JP2005315703A - Method for predicting material in steel material - Google Patents
Method for predicting material in steel material Download PDFInfo
- Publication number
- JP2005315703A JP2005315703A JP2004133415A JP2004133415A JP2005315703A JP 2005315703 A JP2005315703 A JP 2005315703A JP 2004133415 A JP2004133415 A JP 2004133415A JP 2004133415 A JP2004133415 A JP 2004133415A JP 2005315703 A JP2005315703 A JP 2005315703A
- Authority
- JP
- Japan
- Prior art keywords
- size
- state
- solid solution
- steel
- fraction
- 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
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Control Of Metal Rolling (AREA)
- Heat Treatment Of Steel (AREA)
Abstract
Description
本発明は、厚鋼板などの熱間圧延によって製造される鋼製品（薄鋼板、厚鋼板、線材、型鋼、棒鋼、鋼管など）において、その金属組織状態や製品の材質を物理的試験を行うことなく、製造後、製造段階あるいは製造前に予測できるようにする鋼材の材質予測方法に関するものである。 The present invention is to perform a physical test on the metallographic state and product material of a steel product (thin steel plate, thick steel plate, wire rod, die steel, bar steel, steel pipe, etc.) manufactured by hot rolling such as a thick steel plate. In particular, the present invention relates to a method for predicting the material quality of a steel material that can be predicted after manufacturing, before or at the manufacturing stage.
まず、製品の材質の評価方法の観点では、鋼材メーカーは製品の製造後に、製造後の鋼板の一部を切り出し、これに対して物理的な特性試験（引っ張り試験、シャルピー試験など）を行うことによって、鋼材の金属組織状態や材質を認知している。従って、製品が完成品となった後でしか、その材質を知ることができず、製造前に要求される材質を精度良く得られる成分や製造条件を容易に決定することができない。また、製造の条件を決定した後も実際の製造段階において、当該鋼材の成分や製造条件が不測の事態によって変動した場合には、製品の材質が変動し、材質のばらつきが拡大したり、場合によっては不合格となってしまう。さらに、製造後の鋼材の材質についても、物理的特性試験が実施されるのは、サンプリングによって実施されるので、試験片を採種した位置については確実にその材質が把握できるが、鋼材の全体についての材質が確認されるわけではないなど、鋼材の製造上の課題がある。 First, from the viewpoint of the evaluation method of the product material, after manufacturing the product, the steel material manufacturer cuts out a part of the steel plate after manufacture and performs physical property tests (tensile test, Charpy test, etc.) on this. By recognizing the metallographic state and material of the steel. Therefore, only after the product becomes a finished product, the material can be known, and the components and manufacturing conditions for accurately obtaining the material required before manufacturing cannot be easily determined. In addition, even after the manufacturing conditions have been determined, in the actual manufacturing stage, if the steel components or manufacturing conditions fluctuate due to unforeseen circumstances, the material of the product may fluctuate, resulting in an increase in material variations. Depending on the situation, it will be rejected. In addition, the physical properties of the steel material after manufacture are also sampled because the physical properties test is performed by sampling. There is a problem in the manufacture of steel materials, such as not confirming the material.
このような鋼材の製造工程における材質の評価についての問題点を解決しようとした試みとして、特許文献１、特許文献２、非特許文献１などに示されるように、金属学に厳密に基づいた金属学的数式モデルを用いることによって、鋼材の成分や製造条件から鋼材の材質を予測しようということが試みられている。 As an attempt to solve the problem of the material evaluation in the manufacturing process of such steel materials, as shown in Patent Document 1, Patent Document 2, Non-Patent Document 1, etc., a metal based strictly on metallurgy Attempts have been made to predict the quality of steel materials from the components and manufacturing conditions of steel materials by using a mathematical mathematical model.
しかしながら、このような金属学的数式モデルを用いた材質の予測法においては、金属組織や材質の予測方法が金属学的、物理学的に過度に厳密であるがために、実際の製造に対して十分な精度が得られないもしくは精度を得るために数式モデルの変更など多大な労力を必要とする場合がある。例えば、これらの金属学的数式モデルは、モデル化の対象となった成分、製造条件の範囲外の条件については厳密には適用範囲外となり、予測精度が必ずしも良くない。また、予測する特性についても強度や靱性などといったその支配因子（当該材質と金属組織の関係）が明確となっているものについては、十分な精度を持って予測が可能であるにしても、溶接割れ特性や溶接部靱性、耐食性などといった必ずしもその支配因子が当該材質と金属組織の関係として明確になっていないものについては予測することができない。 However, in the material prediction method using such a metallurgical mathematical model, the metal structure and the material prediction method are excessively rigorous metallurgically and physically. In some cases, sufficient accuracy cannot be obtained, or a great deal of labor such as changing the mathematical model is required to obtain accuracy. For example, these metallurgical mathematical models are strictly outside the applicable range with respect to the components to be modeled and conditions outside the manufacturing conditions, and the prediction accuracy is not necessarily good. In addition, with regard to the properties to be predicted, if the controlling factors (relationship between the material and the metal structure) such as strength and toughness are clear, welding can be performed with sufficient accuracy. It cannot be predicted that the controlling factors such as crack characteristics, weld toughness, and corrosion resistance are not clearly defined as the relationship between the material and the metal structure.
