网络模型，得到对评价用数据的推断结果。
接着，结果存储部209将学习用数据、评价用数据、神经网络模型的参数以及神经网络模型对学习用数据和评价用数据的输出结果存储在存储部400。另外，结果存储部209将学习用数据、评价用数据、神经网络模型的参数以及神经网络模型对学习用数据以及评价用数据的输出结果传输到输出部500，由输出部500显示(步骤S205)。输出部500例如由表形式输出推断结果。
运算处理部201基于输入部300的操作接收到制造规格的优化处理的指示时，执行制造规格的优化处理。应予说明，运算处理部201用于进行优化处理的触发不限于输入部300的操作。例如可以将通信部600接收规定工序后确定的至少一个以上的实绩数据作为触发进行优化处理。图5是表示制造规格的优化处理的流程图。
首先，信息读取部210对作为推断的对象的厚钢板，读取优化处理前预先决定的制造规格和规定工序后确定的至少一个以上的实绩数据(步骤S601)。另外，信息读取部210取得存储在存储部400的神经网络模型的各种数据。
接着，特性推断部211使用步骤S601中读取的制造规格、规定工序后确定的至少一个以上的实绩数据和预测模型实施逆向分析，进行制造规格的优化。具体而言，特性推断部211推断该厚钢板的轧制后的材料特性(步骤S602)。接着，优化处理部212进行由预测模型推断的该厚钢板的轧制后的材料特性的推断值与成为目标的材料特性的值(所希望的值)的比较(步骤S603)。推断值与所希望的值之差的绝对值为一定的阈值以上或者小于某恒定的收敛次数时，优化处理部212改变步骤S601中读取的制造规格的一部分，再次在步骤S602中通过预测模型进行材料特性的推断。优化处理反复这些处理，探索优化的制造规格。优化的方法没有特别限定，例如可以使用约束最小二乘法等。
这样，使用规定工序后确定的至少1以上的实绩数据再次实施逆向分析进行优化，得到再次调整了最初的制造规格的适当的制造规格。
上述制造规格的改变在后述的合适范围内进行改变，并且要考虑工序上的制约。例如，可举出板坯厚＞制品厚，板坯加热温度＞轧制入口侧钢板温度＞轧制中的钢板温度＞轧制结束温度＞冷却入口侧温度＞冷却出口侧温度，只要是制造工序上不矛盾的制约条件就没有特别限定。
推断值与所希望的值之差的绝对值在某一定的阈值以内或者达到某一定的收敛次数时，经过步骤S603后，经优化的制造规格由输出部500显示(步骤S604)。经优化的制造规格经由通信部600向转炉1、连续铸造机2、加热炉3、轧机5、加速冷却装置6中上述的规定工序后的工序传送。而且按照经优化的制造规格制造厚钢板。
接下来，对本发明的材料特性推断中从制造规格决定装置10传送的制造规格进行具体说明。应予说明，以下的说明表示本发明的一个实施方式，本发明不受以下的说明任何限定。
[成分组成]
本发明的厚钢板的制造中使用的钢坯材例如具有以下的成分组成。
以质量％计，C：0.05～0.16％、Si：0.10～0.50％、Mn：0.80～2.50％、P：0.05％以下、S：0.02％以下、Cu：1.0％以下、Ni：2.0％以下、Cr：1.0％以下、Mo：1.0％以下、Nb：0.1％以下、V：0.1％以下、Ti：0.1％以下、B：0.005％以下、Ca：0.005％以下以及W：0.05％以下。
以下对上述成分组成的各成分量的限定理由进行说明。应予说明，以下的说明中的“％”只要没有特别说明，就表示“质量％”。
·C：0.05～0.16％
C是具有提高基体相(矩阵)的硬度、提高强度的效果的元素。为了得到上述效果，必须使C含量为0.05％以上。另一方面，如果C含量超过0.16％，则基地相的硬度过度提高，伸长率劣化。因此，C含量为0.16％以下。优选C含量为0.07～0.15％。
·Si：0.10～0.50％
Si是作为脱氧剂起作用、并且在钢中固溶而因固溶强化使基地相的硬度提高的元素。为了得到上述效果，必须使Si含量为0.10％以上。另一方面，如果Si含量超过0.50％，则基地相的硬度过度提高，延展性、韧性降低，并且，随着局部变形的成为空隙产生起点的夹杂物量增加。因此，Si含量为0.50％以下。优选Si含量为0.20～0.40％。
·Mn：0.80～2.50％
