CN113378385B - 一种预测回火对加钒钢制筒节极限载荷影响的方法 - Google Patents
一种预测回火对加钒钢制筒节极限载荷影响的方法 Download PDFInfo
- Publication number
- CN113378385B CN113378385B CN202110649130.8A CN202110649130A CN113378385B CN 113378385 B CN113378385 B CN 113378385B CN 202110649130 A CN202110649130 A CN 202110649130A CN 113378385 B CN113378385 B CN 113378385B
- Authority
- CN
- China
- Prior art keywords
- vanadium
- tempering
- added steel
- shell ring
- service
- 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
- 239000010959 steel Substances 0.000 title claims abstract description 86
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 80
- 238000005496 tempering Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000000463 material Substances 0.000 claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000009864 tensile test Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims abstract description 3
- 238000010438 heat treatment Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 4
- 229910052720 vanadium Inorganic materials 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims description 2
- 229910045601 alloy Inorganic materials 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- -1 vanadium modified chromium molybdenum Chemical class 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000005096 rolling process Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种预测回火对加钒钢制筒节极限载荷影响的方法。该方法采用预拉伸和回火近似替代加钒钢制筒节的真实制造环节,从而实现真实制造过程中筒节内材料状态演化的模拟;再实施高温拉伸试验,获得不同模拟状态下材料的力学响应;基于试验数据,利用数据驱动方法建立考虑制造残余影响的加钒钢本构模型;同时,采用有限元仿真筒节成形,获得筒节内残余塑性应变分布;进一步地,结合本构模型,得到筒节内材料在制造过程中的强度分布演化;最终,利用塑性极限分析技术对比筒节在回火前后的极限载荷,从而实现回火对加钒钢制筒节极限载荷影响的预测。该方法具有可行性强、实施成本低、可靠性高等优点,能够为承载件的轻量化设计提供理论依据。
Description
技术领域
本发明涉及承载件的极限载荷预测领域,尤其涉及一种预测回火对加钒钢制筒节极限载荷影响的方法。
背景技术
极限载荷是评价承载件承载能力的关键指标之一。轻量化则是当前承载件的主要发展趋势。准确预测极限载荷对承载件的轻量化设计具有重要指导意义。对于确定的材料,承载件的极限载荷主要取决于服役时材料的强度值和强度分布。值得注意的是,两者均与承载件的生产制造过程有关。其中,生产制造过程依次涉及成形环节和热处理环节。一般而言,承载件先经历加工成形,然后进行热处理,以恢复材料在成形环节损失的韧性。但不可避免的是,热处理会降低材料强度,从而减弱承载件的承载能力。
现存的极限载荷预测方法仅考虑承载件的原始材料强度,未考虑承载件在回火热处理环节的材料强度演化,从而导致预测结果不准确,甚至偏于危险,不能用于指导承载件的轻量化设计。因此,在预测承载件的极限载荷时,有必要将回火热处理过程中材料强度的演化考虑在内。
发明内容
本发明的目的是克服现有技术的不足,提供一种预测回火对加钒钢制筒节极限载荷影响的方法,解决现有方法因为未考虑筒节回火热处理过程中材料强度演化而导致预测结果不准确、不能用于指导轻量化设计的缺陷。本发明可以实现回火前后加钒钢筒节在服役温度下极限承载力的预测。
本发明的目的是通过以下技术方案来实现的:一种预测回火对加钒钢制筒节极限载荷影响的方法,该方法包括以下步骤:
