CN113862436A - 一种基于人工智能预测系统的高熵合金热处理方法 - Google Patents
一种基于人工智能预测系统的高熵合金热处理方法 Download PDFInfo
- Publication number
- CN113862436A CN113862436A CN202111175809.4A CN202111175809A CN113862436A CN 113862436 A CN113862436 A CN 113862436A CN 202111175809 A CN202111175809 A CN 202111175809A CN 113862436 A CN113862436 A CN 113862436A
- Authority
- CN
- China
- Prior art keywords
- module
- entropy alloy
- heat treatment
- knowledge acquisition
- artificial intelligence
- 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.)
- Pending
Links
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 113
- 239000000956 alloy Substances 0.000 title claims abstract description 113
- 238000010438 heat treatment Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000001816 cooling Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 229910052742 iron Inorganic materials 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 229910052759 nickel Inorganic materials 0.000 claims description 8
- 229910052719 titanium Inorganic materials 0.000 claims description 8
- 229910052804 chromium Inorganic materials 0.000 claims description 6
- 238000000137 annealing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011010 flushing procedure Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 229910052750 molybdenum Inorganic materials 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 229910052751 metal Inorganic materials 0.000 description 10
- 239000002184 metal Substances 0.000 description 10
- 150000002739 metals Chemical class 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000007669 thermal treatment Methods 0.000 description 4
- 229910000808 amorphous metal alloy Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910000765 intermetallic Inorganic materials 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 150000002843 nonmetals Chemical class 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C30/00—Alloys containing less than 50% by weight of each constituent
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Thermal Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；本发明的有益效果是：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数，提高精确控制高熵合金热处理质量的精确度；通过定位模块对故障部分进行定位，方便第一时间进行维修。
Description
技术领域
本发明属于高熵合金热处理技术领域，具体涉及一种基于人工智能预测系统的高熵合金热处理方法。
背景技术
合金是由两种或两种以上的金属或金属与非金属,经过熔炼、烧结或其他方法组合而成具有金属特性的材料；由于单个纯金属性能的局限性,合金正得到广泛的应用，几千年来,随着合金体系的发展，开发使用的合金系已达到三十余种；目前的合金系统大多是以单一组元为基础发展起来的,例如钢铁材料和铝合金；20世纪50年代发展的二元基金属间化合物也是以1-2种金属为基础的合金；非晶合金作为一种新型的合金具有优良的特性和广泛的应用潜能,所以其制备、发展和应用都得到了普逼关注,但仍就是以1～2种金属为基础来发展起来的。
高熵合金简称HEA，是由五种或五种以上等量或大约等量金属形成的合金；由于高熵合金可能具有许多理想的性质，因此在材料科学及工程上相当受到重视；以往的合金中主要的金属成分可能只有一至两种；例如会以铁为基础，再加入一些微量的元素来提升其特性，因此所得的就是以铁为主的合金；过往的概念中，若合金中加的金属种类越多，会使其材质脆化，但高熵合金和以往的合金不同，有多种金属却不会脆化，是一种新的材料。
为了提高精确控制高熵合金热处理质量的精确度，为此我们提出一种基于人工智能预测系统的高熵合金热处理方法。
发明内容
本发明的目的在于提供一种基于人工智能预测系统的高熵合金热处理方法，提高精确控制高熵合金热处理质量的精确度。
为实现上述目的，本发明提供如下技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：
知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
性能预测模块通过数值计算完成高熵合金热处理性能的预测；
数据库存储所有训练、检验用数据以及与领域知识相关的数据；
加热模块用于对高熵合金进行加热；
冷却模块用于对加热后的高熵合金进行冷却；
所述高熵合金热处理方法如下：
步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；
步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；
步骤五：对经过加热的高熵合金进行退火处理，并置于冷却箱中，通过冷却模块进行冷却。
作为本发明的一种优选的技术方案，所述高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间。
作为本发明的一种优选的技术方案，所述Cr、Co、Fe、Ni、Ti采用线切割；Al采用锯条进行切割。
作为本发明的一种优选的技术方案，所述步骤五中，对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。
作为本发明的一种优选的技术方案，还包括监控模块，通过监控模块对高熵合金热处理过程进行实时监控。
作为本发明的一种优选的技术方案，还包括报警模块，通过报警模块对高熵合金热处理过程中的异常数据进行报警。
作为本发明的一种优选的技术方案，还包括定位模块，通过定位模块对故障部分进行定位。
作为本发明的一种优选的技术方案，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。
与现有技术相比，本发明的有益效果是：
(1)通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数，提高精确控制高熵合金热处理质量的精确度；
(2)通过报警模块对高熵合金热处理过程中的异常数据进行报警，方便管理人员及时知晓故障；通过定位模块对故障部分进行定位，方便第一时间进行维修。