近年、良く知られている諸現象の予測方法としてニューラルネットワークを用いた予測方法がある。このようなニューラルネットワークを用いた予測方法については、例えば、非特許文献２に種々の方式が示されている。いずれも、既存のデータを多数例学習することにより、モデル内の係数を総合的に決定し、精度の良い回帰モデルを作成することを特徴としている。これらのモデルの最大の特徴は、回帰モデルとして非常によい精度を有することである。その他、多項式で表せない現象を再現できるなどの幾つかの特徴があるが、非常によい学習精度（回帰モデルとしての精度）を有することが最大の利点である。また、基本的には回帰型の予測方法であるので、支配因子とか因果関係が明確となっていない、あるいは、極めて複雑な因果関係がある様な現象の予測にも適用が可能であるといった利点がある。 In recent years, there is a prediction method using a neural network as a well-known prediction method for various phenomena. As for the prediction method using such a neural network, for example, various methods are shown in Non-Patent Document 2. Both are characterized by learning a large number of examples of existing data, comprehensively determining the coefficients in the model, and creating an accurate regression model. The biggest feature of these models is that they have very good accuracy as regression models. In addition, there are some features such as the ability to reproduce phenomena that cannot be expressed by polynomials, but having the very good learning accuracy (accuracy as a regression model) is the greatest advantage. In addition, since it is basically a regression-type prediction method, it has the advantage that it can be applied to the prediction of phenomena that do not have clear causal factors or causal relationships, or that have extremely complex causal relationships. There is.
しかし、ニューラルネットワークを用いた予測方法は基本的には回帰モデルであり、現象の基本原理に基づいたものではないため予測の原理的妥当性が保証されていないという問題点がある。このために予測を行う際に、予想し得ない特異な値を誤って算出する場合もある。特に、予測すべきデータが学習に用いた集団と変数の範囲が異なる場合に、このような誤差が生じる。そのため、鋼材の材質を予測する目的でニューラルネットワークを用いた予測方法を適用する試みはまだなされていない。 However, the prediction method using a neural network is basically a regression model, and is not based on the basic principle of the phenomenon, so that there is a problem that the validity of the prediction is not guaranteed. For this reason, when performing prediction, a unique value that cannot be predicted may be erroneously calculated. In particular, such an error occurs when the data to be predicted is different from the group used for learning and the variable range. For this reason, no attempt has been made to apply a prediction method using a neural network for the purpose of predicting the steel material.
上記したような従来技術の欠点を打開し、材質の予測に基づく、効率的な製造および品質保証を実施するためには、鋼材の製造過程において、鋼の成分、製造条件の実績値または予想値から、鋼板の広範な種類の材質（降伏強度、引張強度、伸び、延性−脆性遷移温度溶接特性、耐食性など）を従来技術以上に精度良く予測する方法を確立することが求められている。 In order to overcome the drawbacks of the prior art as described above and implement efficient production and quality assurance based on the prediction of the material, in the steel production process, the steel components, the actual or expected values of the production conditions Therefore, it is required to establish a method for predicting a wide variety of materials (yield strength, tensile strength, elongation, ductility-brittle transition temperature welding characteristics, corrosion resistance, etc.) of steel plates more accurately than in the prior art.
本発明は、鋼材の材質を予測するに当たって、実用上の観点から、上記したような課題を解消し、鋼板の広範な種類の材質を従来技術以上に精度良く予測する予測方法を提供すること目的とする。 An object of the present invention is to provide a prediction method that eliminates the above-described problems and predicts a wide variety of materials of steel sheets more accurately than the prior art from the practical point of view in predicting the quality of steel materials. And
上記目的を達成するために、ニューラルネットワークモデルを用いた材質の予測方法を吟味し、鋼材の製造工程における金属組織変化や元素の固溶・析出状態を数式モデルで予測し、かつ、これらの予測結果をニューラルモデルの予測に複合化すること（言わば、金属学的モデルとニューラルネットワークモデルをハイブリッド型としたモデルとすること）によって、これらの目的を達成可能であることを見出し、以下の発明を創案した。 In order to achieve the above objective, we examined the prediction method of materials using a neural network model, and predicted the changes in the metal structure and the solid solution / precipitation state of elements in the steel manufacturing process with a mathematical model. We have found that these objectives can be achieved by combining the results with neural model prediction (ie, making the metallurgical model and neural network model a hybrid model). Invented.