步骤1:在筒节成形温度Tforming下对加钒钢实施拉伸试验,获取材料的本构关系,继而利用有限元仿真钢板成形过程,获取成形后筒节内残余塑性应变分布:
步骤2:先在成形温度Tforming下对加钒钢实施预塑性变形,然后部分加钒钢进行回火热处理,部分则不做处理,进而在筒节服役温度Tservice下对两者分别进行拉伸试验,获得其力学响应;
步骤3:基于步骤2的试验数据,利用数据驱动方法建立含不同程度制造残余影响的加钒钢在服役温度Tservice下的本构模型:
式中:表示加钒钢在服役温度Tservice下的应力,g(·)表示数据驱动方法建立的本构关系,表示加钒钢在服役温度Tservice下的应变,表示加钒钢在成形温度Tforming下的预塑性应变,xtempering表示加钒钢是否经历回火热处理;
步骤4:利用步骤3中建立的本构模型,对含不同预塑性应变量、不同热处理状态的加钒钢在不同服役温度下的屈服强度和抗拉强度进行预测,构建考虑制造过程残余影响的加钒钢强度数据库;
式中:和分别表示回火前后筒节在服役温度Tservice下的材料屈服强度分布,和分别表示回火前后筒节在服役温度Tservice下的材料抗拉强度分布,F1(·)、F2(·)、F3(·)和F4(·)均表示分布函数;
步骤6:建立筒节的有限元模型,将步骤5中得到的回火前后筒节材料强度分布分别输入该模型,然后利用塑性极限分析技术,对比回火前后筒节的极限载荷,从而实现回火对加钒钢制筒节极限载荷影响的预测。
进一步地,所述加钒钢是指合金元素公称成分为2.25Cr-1Mo-0.25V的钒改进型铬钼钢(板材)。
进一步地,所述步骤2中,预塑性变形、回火热处理和拉伸试验的实施具体包括以下子步骤:
步骤201:取2n个加钒钢试样,将其等分为A组和B组,其中A组的第i个试样记为A-i,B组的第i个试样记为B-i;
步骤202:将所有试样在筒节成形温度Tforming下保温至少10分钟,然后对A组各试样分别施加不同的预塑性应变量,B组各试样进行同样处理,其中试样A-i与试样B-i的预塑性应变量需一致;
步骤203:根据筒节真实热处理工艺,对预变形的A组试样实施回火,预变形的B组试样则不进行处理;
步骤204:在筒节服役温度Tservice下,分别对所有试样进行拉伸试验,并记录其工程应力应变曲线数据。
进一步地,所述步骤3中,数据驱动方法可以采用神经网络、支持向量机、随机森林等数据驱动模型,其实施具体包括以下子步骤:
步骤301:对步骤2中得到的所有工程应力应变曲线实施等应变间隔取样,以构建数据驱动模型的数据集;
步骤302:基于步骤301中得到的数据集,在每条工程应力应变曲线上随机抽取80%的数据作为训练集提供给数据驱动模型,剩余20%则作为测试集;
步骤303:在训练集上利用网格搜索和交叉验证对数据驱动模型进行超参数优化,以获得求解加钒钢本构关系的最佳参数组合;
步骤304:先将步骤303中求得的最佳参数组合赋予数据驱动模型,再在训练集上训练该模型,使其预测误差最小;
步骤305:利用测试集评估完成训练的模型的泛化性能,若其泛化性能是可接受的,则获得可用的加钒钢本构模型,反之,则重新进行步骤303~步骤305。
进一步地,所述步骤4中,加钒钢强度数据库包括量化的制造参数、服役温度与对应的材料强度,其中量化的制造参数包括成形温度、预塑性应变和热处理状态。
进一步地,所述步骤5中,依据筒节服役温度Tservice和筒节内每一空间位置的残余塑性应变,从建立的加钒钢强度数据库中查找对应的强度值,从而获得筒节内各空间位置的屈服强度和抗拉强度。
本发明具有以下优点:
(1)通过少量的力学试验,本发明将筒节的制造过程合理抽象,并量化为有限数量的参数,使加钒钢的本构模型能够计及筒节制造过程的残余影响;
(2)制造过程(尤其是各制造环节的耦合)对材料性能的影响机理是非常复杂的,甚至尚未被揭示,本发明采用数据驱动方法规避了复杂的物理机制,为准确预测回火对加钒钢制筒节强度及极限载荷的影响提供可行方法;
(3)本发明的预测精度较高、可靠性较强、实施成本较低,能够为承载件的轻量化设计提供科学指导。
附图说明
图1为本发明的实施流程图;
图2(a)和图2(b)分别为本发明某一具体实例的外观照片和尺寸参数;
图3为图2所示实例的生产制造过程;
图4为图2所示实例采用的2.25Cr-1Mo-0.25V钢在650℃下的工程应力应变曲线;
图5为图2所示实例卷板成形的有限元模型及其尺寸参数;
图6为图2所示实例成形后在厚度方向上的残余塑性应变分布;
图7为图2所示实例的回火工艺曲线;
图8为本发明的步骤2中获得的试样A-1、试样A-4和试样A-6的工程应力应变曲线;
图9为本发明的步骤3中采用的神经网络的结构示意图;
图10为图9所示神经网络的超参数优化结果(仅展示RMSE<5的结果);
图11(a)和图(b)分别为本实例构建的加钒钢屈服强度和抗拉强度数据库;
图12为图2所示实例极限载荷计算的有限元模型及其尺寸参数。
具体实施方式
以下参照附图,以图2所示的实例为实施对象,按照图1所示流程,对本发明作进一步说明。