Mn是具有提高基地相的硬度、提高强度的效果的元素。为了得到上述效果，必须使Mn含量为0.80％以上。另一方面，如果Mn含量超过2.50％，则焊接性降低，而且基地相的硬度过度提高。因此，Mn含量为2.50％以下。优选Mn含量为1.00～2.30％。
·P：0.05％以下
P是作为不可避免的杂质在钢中含有的元素。P在晶界偏析而产生使母材和焊接部的韧性降低等负面影响。因此，P优选尽可能减少，可以允许含有0.05％以下。因此，P含量为0.05％以下。另一方面，P含量的下限没有限定，但过度的减少导致精炼成本的高涨。因此，优选使P含量为0.001％以上。
·S：0.02％以下
S是作为不可避免的杂质在钢中含有的元素。S是作为MnS等硫化物系夹杂物存在于钢中而成为破坏产生起点等，造成负面影响的元素。因此，S优选尽可能减少，可以允许含有0.02％以下。因此，S含量为0.02％以下。优选使S含量为0.01％以下。另一方面，S含量的下限没有限定，但过度的减少导致精炼成本的高涨。因此，优选使S含量为0.0005％以上。
·Cu：1.0％以下
Cu是具有提高基地相的硬度、并且提高钢板的耐候性的效果的元素，可以根据所希望的特性任意添加。但是，如果Cu含量超过1.0％，则焊接性受损，钢材制造时容易产生缺陷。因此，添加Cu时为1.0％以下。更优选Cu含量为0.01～0.8％。
·Ni：2.0％以下
Ni具有是提高低温韧性和耐候性且改善添加Cu时的热脆性的效果的元素，可以根据所希望的特性任意添加。但是，如果Ni含量超过2.0％，则焊接性受损，另外，钢材成本上升。因此，添加Ni时为2.0％以下。更优选Ni含量为0.01～1.5％。
·Cr：1.0％以下
Cr是具有提高基地相的硬度和提高耐候性的效果的元素，可以根据所希望的特性任意添加。但是，如果Cr含量超过1.0％，则焊接性和韧性受损。因此，添加Cr时为1.0％以下。更优选Cr含量为0.01～0.8％。
·Mo：1.0％以下
Mo是具有提高基地相的硬度的效果的元素，可以根据所希望的特性任意添加。但是，如果Mo含量超过1.0％，则焊接性和韧性受损。因此，添加Mo时为1.0％以下。更优选Mo含量为0.001～0.8％。
·Nb：0.1％以下
Nb是具有抑制热轧时的奥氏体的再结晶使其细粒化，并且在热轧后的空冷过程中析出而提高强度的效果是元素，可以根据所希望的特性任意添加。但是，如果Nb含量超过0.1％，则NbC大量析出，韧性受损。因此，添加Nb时为0.1％以下。更优选为0.001～0.08％。
·V：0.1％以下
V与Nb同样是具有抑制热轧时的奥氏体的再结晶而使其细粒化，并且在热轧后的空冷过程中析出而提高强度的效果的元素，可以根据所希望的特性任意添加。但是，如果V含量超过0.1％，则VC大量析出，韧性受损。因此，添加V时为0.1％以下。更优选V含量为0.001～0.08％。
·Ti：0.1％以下
Ti的氮化物形成趋势强，固定N而减少固溶N。因此，Ti具有提高母材和焊接部的韧性的效果。另外，添加B时，如果与Ti一起添加，则Ti固定N，能够抑制B作为BN析出。其结果，能够促进B的淬透性提高效果，进一步提高强度。因此，可以根据所希望的特性任意添加。但是，如果Ti含量超过0.1％，则TiC大量析出，韧性受损。因此，添加Ti时为0.1％以下。更优选Ti含量为0.001～0.08％。
·B：0.005％以下
B是具有即便微量添加也显著提高淬透性，提高强度的效果的元素，可以根据所希望的特性添加。但是，如果B含量超过0.005％，则不但其效果饱和，也降低焊接性。因此，添加B时为0.005％以下。更优选B含量为0.0001～0.004％。
·Ca：0.005％以下
Ca与S结合抑制在轧制方向上伸长的MnS等形成，进行形态控制使硫化物系夹杂物呈球状，有助于焊接部等韧性提高。因此，Ca可以根据所希望的特性添加。但是，如果Ca含量超过0.005％，则不但其效果饱和，钢的清洁度也降低，表面缺陷频发而表面性状降低。因此，添加Ca时为0.005％以下。更优选Ca含量为0.0001～0.004％。
·W：0.05％以下