即ち、本発明の要旨とするところは以下の通りである。
（１）鋳造された鋼片を再加熱した後に、圧延、冷却を施して製造する鋼板に対して、鋼の成分、製造条件の実績値または予想値を入力として、鋼板の材質を予測する方法において、予測手段としてニューラルネットワークモデルを用い、ニューラルネットワークモデルの入力項目として、鋼の成分、製造条件の実績値または予想値に加え、材質を予測すべき鋼板について、鋼の成分と製造条件の実績値または予想値から金属学的数式モデルによって、再加熱時のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径））を計算により算出し、その結果に基づき、圧延開始までの冷却中のオーステナイトの結晶粒成長、元素の固溶析出状態の変化を算出し、さらに、その結果に基づき熱間圧延中金属組織変化および元素の固溶・析出状態を算出し、その結果に基づき圧延後の冷却中の変態にともなう金属組織変化および変態組織中における元素の固溶・析出状態を求めることによって最終的に得られる冷却後金属組織状態および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれら冷却後金属組織状態と固溶・析出状態から算出した材質を入力項目として用いることを特徴とする鋼材の材質予測方法。
（２）前記鋼板は冷却後に焼き戻しを行って製造する鋼板であり、前記金属学的数式モデルによって算出した前記冷却後金属組織状態および変態組織中における元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）に基づき、さらに、引き続いて行われる焼き戻し処理に対して、焼き戻し時の温度履歴に基づき焼き戻し時の金属組織変化および変態組織中における元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を算出し、これらによって最終的に得られる焼き戻し後金属組織状態および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれら金属組織状態と固溶・析出状態から算出した材質を入力項目として用いることを特徴とする上記（１）に記載の鋼材の材質予測方法。
（３）前記鋼材は直送圧延材であって、再加熱時のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を計算により算出する代わりに鋳造された鋼片のオーステナイトの金属組織状態（オーステナイト粒径、含有元素の固溶・析出状態（固溶量、析出量、析出物平均粒径））を計算により算出することを特徴とする上記（１）又は（２）に記載の鋼材の材質予測方法。
（４）前記熱間圧延中金属組織変化とは、オーステナイト粒径、オーステナイトの単位体積あたりの粒界面積、転位密度、オーステナイトの扁平率、アスペクト比、オーステナイト粒内のサブグレインサイズ、再結晶率、再結晶オーステナイト粒径、未再結晶オーステナイト粒径のうちの３個以上であることを特徴とする上記（１）乃至（３）のいずれかに記載の鋼材の材質予測方法。
（５）前記冷却後金属組織状態とは、フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、ベイナイトブロックサイズ、ベイナイトラスサイズ、マルテンサイトブロックサイズ、マルテンサイトラスサイズのうちの３個以上であることを特徴とする上記（１）乃至（４）のいずれかに記載の鋼材の材質予測方法。
（６）前記算出した材質とは、降伏強度、引張強度、伸び、延性−脆性遷移温度、降伏伸び、均一伸びのうちの１個以上であることを特徴とする上記（１）乃至（５）のいずれかに記載の鋼材の材質予測方法。
（７）焼き戻し時の金属組織変化とは、フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、ベイナイトブロックサイズ、ベイナイトラスサイズ、マルテンサイトブロックサイズ、マルテンサイトラスサイズのうちの３個以上であることを特徴とする上記（２）乃至（６）のいずれかに記載の鋼材の材質予測方法。
（８）焼き戻し後金属組織状態とは、フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、ベイナイトブロックサイズ、ベイナイトラスサイズ、マルテンサイトブロックサイズ、マルテンサイトラスサイズのうちの３個以上であることを特徴とする上記（２）乃至（７）のいずれかに記載の鋼材の材質予測方法。
That is, the gist of the present invention is as follows.
(1) A method of predicting the material of a steel sheet by inputting the components of the steel, the actual value or the estimated value of the manufacturing conditions for the steel sheet manufactured by rolling and cooling after reheating the cast steel slab. , Using a neural network model as a predicting means, and as input items of the neural network model, in addition to the steel components and the actual or predicted values of the manufacturing conditions, the steel components and the actual manufacturing conditions for the steel sheet whose material should be predicted The metal structure state of austenite (austenite particle size) and solid solution / precipitation state of elements (solid solution amount, precipitation amount, average particle size of precipitates) Calculated by calculation, based on the results, calculated the change in the austenite grain growth during cooling until the start of rolling, the solid solution precipitation state of the elements, and the results Based on the results, the changes in the metal structure and the solid solution / precipitation state of the element during hot rolling are calculated, and the changes in the metal structure accompanying the transformation during cooling after the rolling and the solid solution / precipitation state of the element in the transformation structure are obtained based on the results The metal structure state after cooling and the solid solution / precipitation state of the element (solid solution amount, precipitation amount, average particle size of precipitates) and the post-cooling metal structure state and solid solution / precipitation state obtained by A method for predicting the quality of a steel material, wherein the material is used as an input item.
(2) The steel sheet is a steel sheet manufactured by tempering after cooling, and the solid solution state and precipitation state (solid solution amount) of the element in the post-cooling metallographic state and transformation structure calculated by the metallurgical mathematical model , Based on the temperature history at the time of tempering, and the solid solution of elements in the transformation structure Calculate the precipitation state (solid solution amount, precipitation amount, average particle size of precipitates), and finally obtain the post-tempering metallographic state and the solid solution / precipitation state of the elements (solid solution amount, precipitation amount, (1) The material predicting method for steel as set forth in (1) above, wherein the material calculated from the precipitate average particle diameter) and the metal structure state and the solid solution / precipitation state are used as input items.
(3) The steel material is a direct-rolled rolled material, and the austenite metallographic state (austenite particle size) and solid solution / precipitation state (solid solution amount, precipitation amount, precipitate average particle size) of the austenite during reheating Instead of calculating by calculation, calculate the austenite metallographic state (austenite particle size, solid solution / precipitation state of the contained elements (solid solution amount, precipitation amount, precipitate average particle size)) by calculation. The method for predicting a material quality of a steel material as described in (1) or (2) above.
(4) The microstructure change during hot rolling means austenite grain size, grain interfacial area per unit volume of austenite, dislocation density, austenite flatness, aspect ratio, subgrain size in austenite grains, recrystallization rate The method for predicting the material quality of a steel material according to any one of (1) to (3) above, wherein the number is three or more of a recrystallized austenite grain size and a non-recrystallized austenite grain size.
(5) The post-cooling metallographic state includes ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite particle size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and selectively pearlite. 3 or more of colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, bainite block size, bainite lath size, martensite block size, martensite lath size The steel material quality prediction method according to any one of the above (1) to (4), characterized in that it is characterized.
(6) The calculated material is one or more of yield strength, tensile strength, elongation, ductility-brittle transition temperature, yield elongation, and uniform elongation, (1) to (5) above The method for predicting the material quality of steel according to any one of the above.
(7) Changes in the metal structure during tempering include ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite grain size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and selectively 3 or more of pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, bainite block size, bainite lath size, martensite block size, martensite lath size The method for predicting the material quality of a steel material according to any one of the above (2) to (6).