图2所示的实例是一个2.25Cr-1Mo-0.25V钢制板焊式筒节,其具体尺寸为:内径2400mm,外径2704mm,长度1700mm。该筒节的生产制造过程如图3所示,具体为:首先,2.25Cr-1Mo-0.25V钢板材需预热至650℃;然后,送入卷板机,在几分钟内完成卷制成形,获得半成品状态的筒节;紧接着,半成品状态的筒节在705℃下进行8小时回火,获得成品状态的筒节。值得注意的是,回火热处理会降低2.25Cr-1Mo-0.25V钢的强度,从而削弱筒节在服役温度下的极限承载能力。利用本发明能够预测回火对该筒节极限载荷的削弱作用,从而指导该筒节的轻量化设计。
本发明方法的实现过程如下:
步骤1:在筒节成形温度650℃下对2.25Cr-1Mo-0.25V钢实施拉伸试验,获取其应力应变曲线(见图4),用作筒节成形仿真中2.25Cr-1Mo-0.25V钢板的材料本构。
图2所示实例的卷制是由一台四毂卷板机完成的,参考卷板机和待成形板材的实际尺寸,建立了如图5所示的三维有限元模型。其中,板材是可变形体,采用C3D8R单元离散,在板材长度、宽度及厚度方向分别划分800层、20层和8层网格,共计128000个单元;而卷板机的四个轮毂在此处不考虑其变形,采用R2D2单元离散,在各轮毂周向和宽度方向分别划分400层和15层网格,共计6000个单元。然后,根据实际卷板流程,设置合理的载荷步和边界条件,再采用商用有限元软件ABAQUS中的显式动力学算法进行求解,得到该筒节的残余塑性应变分布。需要说明的是,筒节的残余塑性应变分布在其周向和轴向都较为均匀,而在其厚度方向上则表现出了明显的不均匀性(见图6)。
步骤2:先在成形温度650℃下对2.25Cr-1Mo-0.25V钢实施预塑性变形,然后部分2.25Cr-1Mo-0.25V钢进行回火热处理,部分则不做处理,进而在筒节服役温度454℃下对两者分别进行拉伸试验,获得其力学响应。步骤2的详细实施过程如下所述。
步骤201:取14个2.25Cr-1Mo-0.25V钢试样,将其等分为A组和B组,其中A组的第i个试样记为A-i,B组的第i个试样记为B-i。
步骤202:将所有试样在筒节成形温度650℃下保温20分钟,再对A组各试样分别施加不同的预塑性应变量,B组各试样进行同样处理,其中试样A-i与试样B-i的预塑性应变量需一致。各试样的预塑性应变量详见表1。
表1 A组和B组试样的预塑性变形参数
步骤203:根据筒节真实热处理工艺(见图7),对预变形的A组试样实施回火,预变形的B组试样则不进行处理。
步骤204:在筒节服役温度454℃下,分别对所有试样进行拉伸试验,并记录其工程应力应变曲线数据。图8展示了A-1、A-4和A-6试样的工程应力应变曲线。
步骤3:基于步骤2获得的工程应力应变曲线数据,利用数据驱动模型建立含不同程度制造残余影响的2.25Cr-1Mo-0.25V钢在服役温度454℃下的本构模型。本实例采用的数据驱动模型为神经网络,其具体结构如图9所示,包含四个输入和一个输出。步骤3的详细实施过程如下所述。
步骤301:步骤2中得到的每条工程应力应变曲线都有8000~9000个数据点,其中包含大量冗余信息,不利于神经网络的学习,所以需要对每条工程应力应变曲线实施等应变间隔取样。本实例每隔0.05%应变取一个数据点,将各曲线上的数据降为200~400,同时保留了弹性模量、应变强化、屈服强度、拉伸强度、延伸率等重要信息。最终,将所有的数据点汇总,用作神经网络的数据集。
步骤302:基于步骤301中得到的数据集,在每条工程应力应变曲线上随机抽取80%的数据作为训练集提供给神经网络,剩余20%则作为测试集。
步骤303:在训练集上利用网格搜索和交叉验证对神经网络进行超参数优化。在本实例中,参与优化的超参数为隐层节点数和学习率,其优化范围分别为2~50和0.001~10,评价指标为均方根误差(RMSE),其值越小,则神经网络的预测能力越强。本实例的优化结果如图10所示(仅展示RMSE<5的结果)。由图10可知,针对含制造残余影响的加钒钢的本构问题,神经网络的最佳超参数组合为:40个隐层节点和0.1的学习率。
步骤304:先将步骤303中求得的最佳参数组合赋予神经网络,再在训练集上训练该模型,使其预测能力最大化;
步骤305:利用测试集评估完成训练的神经网络的泛化性能,结果如表2所示。步骤304中训练的神经网络在训练集和测试集上的RMSE较为接近,而且两者的值都很低,所以认为其泛化性能是可接受的,能够用于预测含不同程度制造残余影响的加钒钢在服役温度454℃下的本构关系。
表2步骤304中完成训练的神经网络的泛化性能
步骤4:利用步骤3中建立的本构模型,对含不同预塑性应变量、不同热处理状态的加钒钢在服役温度454℃下的工程应力应变曲线进行预测,获得相应状态下加钒钢的屈服强度和抗拉强度,从而构建考虑制造过程残余影响的加钒钢强度数据库。图11展示了本实例构建的数据库,包含制造参数、服役温度与材料强度等信息,其中量化的制造参数包括成形温度、预塑性应变和热处理状态。
步骤5:根据步骤1中得到的筒节残余塑性应变分布,在步骤4构建的加钒钢强度数据库(见图11)中查找筒节内部每个位置在回火前后对应的强度值,从而获得半成品筒节和成品筒节在服役温度454℃下的材料强度分布。为验证其可靠性,对图2所示的成品状态筒节进行力学性能试验,测得其五个不同位置的真实强度值,并将其与对应位置的预测值作对比(详见表3)。结果表明,筒节材料屈服强度预测值与实测值的最大相对误差为7.89%,抗拉强度与实测值的最大相对误差为2.72%。在工程上,这种程度的误差是可以接受的。
