CN1766594A - 一种钢种热模拟试验材质控制方法 - Google Patents
一种钢种热模拟试验材质控制方法 Download PDFInfo
- Publication number
- CN1766594A CN1766594A CN 200510094609 CN200510094609A CN1766594A CN 1766594 A CN1766594 A CN 1766594A CN 200510094609 CN200510094609 CN 200510094609 CN 200510094609 A CN200510094609 A CN 200510094609A CN 1766594 A CN1766594 A CN 1766594A
- Authority
- CN
- China
- Prior art keywords
- module
- network
- thermal
- steel
- control method
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及钢种的研发技术领域,特指一种钢种热模拟试验材质控制方法。采用基于成分、工艺、组织与性能的四面体模型,采用模块化结构思想建立智能系统,系统有如下模块:前处理模块、相变模块、组织性能模块和应用模块;前处理模块是从数据库中读取热模拟试验过程所需要的试验参数,以为后续过程提供初始条件;相变模块、组织性能模块是热模拟工艺的各个物理冶金模型的动态模拟;应用模块是通过建立遗传神经网络模型,寻找网络连接权和网络结构的最优值,对热模拟试验的组织和性能进行预测。本发明将混合智能系统的理论引入钢种热模拟试验材质控制领域,建立了集成多种智能系统模型,为改变钢种研发中需大量人力手工劳动,耗时长、消耗资源大等一系列落后的钢种研发方式提供了一条简便易行之路。
Description
技术领域
本发明涉及钢种的研发技术领域,具体地说是一种钢种热模拟试验材质控制方法。
背景技术
近年来,研究和开发以超细晶为特征的新一代钢铁材料,已经成为当今世界钢铁材料发展的一个重要方向。在新钢种研发的必备阶段—热模拟试验中需要对多种成分试验钢种的试样进行大量的热模拟变形工艺以及相应试样的微观分析,以探索新钢种的最优成分和工艺参数最优值。然而超细晶粒钢的研发工作目前尚局限于实验观察以及一般性理论探讨阶段,需要占用大量人力、设备进行大量的重复劳动,这就大大延长超细晶钢铁材料的研发周期和研发费用。如果能够通过计算机模拟手段预测热模拟试样的微观组织与力学性能,并得出新钢种的最优成分和工艺参数最优值,使钢种设计与材质控制更加科学合理,这无疑是令人鼓舞的。为达到此目的,就需要了解在热模拟工艺中各个参数的变化过程,并借助模拟手段,动态地模拟并控制组织。将传统的研发新钢种、新工艺的实验试制工作模式转变为计算机模拟工作模式。由此可大大降低研发成本,加快新产品研发速度,并能满足柔性制备的要求,从而大幅减少超细晶粒钢研发中传统的“炒菜”方式。
亦即根据材料的成分和制备工艺条件,通过计算来预测热模拟试验组织与性能,从而对材料成分以及热模拟工艺进行优化和控制。经申请者对国外权威专利机构,诸如:欧洲专利(国际网)、美国专利数据库、PCT国际专利检索以及国内专利检索,均未见相关专利申请。
发明内容
本发明提供了一种钢种热模拟试验材质控制方法,利用计算机实现钢种热模拟试验的组织和工艺控制。
为实现上述目的,本发明的技术方案是:
采用基于成分、工艺、组织与性能的四面体模型,采用模块化结构思想建立智能系统,系统有如下模块:前处理模块、相变模块、组织性能模块和应用模块;前处理模块是从数据库中读取热模拟试验过程所需要的试验参数,以为后续过程提供初始条件;相变模块、组织性能模块是热模拟工艺的各个物理冶金模型的动态模拟;应用模块是通过建立遗传神经网络模型,寻找网络连接权和网络结构的最优值,对热模拟试验的组织和性能进行预测。
具体如下:
前处理模块:从数据库中读取热模拟试验过程工艺参数,包括钢种的化学成分、变形温度、变形道次、变形速率、道次变形量以及道次间隔时间等。
相变模块:在热模拟过程中发生γ→α相变,首先由化学成分求出相变平衡温度Ae3,在低于Ae3温度下,根据前期工艺试验数据,求出铁素体的形核率和长大速度。从而达到利用经典的形核长大理论预测铁素体的晶粒尺寸的目的。
为了与原有的热模拟试验工艺一致,将Y.SAITO等的相变组织模型修正后进行计算,修正值均采用以往的热模拟工艺数值及其组织、性能测试值,使得该模块能在描述变形、变形速率、变形温度以及道次间隔的函数关系更加精确。
Y.SAITO提出的微合金钢相变组织模型:
lnDα=0.92+0.44lnDγ-0.77lnCγ-0.88+anh(10δε)
未知参数采用以往的热模拟工艺参数值及其组织、性能测试值。不同钢种利用与上述公式类似的数学模型可以进行相变后铁素体晶粒尺寸的预测。