(8) Metal structure after tempering means ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite grain size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and selectively pearlite 3 or more of colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, bainite block size, bainite lath size, martensite block size, martensite lath size The steel material quality prediction method according to any one of the above (2) to (7).
本発明は、鋼材の材質予測方法としてニューラルネットワークモデルと金属学的数式モデルを組み合わせることにより、従来は精度の高い予測が困難であった材質（溶接特性、耐食性）についても高い精度で予測することが可能になった。 By combining a neural network model and a metallurgical mathematical model as a steel material prediction method, the present invention predicts materials (welding characteristics, corrosion resistance), which have been difficult to predict with high accuracy, with high accuracy. Became possible.
本発明の根幹となる技術の要点は以下の通りである。 The main points of the technology that forms the basis of the present invention are as follows.
前述の特許文献１には、鋼の成分、製造条件の実績値または予想値から金属学的数式モデルによって、再加熱時のオーステナイトの金属組織状態を計算により算出し、その結果に基づき、圧延開始までの冷却中のオーステナイトの結晶粒成長、含有元素の固溶析出状態の変化を算出し、さらに、その結果に基づき熱間圧延中のオーステナイトの再結晶などに基づく金属組織変化を全ての圧延パスおよびそのパス間時間の冷却中について、次々と算出し、その結果に基づき圧延後の冷却中の変態にともなう金属組織変化および変態組織中における元素の固溶・析出状態を求めることによって最終的に得られる金属組織状態および元素の固溶・析出状態およびこれら金属組織状態と固溶・析出状態から算出した材質を予測するようなモデルが示されている。 In the above-mentioned Patent Document 1, the metal structure state of austenite at the time of reheating is calculated by calculation using a metallurgical mathematical model from the actual values or predicted values of steel components and production conditions, and rolling starts based on the results. Calculates the change in the austenite crystal grain growth during solidification and the change in the solid solution precipitation state of the contained elements, and based on the results, changes in the metal structure based on the recrystallization of austenite during hot rolling, etc. And, during the cooling of the time between the passes, it is calculated one after another, and finally, by determining the metal structure change accompanying the transformation during cooling after rolling and the solid solution / precipitation state of elements in the transformation structure based on the result Models that predict the resulting metallographic state and the solid solution / precipitation state of elements and the materials calculated from these metallographic state and solid solution / precipitation state are shown. To have.
特許文献１に記載のような金属学的数式モデルを用いた予測モデルは、粒成長、圧延による加工と回復・再結晶、変態、元素の固溶・析出などの金属学的現象を再現する数式モデルにより製造工程における我々が通常検出できない金属組織変化を再現することが可能であるという利点がある。 The prediction model using the metallurgical mathematical model as described in Patent Document 1 is a mathematical formula that reproduces metallurgical phenomena such as grain growth, processing by rolling and recovery / recrystallization, transformation, solid solution / precipitation of elements, etc. The advantage of the model is that it is possible to reproduce metallographic changes that we normally cannot detect in the manufacturing process.
しかし、一方で金属学的数式モデルは、前述のとおり金属学的妥当性を重視するあまり、モデル化の対象となった成分、製造条件の範囲外の条件については厳密には適用範囲外となり、予測精度が必ずしも良くない。また、予測する特性についても強度や靱性などといったその支配因子（当該材質と金属組織の関係）が明確となっているものについては、十分な精度を持って予測が可能であるにしても、溶接割れ特性や溶接部靱性、耐食性などといった必ずしもその支配因子が当該材質と金属組織の関係として明確になっていないものについては予測することができないといった問題点がある。 However, on the other hand, the metallurgical mathematical model emphasizes the relevance of metallurgy as described above, and the components that are the object of modeling and conditions that are outside the range of manufacturing conditions are strictly outside the scope of application, The prediction accuracy is not always good. In addition, with regard to the properties to be predicted, if the controlling factors (relationship between the material and the metal structure) such as strength and toughness are clear, welding can be performed with sufficient accuracy. There is a problem that it is not possible to predict those whose controlling factors such as crack characteristics, weld toughness, corrosion resistance, etc. are not necessarily clear as the relationship between the material and the metal structure.
一方、ニューラルネットワークを予測方法として用いようとしても、前述のとおり、予測を行う際に、予想し得ない特異な値を誤って算出する場合もある。特に、予測すべきデータが学習に用いた集団と変数の範囲が異なる場合に、このような誤差が生じる。そのため、従来知られているニューラルネットワークを用いた予測方法はこのままでは鋼材の材質予測方法として適用することができない。 On the other hand, even if a neural network is used as a prediction method, a unique value that cannot be predicted may be erroneously calculated when performing prediction as described above. In particular, such an error occurs when the data to be predicted is different from the group used for learning and the variable range. Therefore, a conventionally known prediction method using a neural network cannot be applied as it is as a steel material quality prediction method.
本発明は、上記した金属学的数式モデルとニューラルネットワークモデルを複合的に用いて鋼材の材質予測を行うことにより、それぞれの利点を生かし、問題点を極力排除することによってそれぞれの方法が有する弱点を克服し、鋼材の材質を非常に良好な精度で予測できることを見いだした。以下、金属学的数式モデルとニューラルネットワークモデルを複合的に用いて鋼材の材質予測を行う方法をハイブリッドモデルと呼ぶことがある。 The present invention uses the advantages of each of the steel materials by using the metallurgical mathematical model and the neural network model in combination, thereby eliminating the problems as much as possible. It was found that the steel material can be predicted with very good accuracy. Hereinafter, a method of predicting the material quality of a steel material using a combination of a metallurgical mathematical model and a neural network model may be referred to as a hybrid model.
ハイブリッドモデルの要点を以下に示す。 The main points of the hybrid model are shown below.