W是提高基地相的硬度提高耐候性，因此可以根据所希望的特性添加。但是，如果W含量超过0.05％，则导致焊接性的劣化或者合金成本的上升。因此，添加W时为0.05％以下。更优选W含量为0.0001～0.03％。
本发明中轧制的厚钢板的成分组成包含上述成分，剩余部分为Fe和不可避免的杂质。应予说明，作为不可避免的杂质含有O(氧)和N时，优选将O含量抑制在0.0050％以下，并且将N含量抑制0.0050％以下。即，如果O的含量超过0.0050％，则钢板表面的夹杂物的存在比例增大，因此容易产生以夹杂物为起点的裂纹，伸长率可能降低。同样，如果N的含量超过0.0050％，则钢板表面的夹杂物的存在比例增大，因此可能容易产生以夹杂物为起点的裂纹。
[板厚]
本实施方式的“钢板”按照本技术领域的通常的定义是指厚度6mm以上的钢板，但制造的钢材的截面积和截面形状也没有特别限定。作为制造的钢材可以使用薄板，也可以使用型钢、棒、管形状。
[制造方法]
本发明的一个实施方式中，对具有上述的成分组成的钢坯材依次实施下述的处理制成厚钢板。
(1)转炉/冶炼
(2)连续铸造
(3)加热
(4)热轧
(5)冷却
[转炉/冶炼]
上述的组成通过使用常规方法调整直至开始铸造的钢水阶段来实施。例如，各合金元素可以通过在转炉工序和/或二次精炼工序中向钢水添加而在钢中含有。这时，可以使用纯金属和/或合金。
[连续铸造]
上述转炉工序和/或二次精炼工序中调整的钢水使用垂直弯曲型或者弯曲型连续铸造机进行连续铸造而成型为板坯。这时，通过改变二次冷却设备的冷却条件和铸造速度，形成所希望的温度/形状的板坯。
[加热]
将具有上述成分组成的板坯在900～1200℃加热。加热温度低于900℃时，接下来的热轧工序中的板坯的变形阻力增高，对热轧机的负荷增大，热轧困难。因此，加热温度为900℃以上。优选加热温度为950℃以上。另一方面，如果加热温度超过1200℃，则不仅钢板的中间部的晶粒粗大化而韧性降低，而且板坯表面的氧化变得明显，基底铁－氧化皮界面的凹凸变尖。因此，制品后也容易残留表面的凹凸。这样的表面的凹凸因应力集中而成为延展性破坏的产生起点。因此，加热温度为1200℃以下。优选为1150℃以下。应予说明，通过连续铸造等的方法制造板坯时，该板坯可以不进行冷却而供于直接加热工序，也可以冷却后供于加热工序。另外，加热方法没有特别限定，例如可以根据常规方法常法在加热炉中加热。
[热轧]
接着，将加热的板坯热轧而制成厚钢板。这时，为了确保作为制品钢板的基本性能的韧性，需要在钢板的中间部通过奥氏体粒的微细化而使铁素体粒微细化。因此，使热轧的累积压下率为50％以上。即，累积压下率小于50％时，钢板的中间部的铁素体粒未微细化，局部产生脆性低的区域，容易产生脆性裂纹。与热轧工序相关的其他条件没有特别限定。
[冷却]
接下来，将热轧结束后的厚钢板冷却。上述冷却工序中，优选冷却到室温。应予说明，上述冷却可以通过任意的方法例如空冷或者加速冷却进行。
(实施例)
以下，基于实施例对本发明的效果进行具体的说明，但本发明不受这些实施例限定。
本实施方式的系统中，进行了制品板厚为15mm且显示优异的均匀伸长率的厚钢板的制造规格的优化。作为预先学习，首先对学习用数据通过神经网络模型实施学习，将制造规格实绩和材料特性实绩联系起来。
作为制造规格实绩，考虑成分组成(C、Si、Mn、P、S、Ni、Cr、V、Ti、Nb)、板坯尺寸(厚、宽度、长度)、轧制尺寸(厚、宽度、长度)、板坯加热温度，控制轧制时的压下率，控制轧制温度，终轧温度，轧制后的冷却速度信息。作为材料特性实绩，使用从冷却后厚钢板的宽度中央部以板宽度方向与拉伸方向一致的方式采取的JIS Z 2201 1B号的总厚度试验片实施拉伸试验，求出屈服应力(YS)和总厚度伸长率，供于学习。学习数据数使用除去了缺失数据等噪声的共计470的样本。神经网络中使用的超参数通过基于高斯概率分布的贝叶斯优化进行探索，如下设定。
·epochs数(学习的重复次数)：813
·隐藏层的神经元数量：328
·Dropout比率(阻断神经元的传输的概率)：0.3
·隐藏层的层数：8
·学习权重系数的优化方法：Adam
将预测精度的图示于图6。学习精度的验证通过交叉验证法(cross validation)进行。模型预测误差为σ2.44％。作为目标的材料特性，拉伸强度440MPa以上为合格。伸长率特性以30％为目标。