表3筒节强度分布预测值与实测值对比
步骤6:建立筒节的有限元模型(如图12所示),在其环向、轴向及厚度方向分别划分150层、35层和8层网格,共计42000个单元。该模型的两个轴向端面施加对称边界条件,内表面则施加均匀内压。
将步骤5中得到的半成品状态的与成品状态的筒节材料强度分布分别输入该模型,然后利用[Gudimetla,P.S.R.,Adibi-Asl,R.,and Seshadri,R.(October 13,2010)."Incorporation of Strain Hardening Effect Into Simplified Limit Analysis."ASME.J.Pressure Vessel Technol.December 2010;132(6):061201.https://doi.org/10.1115/1.4002059.]的塑性极限分析技术,计算得到回火前后筒节的极限载荷分别为68.60MPa和57.23MPa。由此可知,705℃×8h回火后,图2所示筒节的极限载荷会下降16.57%。
可见本发明公开的方法可以有效地预测回火对加钒钢制筒节极限载荷的削弱作用。
应该指出,有限元过程、极限分析技术及数据驱动方法的实现,不包含在本发明内;上述实施方法只是示意性的,任何不超过本发明权利要求的发明创造,均在本发明保护之内。
Claims (6)
1.一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,该方法包括以下步骤:
步骤1:在筒节成形温度Tforming下对加钒钢实施拉伸试验,获取材料的本构关系,继而利用有限元仿真钢板成形过程,获取成形后筒节内残余塑性应变分布:
步骤2:先在成形温度Tforming下对加钒钢实施预塑性变形,然后部分加钒钢进行回火热处理,部分则不做处理,进而在筒节服役温度Tservice下对两者分别进行拉伸试验,获得其力学响应;
步骤3:基于步骤2的试验数据,利用数据驱动方法建立含不同程度制造残余影响的加钒钢在服役温度Tservice下的本构模型:
式中:表示加钒钢在服役温度Tservice下的应力,g(·)表示数据驱动方法建立的本构关系,表示加钒钢在服役温度Tservice下的应变,表示加钒钢在成形温度Tforming下的预塑性应变,xtempering表示加钒钢是否经历回火热处理;
步骤4:利用步骤3中建立的本构模型,对含不同预塑性应变量、不同热处理状态的加钒钢在不同服役温度下的屈服强度和抗拉强度进行预测,构建考虑制造过程残余影响的加钒钢强度数据库;
式中:和分别表示回火前后筒节在服役温度Tservice下的材料屈服强度分布,和分别表示回火前后筒节在服役温度Tservice下的材料抗拉强度分布,F1(·)、F2(·)、F3(·)和F4(·)均表示分布函数;
步骤6:建立筒节的有限元模型,将步骤5中得到的回火前后筒节材料强度分布分别输入该模型,然后利用塑性极限分析技术,对比回火前后筒节的极限载荷,从而实现回火对加钒钢制筒节极限载荷影响的预测。
2.根据权利要求1所述的一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,所述加钒钢是指合金元素公称成分为2.25Cr-1Mo-0.25V的钒改进型铬钼钢板材。
3.根据权利要求1所述的一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,所述步骤2中,预塑性变形、回火热处理和拉伸试验的实施具体包括以下子步骤:
步骤201:取2n个加钒钢试样,将其等分为A组和B组,其中A组的第i个试样记为A-i,B组的第i个试样记为B-i;
步骤202:将所有试样在筒节成形温度Tforming下保温至少10分钟,然后对A组各试样分别施加不同的预塑性应变量,B组各试样进行同样处理,其中试样A-i与试样B-i的预塑性应变量需一致;
步骤203:根据筒节真实热处理工艺,对预变形的A组试样实施回火,预变形的B组试样则不进行处理;
步骤204:在筒节服役温度Tservice下,分别对所有试样进行拉伸试验,并记录其工程应力应变曲线数据。
4.根据权利要求1所述的一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,所述步骤3中,数据驱动方法可以采用神经网络、支持向量机、随机森林数据驱动模型,其实施具体包括以下子步骤:
步骤301:对步骤2中得到的所有工程应力应变曲线实施等应变间隔取样,以构建数据驱动模型的数据集;
步骤302:基于步骤301中得到的数据集,在每条工程应力应变曲线上随机抽取80%的数据作为训练集提供给数据驱动模型,剩余20%则作为测试集;
步骤303:在训练集上利用网格搜索和交叉验证对数据驱动模型进行超参数优化,以获得求解加钒钢本构关系的最佳参数组合;
步骤304:先将步骤303中求得的最佳参数组合赋予数据驱动模型,再在训练集上训练该模型,使其预测误差最小;
步骤305:利用测试集评估完成训练的模型的泛化性能,若其泛化性能是可接受的,则获得可用的加钒钢本构模型,反之,则重新进行步骤303~步骤305。