まず、鋼材の材質を鋼材の成分および製造条件の実績値または予想値から予測するに当たって、はじめに金属学的数式モデルにより、製造工程における金属組織状態の変化および元素の固溶・析出状態の変化を算出し、これを各工程で連続的に行うことによって、最終的な金属組織状態および元素の固溶・析出状態を算出する。さらに、これらの金属組織状態および元素の固溶・析出状態に基づいて、鋼材の材質も可能な範囲で算出する。 First, in predicting the steel material from the steel components and the actual or predicted values of the manufacturing conditions, first, the metallurgical mathematical model is used to determine the changes in the metallographic state and the solute / precipitation state of the elements in the manufacturing process. The final metallographic state and element solid solution / precipitation state are calculated by calculating and performing this continuously in each step. Further, based on these metallographic state and element solid solution / precipitation state, the steel material is also calculated within a possible range.
次に、ニューラルネットワークモデルにより、種々の材質を予測する。この際、ニューラルネットワークモデルに用いる入力項目は、常識的に考えられる鋼の成分および製造条件の実績値または予想値の他に、上記の金属学的数式モデルで算出される金属組織状態、元素の固溶・析出状態および推定された材質を用いる。本発明の予測方法の要点はこの点にある。すなわち、ニューラルネットワークモデルの入力項目の必須の項目として金属学的数式モデルで算出される金属組織状態、元素の固溶・析出状態および推定された材質を用いるのである。 Next, various materials are predicted by a neural network model. At this time, the input items used for the neural network model include the steel composition state and elemental values calculated by the metallurgical mathematical model described above, in addition to the actual or expected values of steel components and production conditions. Use solid solution / deposition state and estimated material. This is the main point of the prediction method of the present invention. That is, the metal structure state calculated by the metallurgical mathematical model, the solid solution / precipitation state of the element, and the estimated material are used as essential items of the input items of the neural network model.
図１は、このような予測方法のフローを模式的に示したものであるが、金属学的数式モデルとニューラルネットワークモデル間の入出力関係および引き渡し変数の選択に対して種々吟味した結果、本発明に示す入出力関係および引き渡し変数において、高精度の材質の予測が可能であることを見出すに至ったのである。 FIG. 1 schematically shows the flow of such a prediction method. As a result of various examinations on the input / output relationship between the metallurgical mathematical model and the neural network model and selection of the delivery variable, In the input / output relationship and the delivery variable shown in the invention, it has been found that a highly accurate material can be predicted.
このようなハイブリッドモデルによる材質予測方法では、金属学的数式モデルでフェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、パーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度といった金属組織状態や元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれらから算出した材質（降伏強度、引張強度、伸び、延性−脆性遷移温度）が計算されているので、これを用いず鋼の成分と製造条件のみから予測を行う通常のニューラルネットワークモデルによる予測の場合に比較して、その金属学的妥当性は格段に高いものと考えられる。こうした手法により金属学的な妥当性に疑問の持たれるニューラルネットワークモデルのみのよる予測の問題点を補うことが可能である。 In the material prediction method using such a hybrid model, in the metallurgical formula model, ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite grain size, pearlite colony grain size, pearlite lamellar spacing, Metal structure such as cementite fraction, bainite packet size, martensite packet size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and solid solution / precipitation state of elements (solid solution amount, precipitation amount, average particle size of precipitates) ) And the materials calculated from these (yield strength, tensile strength, elongation, ductility-brittle transition temperature) are calculated, and based on the normal neural network model that predicts only from the steel components and production conditions without using this Compared to the prediction case, its metallurgical validity is much higher. It is considered high. Such a method can compensate for the problem of prediction only by the neural network model whose question is metallurgical validity.
また、金属学的数式モデルを適用することのメリットは金属学的妥当性の向上のみではなく、予測精度の向上にも寄与する。通常、鋼の成分や製造条件からは容易に推定できない種々の材質支配因子について、金属学的数式モデルによればこれらを推定することが可能だからである。例えば、Ｎｂなどの元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）は析出強化として鋼の強度を決定する重要な量であるが、成分値からはこれらの状態がどうなっているのかは全く推定できないから、金属学的数式モデルを用いてこれを推定しておき、その推定結果をニューラルネットワークモデルの入力項目として用いることにより、強度の予測精度を向上することができる。 Moreover, the merit of applying the metallurgical mathematical model contributes not only to the improvement of metallurgical validity but also to the improvement of prediction accuracy. This is because various material dominating factors that cannot be easily estimated from steel components and production conditions are usually estimated by a metallurgical mathematical model. For example, the solid solution / precipitation state of elements such as Nb (solid solution amount, precipitation amount, and average particle size of precipitates) is an important amount that determines the strength of steel as precipitation strengthening. It is impossible to estimate what is happening at all, so this is estimated using a metallurgical mathematical model, and the estimation result is used as an input item for the neural network model to improve strength prediction accuracy. Can do.
また、金属学的数式モデルのみによる予測では、金属学的数式モデルが金属学的妥当性を重視するあまり、モデル化の対象となった成分、製造条件の範囲外の条件については、厳密には適用範囲外となり、予測精度が必ずしも良くない場合があることを既に述べた。また、予測する特性についても強度や靱性などといったその支配因子（当該材質と金属組織の関係）が明確となっているものについては、十分な精度を持って予測が可能であるにしても、溶接割れ特性や溶接部靱性、耐食性などといった必ずしもその支配因子が当該材質と金属組織の関係として明確になっていないものについては予測することができないといった問題点もある。 Moreover, in the prediction based only on the metallurgical mathematical model, the metallurgical mathematical model places great importance on the metallurgical validity. It has already been mentioned that the prediction accuracy may not always be good because it falls outside the scope of application. In addition, with regard to the properties to be predicted, if the controlling factors (relationship between the material and the metal structure) such as strength and toughness are clear, welding can be performed with sufficient accuracy. There is also a problem in that it is not possible to predict those whose controlling factors such as crack characteristics, weld toughness, corrosion resistance, etc. are not necessarily clear as the relationship between the material and the metal structure.