本实施例中对已经确定成分组成和板坯尺寸的出钢板坯通过神经网络模型进行材料特性的推断，对接下来的加热炉以后的工序运算必要的控制量以使推断的材料特性逐渐接近目标的材料特性。具体而言，求出屈服应力和总厚度伸长率各自的推断值和目标值之差，使用顺序最小二乘法进行运算以使两者之差的合计为最小值。直到收敛为止的重复次数为500次。通过运算求出的各解释变量作为指示值提供给加热炉3、轧机5、加速冷却装置6。
比较例中同样使制品板厚为15mm，不使用神经网络模型在合适的范围内制造，除此以外，与实施例同样地进行轧制。
图7中示出实施例中的解释变量的上限和下限和通过逆向分析得到的预测结果。图7中，板坯厚度、板坯宽度、板坯长度以及成分组成(C、Si、Mn、P、S、Ni、Cr、V、Ti)与制造中的规定工序后确定的至少一个以上的实绩数据相当。基于该实绩数据对其他制造规格，即轧制厚度、轧制宽度、轧制长、加热炉温度、控制轧制时的压下率、控制轧制温度、终轧温度、冷却速度进行优化而再次调整制造规格。优化的结果是解释变量的上下限范围内最大化的伸长率特性推断为26.9％。图8中示出按照通过逆向分析得到的优化的制造规格进行实际制造时的屈服应力(YS)与均匀伸长率(EL)的关系。如果使用本实施例的方法，与比较例相比，能够得到维持屈服应力且高的均匀伸长率的厚钢板。
如上述实施例所示，根据本发明的一个实施方式的制造规格决定方法，高精度地预测具有高均匀伸长率和耐冲击性优异的钢板的制造方针，能够制造具有目标材料特性的厚钢板。因此，能够大大有助于生产性的提高和钢材开发速度的提高。另外，使用制造工序的规定工序后确定的至少一个以上的实绩数据优化制造规格，因此制造工序中进行产生外部干扰时，也能够得到考虑了制造工序中的状况变化的制造规格。换言之，根据本发明的一个实施方式的制造规格决定方法，能够提高金属材料的制造时对外部干扰的鲁棒性。另外，根据本发明的一个实施方式的制造规格决定方法，无需在实验和实机中反复进行试制进行试错，就能够制造具有目标的材料特性的厚钢板。因此，能够大大有助于生产性的提高和钢材开发速度的提高。因此，本发明的一个实施方式的制造规格决定方法可以适用于例如耐冲击性优异的钢板，特别是船舶、海洋结构物、桥梁、建筑物、罐以及工程机械等强烈要求结构上的安全性的焊接结构物。
基于各附图和实施例对本发明进行了说明，但应该注意本领域技术人员可以基于本公开容易地进行各种的变形和修正。因此，需要说明的是这些变形和修正也包含在本发明的范围内。例如，可以将各手段、各步骤等中包含的功能等以逻辑上不矛盾的方式进行再配置，可以将多个手段和步骤等组合成一个或者进行分割。
例如，本发明也可以作为记录了实现上述的制造规格决定装置10的各功能的处理内容了程序或者记录了程序的存储介质实现。应理解本发明的范围内也包含这些。
例如示出了本实施方式的制造规格决定装置10中创建预测模型的例子，但这些也可以通过其他信息处理装置实现。这时，将上述信息处理装置将创建预测模型所需的制造规格实绩和材料特性实绩集成，创建预测模型。另外，信息处理装置将创建的数理模型传送制造规格决定装置10。
另外，例如本实施方式的制造规格决定装置10使用神经网络作为创建预测模型的算法，但是并不局限于此，可以使用任意的算法。例如作为创建预测模型的算法，可以使用局部回归、支持向量机、神经网络或者随机森林统计方法以及机械学习方法。换句话说，预测模型可以是基于制造规格和材料特性的实绩数据学习的深层学习模型或者包含统计学习模型的机械学习模型。
符号说明
1 转炉
2 连续铸造机
3 加热炉
4 厚钢板
5 轧机
6 加速冷却装置
7 制品厚钢板
10 制造规格决定装置
200 装置主体
201 运算处理部
202 ROM
203 程序
204 RAM
205 总线
206 信息读取部
207 预处理部
208 预测模型创建部
209 结果存储部
210 信息读取部
211 特性推断部
212 优化处理部(探索处理部)
213 显示·传输部
300 输入部
301 输入层
302 中间层
303 输出层
400 存储部
500 输出部
600 通信部