对于热模拟后的相变比,即铁素体与其它组织的体积比则采用申请者根据前期工艺试验数据建立的多元线性回归模型进行预测:
fα=-0.2058×t1-0.0210×t2+0.0077×t3+0.0078×t4-0.6522×ε1+0.4174×ε2+0.1114×ε3+0.2243×ε4-0.0281×δ1-0.0702×δ2-0.0961×δ3+238.9269(fα:细晶铁素体百分比;t1-t4:1-4:道次变形温度;ε1-ε4:1-4道次变形量;s1-s3:1-3道次间隔时间)
组织性能模块:将钢在室温条件下的组织分为铁素体、珠光体、贝氏体和马氏体等单相组织和由它们组成的多相组织,并分别讨论影响组织和力学性能的因素。然后,从变形过程计算机模拟和性能预报的观点出发,将化学成分、组织与屈服强度、抗拉强度等力学性能的表达为数学关系式。
Hall-Petch关系式:
Ys=σ0+Kd-1/2
σ0=σsol+σppt+σdisl+...
对于铁素体—珠光体组织钢的抗拉强度来说,铁素体相与珠光体相强度的加权平均
Ys=fF·TSF+fp·Tsp
对于微合金钢,采用:
Ys=434.60+1988.45Da -0.5
应用模块:本模块是建立全新的遗传神经网络模型,考察超细晶粒钢热模拟试验参数的输入空间到其组织的输出空间的映射,运用遗传神经网络模型对热模拟试验的组织进行预测。遗传神经网络模型的建立思想是:改变BP算法依赖梯度信息的指导来调整网络权值的方法,利用遗传算法全局性搜索的特点,寻找网络连接权和网络结构的最优值。模型的求解方法为:数据预处理时将实验数据归一化,使其变为[0,1]之间的数;利用经验公式确定隐层节点数;用遗传算法与神经网络相结合的方法训练网络,在训练网络时,只有当训练的均方差或者训练步数达到一事先设定的精度值,若达到要求,则可以进行网络的测试以及预测,若没有达到,则继续进行网络的训练,直到满足训练的均方差(或训练步数)精度要求值为止。
本发明的优点:
1.将混合智能系统的理论引入钢种热模拟试验材质控制领域,建立了集成多种智能系统模型,为改变钢种研发中需大量人力手工劳动,耗时长、消耗资源大等一系列落后的钢种研发方式提供了一条简便易行之路。
2.采用模块化建模思想,建立了5个模块;各模块之间既相互独立,又相互依存,从而保证了系统使用的灵活性和可选择性。尤其在应用模块中利用遗传神经网络模块进行钢种的热模拟试验组织与性能的预测,可以在极短期限内实现对最新研究钢种的预测模型的建立,以便即使调整和优化工艺,满足研发需要。
3.应用本系统,可进行组织性能的预报以及逆向得出期望目标下的最优成分和工艺参数组合。
4.系统的设计、维护方便:本系统的开发均采用VC++语言,运用VC++语言的强大功能,这克服了多种编程语言的潜在冲突,方便系统的维护升级;操作方便:由于系统具有大量的数据库资料,操作人员只需要输入基本要求即可通过系统得出一个预测值以指导实验生产,这样可大量节省研发时间、降低研发成本,提高研发水平。
附图说明
图1为本发明整体结构示意图
具体实施方式
就超细晶粒钢热模拟试验而言,其输入空间包括:试验钢的化学成分,变形温度、变形量、变形道次、变形速率、间隔时间、保温时间、冷却条件等十儿个参数;输出空间主要是超细晶铁素体的晶粒尺寸及百分含量以及相应的力学性能。训练网络的样本取自低碳微合金钢的Gleeble-2000热模拟试验数据,试样尺寸为Φ8×12.4mm,试样成分为:C:0.08-0.20,Si:0.15-0.21,Mn:0.5-0.8,P:0.008-0.012,S:0.005-0.008,V:0.02-0.13,Nb:0.02-0.13,N:0.003-0.008。当研发时间有限,过程数据有限时,利用应用模块的遗传神经网络模型进行对各因素的分析。进入系统的遗传神经网络主界面之后,选择“应用模块”下“建立遗传神经网络”子菜单,将打开“建立遗传神经网络”界面,用户可以自行设置网络的精度、训练次数、训练步长等,也可以使用本系统默认的值。然后继续“设置遗传神经网络参数”界面,用户可以根据需要设置输入层、隐含层和输出层的数。进入“预测”界面,进行细晶铁素体尺寸、细晶铁素体百分比、屈服强度以及延伸率的预测,网络将根据输入的参数进行预测。
通过对样本数据的学习,得出本系统应用模块预测:细晶铁素体尺寸、细晶铁素体百分比、屈服强度以及延伸率的相对误差分别为±2.8%、±3.0%、±1.5%及±2.8%。
Claims (5)
1.一种钢种热模拟试验材质控制方法,其特征在于采用基于成分、工艺、组织与性能的四面体模型,采用模块化结构思想建立智能系统,系统有如下模块:前处理模块、相变模块、组织性能模块和应用模块;前处理模块是从数据库中读取热模拟试验过程所需要的试验参数,以为后续过程提供初始条件;相变模块、组织性能模块是热模拟工艺的各个物理冶金模型的动态模拟;应用模块是通过建立遗传神经网络模型,寻找网络连接权和网络结构的最优值,对热模拟试验的组织和性能进行预测。