しかし、以上のような場合でもニューラルネットワークモデル部分による予測は有効であり、比較的高精度な予測を行うことができる。これは、ニューラルネットワークモデルでは、予測すべき変数と相関の低い変数への重み付けを自動的に低減する作用があるためであり、金属学的数式モデルの予測精度が低い場合には、これらの予測結果に対する重みを自動的に低下させ、精度の高い予測を維持できるのである。 However, even in the above case, the prediction by the neural network model portion is effective, and the prediction can be performed with relatively high accuracy. This is because the neural network model has the effect of automatically reducing the weighting of variables that have a low correlation with the variable to be predicted. The weight on the result can be automatically reduced to maintain a highly accurate prediction.
そこで本発明のハイブリッドモデルにおいては、金属学的数式モデルでは精度の高い予測ができない上記材質項目については金属学的数式モデルでの予測は行わず、精度の高い予測ができる材質項目のみを金属学的数式モデルで算出し、ニューラルネットワークモデルの入力項目とする。このように金属学的数式モデルとニューラルネットワークモデルを複合的に用いて鋼材の材質予測を行う本発明の方法では、金属学的数式モデルとニューラルネットワークモデルそれぞれの利点を生かし、問題点を軽減することが可能なのである。 Therefore, in the hybrid model of the present invention, the material items that cannot be predicted with high accuracy by the metallurgical formula model are not predicted by the metallurgical formula model, and only the material items that can be predicted with high accuracy are analyzed by metallurgy. It is calculated by a mathematical formula model and used as an input item of the neural network model. As described above, the method of the present invention for predicting the material quality of a steel material using a composite of a metallurgical mathematical model and a neural network model makes use of the advantages of the metallurgical mathematical model and the neural network model to reduce problems. It is possible.
本発明のハイブリッドモデルを適用する結果として、鋼板の材質のうち降伏強度、引張強度、伸び、延性−脆性遷移温度、溶接特性（溶接割れ特性や溶接部靱性）、耐食性を高い精度で予測することができる。特に溶接特性（溶接割れ特性や溶接部靱性）、耐食性については、従来の金属学的数式モデルでは精度の高い予測ができなかった材質項目であり、本発明によってはじめて精度の高い材質予測が可能になった。 As a result of applying the hybrid model of the present invention, the yield strength, tensile strength, elongation, ductility-brittle transition temperature, welding characteristics (weld crack characteristics and weld toughness), and corrosion resistance are predicted with high accuracy among steel sheet materials. Can do. In particular, welding characteristics (weld cracking characteristics and weld toughness) and corrosion resistance are material items that could not be predicted with high accuracy by conventional metallurgical mathematical models. became.
上記したような発見に基づき、金属学的数式モデルとニューラルネットワークモデルを複合的に用いて鋼材の材質予測を行う方法を創案した。以下には、本材質予測方法の好ましい限定の理由について述べる。 Based on the findings described above, we have devised a method for predicting the quality of steel materials using a composite of a metallurgical mathematical model and a neural network model. Below, the reason for the preferable limitation of this material prediction method is described.
まず、予測手段として用いるニューラルネットワークモデルについては、特にその内容を限定するものではない。与えられた入力変数に対して、種々の方法によって、中間層を構築し、各変数の重み付けと閾値の設定を行い最終的に予測すべき変数を精度良く予測しさえすればよい。これは、回帰精度の良い予測が可能であり、入力変数への重み付けが可能であれば、既に提案されているどのようなモデルであっても本発明が狙いとする効果が得られるからである。但し、精度を極力向上したり予測に要する時間を短縮するためには、その時点で考え得る最も精度の良いモデルを用いることが望ましい。 First, the content of the neural network model used as the predicting means is not particularly limited. For the given input variable, it is only necessary to construct an intermediate layer by various methods, set the weighting of each variable and set the threshold value, and predict the variable to be predicted with high accuracy. This is because the prediction effect with good regression accuracy is possible, and if the input variable can be weighted, the effect aimed by the present invention can be obtained with any model already proposed. . However, in order to improve accuracy as much as possible or shorten the time required for prediction, it is desirable to use the most accurate model that can be considered at that time.