附图说明
图1为本发明的热处理方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1，本发明提供一种技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：
知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵，有助于知识的获取，训练模块可以在以后的使用中,不断利用知识采集模块提供给它的新的数据对网络进行训练,充实、更新知识库的知识,提高预测精度；
性能预测模块通过数值计算完成高熵合金热处理性能的预测；
数据库存储所有训练、检验用数据以及与领域知识相关的数据；
加热模块用于对高熵合金进行加热；
冷却模块用于对加热后的高熵合金进行冷却；
高熵合金热处理方法如下：
步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；
步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；
步骤五：对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。
本实施例中，优选的，高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间；Cr、Co、Fe、Ni、Ti为块状，硬度大，采用线切割；Al采用锯条进行切割。
本实施例中，优选的，还包括定位模块，通过定位模块对故障部分进行定位，方便第一时间进行维修。
本实施例中，优选的，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。
实施例2
请参阅图1，本发明提供一种技术方案：一种基于人工智能预测系统的高熵合金热处理方法，由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：
知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵，有助于知识的获取，训练模块可以在以后的使用中,不断利用知识采集模块提供给它的新的数据对网络进行训练,充实、更新知识库的知识,提高预测精度；
性能预测模块通过数值计算完成高熵合金热处理性能的预测；
数据库存储所有训练、检验用数据以及与领域知识相关的数据；
加热模块用于对高熵合金进行加热；
冷却模块用于对加热后的高熵合金进行冷却；
高熵合金热处理方法如下：
步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；
步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；
步骤五：对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。
本实施例中，优选的，高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间；Cr、Co、Fe、Ni、Ti为块状，硬度大，采用线切割；Al采用锯条进行切割。
本实施例中，优选的，还包括监控模块，通过监控模块对高熵合金热处理过程进行实时监控，有助于全天候、多方位的进行监视，节省人力物力；实时监控录像，可以随时调出记录；方便管理人员全局把握情况，了解热处理情况。
本实施例中，优选的，还包括报警模块，通过报警模块对高熵合金热处理过程中的异常数据进行报警，方便管理人员及时知晓故障。
本实施例中，优选的，还包括定位模块，通过定位模块对故障部分进行定位，方便第一时间进行维修。
本实施例中，优选的，还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：由知识采集模块、训练模块、性能预测模块、数据库、加热模块、冷却模块组成，其中：
知识采集模块用于获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
训练模块与知识采集模块相连，并通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
性能预测模块通过数值计算完成高熵合金热处理性能的预测；
数据库存储所有训练、检验用数据以及与领域知识相关的数据；
加热模块用于对高熵合金进行加热；
冷却模块用于对加热后的高熵合金进行冷却；
所述高熵合金热处理方法如下：
步骤一：通过知识采集模块获取广泛的、有代表性的高熵合金热处理经验、数据、图表数据；
步骤二：通过训练模块完成系统的知识获取，利用知识采集模块提供的大量加工处理数据对神经网络进行训练，生成网络权值矩阵；
步骤三：通过性能预测模块对数值进行计算，完成高熵合金热处理性能的预测，推理出优化的热处理工艺参数；
步骤四：将高熵合金输送到加热区域，并通过加热模块进行加热，加热过程中，冲入氮气；
步骤五：对经过加热的高熵合金进行退火处理，并置于冷却箱中，通过冷却模块进行冷却。
2.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：所述高熵合金由Al、Cr、Co、Fe、Ni、Mo、Ti、Si元素组成，且各元素的的纯度均≥99.5％，查找各元素的相对原子质量，按比例称取元素，使得高熵合金粉末总重在30-50克之间。
3.根据权利要求2所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：所述Cr、Co、Fe、Ni、Ti采用线切割；Al采用锯条进行切割。
4.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：所述步骤五中，对经过加热的高熵合金进行退火处理，并置于20-25℃的环境下的冷却箱中，通过冷却模块进行冷却。
5.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：还包括监控模块，通过监控模块对高熵合金热处理过程进行实时监控。
6.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：还包括报警模块，通过报警模块对高熵合金热处理过程中的异常数据进行报警。
7.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：还包括定位模块，通过定位模块对故障部分进行定位。
8.根据权利要求1所述的一种基于人工智能预测系统的高熵合金热处理方法，其特征在于：还包括可视作展示模块，通过可视作展示模块对高熵合金热处理过程进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111175809.4A CN113862436A (zh) | 2021-10-09 | 2021-10-09 | 一种基于人工智能预测系统的高熵合金热处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111175809.4A CN113862436A (zh) | 2021-10-09 | 2021-10-09 | 一种基于人工智能预测系统的高熵合金热处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113862436A true CN113862436A (zh) | 2021-12-31 |
Family
ID=79002162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111175809.4A Pending CN113862436A (zh) | 2021-10-09 | 2021-10-09 | 一种基于人工智能预测系统的高熵合金热处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113862436A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102676903A (zh) * | 2012-04-13 | 2012-09-19 | 太原工业学院 | 高性能刀具涂层材料及其熔炼方法 |
| CN110010210A (zh) * | 2019-03-29 | 2019-07-12 | 北京科技大学 | 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 |
| CN111286599A (zh) * | 2020-03-27 | 2020-06-16 | 西安交通大学 | 基于机器学习的合金热处理工艺优化方法 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