5.根据权利要求1所述的一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,所述步骤4中,加钒钢强度数据库包括量化的制造参数、服役温度与对应的材料强度,其中量化的制造参数包括成形温度、预塑性应变和热处理状态。
6.根据权利要求1所述的一种预测回火对加钒钢制筒节极限载荷影响的方法,其特征在于,所述步骤5中,依据筒节服役温度Tservice和筒节内每一空间位置的残余塑性应变,从建立的加钒钢强度数据库中查找对应的强度值,从而获得筒节内各空间位置的屈服强度和抗拉强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649130.8A CN113378385B (zh) | 2021-06-10 | 2021-06-10 | 一种预测回火对加钒钢制筒节极限载荷影响的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649130.8A CN113378385B (zh) | 2021-06-10 | 2021-06-10 | 一种预测回火对加钒钢制筒节极限载荷影响的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378385A CN113378385A (zh) | 2021-09-10 |
CN113378385B true CN113378385B (zh) | 2022-04-19 |
Family
ID=77573714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649130.8A Active CN113378385B (zh) | 2021-06-10 | 2021-06-10 | 一种预测回火对加钒钢制筒节极限载荷影响的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836840B (zh) * | 2021-10-01 | 2023-10-20 | 浙江大学 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1312690A1 (en) * | 2001-11-14 | 2003-05-21 | Sumitomo Metal Industries, Ltd. | Steel material having improved fatigue crack driving resistance and manufacturing process therefor |
CN102337480A (zh) * | 2010-07-15 | 2012-02-01 | 宝山钢铁股份有限公司 | 抗环境脆性及疲劳性能优良的超高强度钢板及其制造方法 |
CN109977457A (zh) * | 2019-02-02 | 2019-07-05 | 浙江大学 | 一种考虑温卷影响的加钒钢制筒节极限载荷预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930553A (zh) * | 2016-04-11 | 2016-09-07 | 南京航空航天大学 | 镍基高温合金缺口拉伸强度预测方法 |
US11017054B2 (en) * | 2016-10-18 | 2021-05-25 | Nippon Steel Corporation | Collapse strength prediction method |
-
2021
- 2021-06-10 CN CN202110649130.8A patent/CN113378385B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1312690A1 (en) * | 2001-11-14 | 2003-05-21 | Sumitomo Metal Industries, Ltd. | Steel material having improved fatigue crack driving resistance and manufacturing process therefor |
CN102337480A (zh) * | 2010-07-15 | 2012-02-01 | 宝山钢铁股份有限公司 | 抗环境脆性及疲劳性能优良的超高强度钢板及其制造方法 |
CN109977457A (zh) * | 2019-02-02 | 2019-07-05 | 浙江大学 | 一种考虑温卷影响的加钒钢制筒节极限载荷预测方法 |
Non-Patent Citations (2)
Title |
---|
Numerical limit and shakedstructure made of arbitrary inhomogeneous materialown analysis method for kinematic hardening;Zhiping Chen等;《Composite Structures》;20191101;全文 * |