次に、金属学的数式モデルについても同様にその内容を特定するものではない。しかしながら、金属学的妥当性に基づき、鋳造された鋼片をそのままかあるいは一度冷却した後に再加熱して、圧延、冷却、追加的に焼き戻しを施して製造する鋼板に対して、鋼の成分、製造条件の実績値または予想値を入力として、鋳造された鋼片のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）または再加熱時のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を計算により算出し、その結果に基づき、圧延開始までの冷却中のオーステナイトの結晶粒成長、含有元素の固溶析出状態の変化を算出し、さらに、その結果に基づき熱間圧延中のオーステナイトの再結晶などに基づく熱間圧延中金属組織変化（オーステナイト粒径、オーステナイトの単位体積あたりの粒界面積、転位密度等）および元素の固溶・析出状態を算出する。好ましくは、すべての圧延パスおよびそのパス間時間の冷却中について、次々と算出する。その結果に基づき圧延後の冷却中の変態にともなう金属組織変化および変態組織中における元素の固溶・析出状態を求めることによって最終的に得られる冷却後金属組織状態（フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ等）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれら金属組織状態と固溶・析出状態から算出した材質（降伏強度、引張強度、伸び、延性−脆性遷移温度等）を算出できればよい。 Next, the content of the metallurgical mathematical model is not specified similarly. However, on the basis of metallurgical validity, the steel composition for steel sheets manufactured by rolling, cooling, and additionally tempering the cast steel pieces as they are or after being cooled and then reheated. Using the actual or expected production conditions as input, the austenite metallographic state (austenite grain size) and the solid solution / precipitation state of elements (solid solution amount, precipitation amount, precipitate average particle size) ) Or the austenite metallographic state (austenite particle size) and element solid solution / precipitation state (solid solution amount, precipitation amount, average particle size of precipitates) by calculation, and rolling based on the results Calculates the growth of austenite grains during cooling to the start, changes in the solid solution precipitation state of the contained elements, and based on the results, hot rolling based on recrystallization of austenite during hot rolling, etc. Metal structure changes (austenite grain size, grain boundary area per unit volume of austenite, dislocation density, etc.) to calculate the solid solution-precipitation state of and elements. Preferably, it is calculated one after another for all rolling passes and during cooling during the time between passes. Based on the results, the metallographic state after cooling (the ferrite fraction and the pearlite fraction) finally obtained by determining the metallographic change accompanying the transformation during cooling after rolling and the solid solution and precipitation state of elements in the transformation structure Bainite fraction, martensite fraction, ferrite particle size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and optionally pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, Martensite packet size, etc.) and solid solution / precipitation state of elements (solid solution amount, precipitation amount, average particle size of precipitates) and materials calculated from these metal structure states and solid solution / precipitation states (yield strength, tensile strength, (Elongation, ductility-brittle transition temperature, etc.) may be calculated.
また、追加的に焼き戻し処理を行う場合には、引き続いて行われる焼き戻し処理に対して、焼き戻し時の温度履歴に基づき焼き戻し時の金属組織変化（フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ等）および変態組織中における元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を算出し、これらによって最終的に得られる金属組織状態（フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ等）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれら金属組織状態と固溶・析出状態から材質（降伏強度、引張強度、伸び、延性−脆性遷移温度等）を算出できればよい。 In addition, when additional tempering is performed, the metal structure change during tempering (ferrite fraction, pearlite fraction, bainite) based on the temperature history during tempering, compared to the subsequent tempering process. Fraction, martensite fraction, ferrite particle size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and optionally pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite Packet size, etc.) and the solid solution / precipitation state of elements in the transformation structure (solid solution amount, precipitation amount, average particle size of precipitates), and finally the metal structure state (ferrite fraction, pearlite) Fraction, bainite fraction, martensite fraction, ferrite grain size, ferrite hardness , Pearlite hardness, bainite hardness, martensite hardness and optionally pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, etc.) and solid solution / precipitation state of elements (solid The material (yield strength, tensile strength, elongation, ductility-brittle transition temperature, etc.) may be calculated from the amount of solution, the amount of precipitation, the average particle size of precipitates, and the metal structure state and the solid solution / precipitation state.
これは、金属学的妥当性の高く、高い予測精度が得られれば、どのようなモデルであっても本発明が狙いとする効果が得られるからである。但し、精度を極力向上したり予測に要する時間を短縮するためには、その時点で考え得る最も精度、効率の良いモデルを用いることが望ましい。但し、適用可能なモデルは、それぞれの工程に対する金属組織状態および元素の固溶析出状態について、算出すべき項目を請求項に記載した項目を満たし、これを次々と入力条件として次の工程における金属組織状態および元素の固溶析出状態を算出し、最終的に得られる金属組織状態（フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ等）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を算出し、これら金属組織状態と固溶・析出状態に基づいて材質（降伏強度、引張強度、伸び、延性−脆性遷移温度等）を算出できなければならない。これは、このような条件を満たさなければ、金属学的に妥当なモデルとは言えず、その信頼性が高くないからである。 This is because the effect aimed by the present invention can be obtained with any model as long as the metallographic validity is high and high prediction accuracy is obtained. However, in order to improve accuracy as much as possible and shorten the time required for prediction, it is desirable to use the most accurate and efficient model that can be considered at that time. However, applicable models satisfy the items described in the claims for the metallographic state and element solid solution precipitation state for each process, and use this as an input condition one after another for the metal in the next process. Calculate the structure state and solid solution precipitation state of the element, and finally obtain the metal structure state (ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite particle size, ferrite hardness, pearlite hardness, bainite Hardness, martensite hardness and optionally pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, etc.) and element solid solution / precipitation state (solid solution amount, precipitation amount) The average particle size of the precipitates) is calculated, and the metal structure state and the solid solution / precipitation state are calculated. Zui and material (yield strength, tensile strength, elongation, ductile - brittle transition temperature, etc.) must be able to calculate the. This is because if such a condition is not satisfied, it cannot be said to be a metallurgical model and its reliability is not high.
直送圧延材においては、連続鋳造完了後に鋳片が有する顕熱をそのまま利用して熱間圧延を行うものであり、熱間圧延の前に再加熱を行わない。従って、本発明を直送圧延材に適用するためには、再加熱時のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）を計算により算出する代わりに鋳造された鋼片のオーステナイトの金属組織状態（オーステナイト粒径、含有元素の固溶・析出状態（固溶量、析出量、析出物平均粒径））を計算により算出することとなる。 In the direct-rolled material, hot rolling is performed using the sensible heat of the slab as it is after completion of continuous casting, and reheating is not performed before hot rolling. Accordingly, in order to apply the present invention to a direct-rolled rolled material, the metallographic state of austenite (austenite grain size) and the solid solution / precipitation state of elements (solid solution amount, precipitation amount, precipitate average particle size) during reheating ) By calculation instead of calculating the austenite metallographic state (austenite particle size, solid solution / precipitation state of the contained elements (solid solution amount, precipitation amount, precipitate average particle size)) by calculation Will be calculated.