2.根据权利要求1所述的一种钢种热模拟试验材质控制方法,其特征在于前处理模块:从数据库中读取热模拟试验过程包括钢种的化学成分、变形温度、变形道次、变形速率、道次变形量以及道次间隔时间工艺参数。
3.根据权利要求1所述的一种钢种热模拟试验材质控制方法,其特征在于相变模块:在热模拟过程中发生γ→α相变,首先由化学成分求出相变平衡温度Ae3,在低于Ae3温度下,根据前期工艺试验数据,求出铁素体的形核率和长大速度。
4.根据权利要求1所述的一种钢种热模拟试验材质控制方法,其特征在于组织性能模块:将钢在室温条件下的组织分为铁素体、珠光体、贝氏体和马氏体等单相组织和由它们组成的多相组织,并分别讨论影响组织和力学性能的因素;然后,从变形过程计算机模拟和性能预报的观点出发,将化学成分、组织与屈服强度、抗拉强度等力学性能的表达为数学关系式。
5.根据权利要求1所述的一种钢种热模拟试验材质控制方法,其特征在于应用模块:建立遗传神经网络模型,寻找网络连接权和网络结构的最优值,模型的求解方法为:数据预处理时将实验数据归一化,使其变为[0,1]之间的数;利用经验公式确定隐层节点数;用遗传算法与神经网络相结合的方法训练网络,在训练网络时,只有当训练的均方差或者训练步数达到一事先设定的精度值,若达到要求,则可以进行网络的测试以及预测,若没有达到,则继续进行网络的训练,直到满足训练的均方差精度要求值为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510094609 CN1766594A (zh) | 2005-09-29 | 2005-09-29 | 一种钢种热模拟试验材质控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510094609 CN1766594A (zh) | 2005-09-29 | 2005-09-29 | 一种钢种热模拟试验材质控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1766594A true CN1766594A (zh) | 2006-05-03 |
Family
ID=36742602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200510094609 Pending CN1766594A (zh) | 2005-09-29 | 2005-09-29 | 一种钢种热模拟试验材质控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1766594A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320031B (zh) * | 2008-05-27 | 2012-09-26 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 |
CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
CN103632013A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 基于主成分回归分析的晶粒尺寸影响无取向硅钢磁性能的分析方法 |
CN103983506A (zh) * | 2014-05-27 | 2014-08-13 | 安徽工业大学 | 一种热模拟实验材料组织性能的检测方法 |
CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
-
2005
- 2005-09-29 CN CN 200510094609 patent/CN1766594A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320031B (zh) * | 2008-05-27 | 2012-09-26 | 上海实达精密不锈钢有限公司 | 一种奥氏体不锈钢精密钢带的终轧变形量预测方法 |
CN103123483A (zh) * | 2012-12-20 | 2013-05-29 | 北京首钢自动化信息技术有限公司 | 一种基于聚类分析的新钢种轧制变形抗力预测系统 |
CN103632013A (zh) * | 2013-12-18 | 2014-03-12 | 北京科技大学 | 基于主成分回归分析的晶粒尺寸影响无取向硅钢磁性能的分析方法 |