温卷成形对2.25Cr1Mo0.25V钢圆柱壳组织和性能的影响;黄淞等;《金属热原理》;20190531;第44卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378385A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN113378385B (zh) | 一种预测回火对加钒钢制筒节极限载荷影响的方法 | |
US20230004781A1 (en) | Lstm-based hot-rolling roll-bending force predicting method | |
CN110245842B (zh) | 一种面向设备突发大故障的生产线风险调度方法 | |
CN112214933B (zh) | 一种基于机器学习的疲劳性能预测方法 | |
CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
Wei et al. | On the use of transfer modeling to design new steels with excellent rotating bending fatigue resistance even in the case of very small calibration datasets | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
CN113987681A (zh) | 缺口-尺寸效应下耦合应变能梯度的结构疲劳寿命评估方法 | |
Tsai et al. | Parametric study and design of deep learning on leveling system for smart manufacturing | |
Zhu et al. | Machine learning-based probabilistic fatigue assessment of turbine bladed disks under multisource uncertainties | |
CN112052615B (zh) | 一种基于人工神经网络的微动疲劳性能预测方法 | |
Wu et al. | A quantum multi-agent based neural network model for failure prediction | |
CN113343566B (zh) | 基于深度学习的镍基合金断裂韧性预测方法及系统 | |
CN112434369B (zh) | 一种基于机器学习的结构载荷感知方法 | |
CN109977457B (zh) | 一种考虑温卷影响的加钒钢制筒节极限载荷预测方法 | |
Duan et al. | Analysis of High-Cycle Fatigue Life Prediction of 304 Stainless Steel Based on Deep Learning | |
Guo et al. | Fatigue Properties and Life Prediction of GS80A Steel Under the Effect of Hydrogen-Rich Environment | |
Lin et al. | Stacked auto-encoder network to predict tensile deformation behavior of a typical nickel-based superalloy considering Portevin–Le Chatelier effects | |
Wei et al. | High-cycle fatigue SN curve prediction of steels based on a transfer learning-guided convolutional neural network | |
Chiocca et al. | Fatigue assessment of a FSAE car rear upright by a closed form solution of the critical plane method | |
Di Schino | Open die forging process simulation: a simplified industrial approach based on artificial neural network. | |
Abedrabbo et al. | Optimization of a tube hydroforming process | |
Li et al. | Influence of thick plate bending process on material strength distribution in hydrogenation reactor shells | |
Lin et al. | Application of ANFIS to predict springback in U-bending of nickel-based alloy |
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 |