-
2021
- 2021-10-09 CN CN202111175809.4A patent/CN113862436A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102676903A (zh) * | 2012-04-13 | 2012-09-19 | 太原工业学院 | 高性能刀具涂层材料及其熔炼方法 |
| US20200257933A1 (en) * | 2019-02-05 | 2020-08-13 | Imagars Llc | Machine Learning to Accelerate Alloy Design |
| CN110010210A (zh) * | 2019-03-29 | 2019-07-12 | 北京科技大学 | 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 |
| CN111286599A (zh) * | 2020-03-27 | 2020-06-16 | 西安交通大学 | 基于机器学习的合金热处理工艺优化方法 |
| CN112430727A (zh) * | 2020-10-15 | 2021-03-02 | 宝钢日铁汽车板有限公司 | 一种连续退火炉炉温预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bian et al. | Regulating the coarsening of the γ′ phase in superalloys | |
| CN105886841A (zh) | 提高镍基高温合金Hastelloy N的低Σ重位点阵晶界比例的工艺 | |
| Chen et al. | Role of γ′ characteristic on the hydrogen embrittlement susceptibility of Fe–Ni–Cr alloys | |
| Shaikh et al. | On as-built microstructure and necessity of solution treatment in additively manufactured Inconel 939 | |
| CN113862436A (zh) | 一种基于人工智能预测系统的高熵合金热处理方法 | |
| Ihira et al. | Improvement of tensile properties of pure Cu and CuCrZr alloy by cryo-rolling process | |
| Gontijo et al. | Effect of strain rate on the hot ductility behavior of a continuously cast Ti–Nb microalloyed steel | |
| Oliveira et al. | Thermodynamic simulation of reduced activation ferritic–martensitic Eurofer-97 steel | |
| Cipriano Farias et al. | Arc-based directed energy deposited Inconel 718: role of heat treatments on high-temperature tensile behavior | |
| Song et al. | Microstructure characterisation of Fe–21Cr–15Ni–Nb–V non-magnetic austenitic stainless steel during hot deformation | |
| Shajari et al. | Effect of solution temperature of rejuvenation heat treatment on the stability of γ′ precipitates in Ni-base superalloy IN738LC during long-term heating | |
| Chen et al. | Investigation of microstructures and strengthening mechanisms in an N-doped Co-Cr-Mo alloy fabricated by laser powder bed fusion | |
| Zhong et al. | Thermal stability of microstructures and mechanical properties in a Fe-based Fe-Cr-Mn-Cu-Mo multi-component alloy | |
| Kassner et al. | The creep and fracture behavior of additively manufactured Inconel 625 and 718 | |
| Li § et al. | On determining the phase-selection principle in solidification from undercooled melts—competitive nucleation or competitive growth? | |
| Zhang et al. | Characterization of Static Recrystallization of a Ni-Cr-Mo-Based C276 Superalloy in Two-Stage Isothermal Compression | |
| Panwisawas et al. | History dependence of the microstructure on time-dependent deformation during in-situ cooling of a nickel-based single-crystal superalloy | |
| Liang et al. | Revealing the individual hardening effects of twins, dislocations, grain boundaries and solid solution in a twinning-induced plasticity steel | |
| Li et al. | Correlation among grain boundary character, carbide precipitation and deformation in Alloy 690 | |
| Lade et al. | Mechanical characterisation and study of nickel based super alloy 718 at subzero temperatures | |
| Galpin | A review of microstructure phenomena during manufacture of polycrystalline Ni-based superalloys | |
| Gontijo et al. | Analysis of transverse corner cracks from continuous casting process and comparison to laboratory experiments | |
| Sawai et al. | Microsegregation and precipitation behavior during solidification in a nickel-base superalloy | |
| Xu | Microstructural evolution and creep damage accumulation in Grade 92 steel weld for steam pipe applications | |
| Yoshioka et al. | Effect of nitrogen on weld solidification cracking susceptibility of Fe-25% Cr-22% Ni-PN fully austenitic stainless steels |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211231 |