CN103632013B (zh) * | 2013-12-18 | 2016-06-15 | 北京科技大学 | 基于主成分回归分析的晶粒尺寸影响无取向硅钢磁性能的分析方法 |
CN103983506A (zh) * | 2014-05-27 | 2014-08-13 | 安徽工业大学 | 一种热模拟实验材料组织性能的检测方法 |
CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
CN109902872A (zh) * | 2019-02-28 | 2019-06-18 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN1766594A (zh) | 一种钢种热模拟试验材质控制方法 | |
CN108875159A (zh) | 一种压电驱动器的率相关迟滞建模方法 | |
CN103993138B (zh) | 预测高强塑积钢淬火中马氏体组织演变的方法 | |
CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
CN107704920A (zh) | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 | |
CN101591729A (zh) | 预测板带钢热变形中奥氏体动态再结晶组织演变的方法 | |
Rodgers et al. | Materials informatics | |
CN101533423A (zh) | 一种金属塑料复合材料结构的优化方法 | |
CN109885916A (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
CN112084619A (zh) | 一种掺杂合金元素的金属基体耐腐蚀性能研究仿真方法 | |
Peng et al. | A collaborative design platform for new alloy material development | |
CN115964954A (zh) | 一种超高性能混凝土多项性能预测方法及其配合比优化设计方法 | |
Wang et al. | Research on the evaluation system of new energy development decision in Dunhuang city based on analytic hierarchy process | |
KR100727053B1 (ko) | 대사산물들의 플럭스 섬 프로파일링을 이용한 생물개량방법 | |
Awd et al. | A review on the enhancement of failure mechanisms modeling in additively manufactured structures by machine learning | |
Fu et al. | Comprehensive evaluation of regional agricultural water and land resources carrying capacity based on DPSIR concept framework and PP model | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
Prakash et al. | A new technique based on the gorilla troop optimization coupled with artificial neural network for predicting the compressive strength of ultrahigh performance concrete | |
Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
Zhang et al. | Electrochemical noise analysis on the crevice corrosion behavior of Ni–Cr–Mo–V high strength steel using recurrence plots | |
CN103617316A (zh) | 一种基于多核支持向量机的发酵过程动态预测方法 | |
Hasançebi et al. | Optimum design of geodesic steel domes under code provisions using metaheuristic techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20060503 |