Claims (7)

1.一种金属材料的制造规格决定方法，包括如下步骤：
取得在所述金属材料制造中的规定工序后确定的至少一个以上的实绩数据的步骤；
基于所述一个以上的实绩数据和将制造规格与材料特性进行了联系的预测模型，进行逆向分析，以材料特性的推断值逐渐接近所希望的值的方式探索所述规定工序后的制造规格的步骤。
2.根据权利要求1所述的制造规格决定方法，其中，所述规定工序是调整所述金属材料的成分组成的工序，所述一个以上的实绩数据包括成分组成调整的实绩数据。
3.根据权利要求1或2所述的制造规格决定方法，其中，所述金属材料为厚钢板。
4.根据权利要求1～3中任一项所述的制造规格决定方法，其中，所述材料特性包括均匀伸长率。
5.根据权利要求1～4中任一项所述的制造规格决定方法，其中，所述预测模型是基于所述制造规格和所述材料特性的实绩数据进行学习的深层学习模型或者包含统计学习模型的机械学习模型。
6.一种制造方法，按照使用权利要求1～5中任一项所述的制造规格决定方法决定的制造规格制造金属材料。
7.一种制造规格决定装置，具有：
通信部，取得在金属材料制造中的规定工序后确定的至少一个以上的实绩数据；
探索处理部，基于所述一个以上的实绩数据和将制造规格与材料特性进行了联系的预测模型，进行逆向分析，以材料特性的推断值逐渐接近所希望的值的方式探索所述规定工序后的制造规格。
CN201980088469.6A 2019-01-17 2019-02-19 金属材料的制造规格决定方法、制造方法和制造规格决定装置 Active CN113272079B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019006221A JP7056592B2 (ja) 2019-01-17 2019-01-17 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
JP2019-006221 2019-01-17
PCT/JP2019/006145 WO2020148917A1 (ja) 2019-01-17 2019-02-19 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置

Publications (2)

Publication Number Publication Date
CN113272079A true CN113272079A (zh) 2021-08-17
CN113272079B CN113272079B (zh) 2023-03-14

Family

ID=71613192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980088469.6A Active CN113272079B (zh) 2019-01-17 2019-02-19 金属材料的制造规格决定方法、制造方法和制造规格决定装置

Country Status (7)

Country Link
US (1) US20220072593A1 (zh)
EP (1) EP3912740B1 (zh)
JP (1) JP7056592B2 (zh)
KR (1) KR102499916B1 (zh)
CN (1) CN113272079B (zh)
BR (1) BR112021013235B1 (zh)
WO (1) WO2020148917A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11156991B2 (en) 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
JP7283499B2 (ja) * 2020-07-07 2023-05-30 Ｊｆｅスチール株式会社 製造仕様決定支援装置、製造仕様決定支援方法、コンピュータプログラムおよびコンピュータ読み取り可能な記録媒体
JP7287416B2 (ja) * 2020-07-07 2023-06-06 Ｊｆｅスチール株式会社 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法
KR20230044510A (ko) * 2020-09-11 2023-04-04 제이에프이 스틸 가부시키가이샤 강관 압궤 강도 예측 모델의 생성 방법, 강관의 압궤 강도 예측 방법, 강관의 제조 특성 결정 방법, 및 강관의 제조 방법
WO2022054336A1 (ja) * 2020-09-11 2022-03-17 Ｊｆｅスチール株式会社 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法
JP7200982B2 (ja) * 2020-09-14 2023-01-10 Ｊｆｅスチール株式会社 材料特性値予測システム及び金属板の製造方法
JP7338599B2 (ja) * 2020-09-29 2023-09-05 Ｊｆｅスチール株式会社 ブリスタースケールの発生予測方法、圧延機の制御方法およびブリスタースケールの発生予測モデルの生成方法
CN113343576B (zh) * 2021-06-22 2022-03-11 燕山大学 基于深度神经网络的钙处理过程中钙的收得率的预测方法
CN113695403B (zh) * 2021-08-09 2022-08-23 燕山大学 一种基于温度均匀控制的无头轧制方法
CN114694144B (zh) * 2022-06-01 2022-08-23 南京航空航天大学 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
WO2024013794A1 (ja) * 2022-07-11 2024-01-18 恒林日本株式会社 深層学習モデル生成装置、及び蓄電池の特性値算出装置
CN116362085B (zh) * 2023-03-31 2024-01-30 东北大学 一种基于冷却壁热流强度的炉缸内衬侵蚀形貌识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
US20090193936A1 (en) * 2008-02-01 2009-08-06 Honeywell International, Inc. Methods and apparatus for an oxygen furnace quality control system
CN106794499A (zh) * 2014-10-10 2017-05-31 杰富意钢铁株式会社 材料特性值推定方法、材料特性值推定装置、及钢带的制造方法
US20180081339A1 (en) * 2016-09-21 2018-03-22 International Business Machines Corporation System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5953952B2 (ja) 1979-02-13 1984-12-27 住友化学工業株式会社 セルロ−ス繊維用反応染料組成物
JPH08240587A (ja) * 1995-03-03 1996-09-17 Nippon Steel Corp ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法
EP0865890A4 (en) 1996-08-08 1999-05-26 Bridgestone Corp MULTI-COMPONENT MATERIAL DESIGN METHOD, OPTIMIZATION ANALYZER, AND INFORMATION MEDIUM ON WHICH THE MULTI-COMPONENT MATERIAL OPTIMIZATION PROGRAM IS RECORDED
JP4476923B2 (ja) 2005-12-15 2010-06-09 株式会社神戸製鋼所 衝突吸収性と母材靭性に優れた鋼板
JP5428292B2 (ja) * 2008-10-30 2014-02-26 Ｊｆｅスチール株式会社 高強度冷延鋼板の製造方法
KR20120026641A (ko) 2009-11-20 2012-03-19 신닛뽄세이테쯔 카부시키카이샤 선체용 후강판 및 그 제조 방법
EP2520992B1 (en) * 2011-05-02 2014-04-16 Autoform Engineering GmbH Method and computer system for characterizing a sheet metal part
US20200024712A1 (en) * 2016-09-30 2020-01-23 Uacj Corporation Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium
JP6548691B2 (ja) * 2016-10-06 2019-07-24 株式会社アドバンスド・データ・コントロールズ 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法
US10281902B2 (en) * 2016-11-01 2019-05-07 Xometry, Inc. Methods and apparatus for machine learning predictions of manufacture processes
JP6491262B2 (ja) * 2017-05-24 2019-03-27 ヤフー株式会社 モデル
JP6512242B2 (ja) 2017-06-23 2019-05-15 マツダ株式会社 車両の前部構造及び前部組付方法
JP7137943B2 (ja) * 2018-03-20 2022-09-15 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208436A1 (en) * 2002-01-15 2007-09-06 Millennium Inorganic Chemicals Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model
US20090193936A1 (en) * 2008-02-01 2009-08-06 Honeywell International, Inc. Methods and apparatus for an oxygen furnace quality control system
CN106794499A (zh) * 2014-10-10 2017-05-31 杰富意钢铁株式会社 材料特性值推定方法、材料特性值推定装置、及钢带的制造方法
US20180081339A1 (en) * 2016-09-21 2018-03-22 International Business Machines Corporation System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning

Also Published As

Publication number Publication date
KR102499916B1 (ko) 2023-02-14
EP3912740A4 (en) 2022-03-09
JP2020114597A (ja) 2020-07-30
EP3912740B1 (en) 2023-11-15
BR112021013235A2 (pt) 2021-09-14
CN113272079B (zh) 2023-03-14
JP7056592B2 (ja) 2022-04-19
EP3912740A1 (en) 2021-11-24
WO2020148917A1 (ja) 2020-07-23
KR20210110368A (ko) 2021-09-07
US20220072593A1 (en) 2022-03-10
BR112021013235B1 (pt) 2024-03-05

Similar Documents

Publication Publication Date Title
CN113272079B (zh) 金属材料的制造规格决定方法、制造方法和制造规格决定装置
CN111363973B (zh) 一种心部低温冲击韧性优良的特厚容器钢板及其制造方法
CN105803325B (zh) 一种低裂纹敏感性低屈强比特厚钢板及其制备方法
JP5621942B2 (ja) 熱延鋼板およびその製造方法
JP6229736B2 (ja) 熱間成形部材およびその製造方法
WO2015102051A1 (ja) 熱間成形部材およびその製造方法
JPWO2014188966A1 (ja) 熱延鋼板及びその製造方法
CN104357742B (zh) 420MPa级海洋工程用大厚度热轧钢板及其生产方法
CN104651734B (zh) 1000MPa级高强度高塑性含铝中锰钢及其制造方法
JP2017503072A (ja) 耐遅れ破壊特性を有するマルテンサイト鋼および製造方法
JP2008106351A (ja) 加工性に優れた高強度冷延鋼板及びその製造方法
WO2022054500A1 (ja) 材料特性値予測システム及び金属板の製造方法
JP2008106350A (ja) 高強度冷延鋼板及びその製造方法
JP2020509190A (ja) 高温伸び特性に優れた高強度鋼板、温間プレス成形部材、及びそれらの製造方法
JP2016028172A (ja) 冷延鋼板およびその製造方法
JP7197037B2 (ja) 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
CN107513669A (zh) 一种高强冷轧方矩形管用钢及其制造方法
CN106319376B (zh) 一种新型低焊接裂纹敏感性高强度钢板
CN111378899A (zh) 耐低温及硫化氢腐蚀的l450无缝管线管及其制造方法
JP2012219284A (ja) 局部変形能に優れた高強度冷延鋼板とその製造方法
US11434555B2 (en) Hot-rolled steel sheet
JP2023504150A (ja) 耐久性に優れた厚物複合組織鋼及びその製造方法
CN105803323A (zh) 一种采用弛豫冷却工艺生产x70管线钢板的方法
CN112322875B (zh) 一种卷曲炉生产3-8mm超薄规格和超低温条件下使用的X70管线钢板的方法
CN112410647B (zh) 一种卷取炉生产低成本、超低温条件下使用的x65抗酸管线钢板的方法

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