金属学的数式モデルによって算出する熱間圧延中金属組織変化については、オーステナイト粒径、オーステナイトの単位体積あたりの粒界面積、転位密度、オーステナイトの扁平率、アスペクト比、オーステナイト粒内のサブグレインサイズ、再結晶率、再結晶オーステナイト粒径、未再結晶オーステナイト粒径のうちの３個以上であることとすると好ましい。 Regarding the change in microstructure during hot rolling calculated by metallurgical formula model, austenite grain size, grain interfacial area per unit volume of austenite, dislocation density, austenite flatness, aspect ratio, subgrain size within austenite grain The recrystallization rate, the recrystallized austenite grain size, and the non-recrystallized austenite grain size are preferably 3 or more.
金属学的数式モデルによって算出する冷却後金属組織状態については、フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、ベイナイトブロックサイズ、ベイナイトラスサイズ、マルテンサイトブロックサイズ、マルテンサイトラスサイズのうちの３個以上であることとすると好ましい。 For the metallographic state after cooling calculated by the metallurgical mathematical model, the ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite particle size, ferrite hardness, pearlite hardness, bainite hardness, martensite hardness and 3 or more of pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, bainite block size, bainite lath size, martensite block size, martensite lath size It is preferable that it is.
金属学的数式モデルによって算出する材質については、降伏強度、引張強度、伸び、延性−脆性遷移温度、降伏伸び、均一伸びのうちの１個以上であることとすると好ましい。 The material calculated by the metallurgical mathematical model is preferably one or more of yield strength, tensile strength, elongation, ductility-brittle transition temperature, yield elongation, and uniform elongation.
金属学的数式モデルによって算出する焼き戻し時の金属組織変化及び焼き戻し後の金属組織状態とは、フェライト分率、パーライト分率、ベイナイト分率、マルテンサイト分率、フェライト粒径、フェライト硬度、パーライト硬度、ベイナイト硬度、マルテンサイト硬度および選択的にパーライトコロニー粒径、パーライトラメラー間隔、パーライト中のセメンタイト分率、ベイナイトパケットサイズ、マルテンサイトパケットサイズ、ベイナイトブロックサイズ、ベイナイトラスサイズ、マルテンサイトブロックサイズ、マルテンサイトラスサイズのうちの３個以上であることとすると好ましい。 Metal structure change at the time of tempering calculated by metallurgical formula model and the metal structure state after tempering are ferrite fraction, pearlite fraction, bainite fraction, martensite fraction, ferrite grain size, ferrite hardness, Perlite hardness, bainite hardness, martensite hardness and optionally pearlite colony particle size, pearlite lamellar spacing, cementite fraction in pearlite, bainite packet size, martensite packet size, bainite block size, bainite lath size, martensite block size The martensite lath size is preferably 3 or more.
上記に説明してきた本発明の材質予測方法によれば、鋼材の材質の高精度な予測が可能となり、製造前に実施する製造方法の事前検討やその決定、製造段階における製造条件の不測の変動に対する製造条件の制御による材質の安定化、製造後の製品に対して非破壊かつ製品の全位置において品質保証などが可能となる。 According to the material prediction method of the present invention described above, it is possible to predict the quality of steel materials with high accuracy, and prior investigation and determination of manufacturing methods to be performed before manufacturing, and unforeseen fluctuations in manufacturing conditions at the manufacturing stage. This makes it possible to stabilize the material by controlling the manufacturing conditions, and to guarantee the quality at all positions of the product in a non-destructive manner after the product is manufactured.
本発明の実施例によって発明の有効性を示す。実施例におけるニューラルネットワークモデルは、バックプロパゲーション法を用いた３階層のモデルを用いており、中間層のユニット数は１５である。次に、金属学的数式モデルについては、非特許文献１に記載のあるものを用いた。学習に用いたデータは、表１に示す成分範囲および表２に示す製造条件範囲の鋼材に関する１００例のデータを用いた。学習に際し、予測すべき材質については実測値をデータとして用い、金属組織状態、元素の固溶・析出状態及び金属学的数式モデルで算出すべき材質については金属学的数式モデルによって算出した値をデータとして用いた。 The effectiveness of the invention is illustrated by examples of the invention. The neural network model in the embodiment uses a three-layer model using the back propagation method, and the number of units in the intermediate layer is 15. Next, the metallurgical mathematical model described in Non-Patent Document 1 was used. As the data used for learning, 100 examples of data relating to steel materials in the component ranges shown in Table 1 and the manufacturing condition ranges shown in Table 2 were used. In learning, the measured values are used as data for the material to be predicted, and the values calculated by the metallurgical formula model are used for the metal structure state, element solid solution / precipitation state, and the material to be calculated by the metallurgical formula model. Used as data.
予測精度の評価は、学習に用いた１００例とは異なる２４の鋼材について、本発明の方法を適用した場合、金属学的数式モデル単独で予測を行った場合、ニューラルネットワークモデルを単独で用いた場合の３種類の予測方法を降伏応力と引っ張り強度の予測について比較した。 The prediction accuracy was evaluated by using the neural network model alone when predicting the metallurgical formula model alone when applying the method of the present invention to 24 steel materials different from the 100 examples used for learning. Three kinds of prediction methods were compared for prediction of yield stress and tensile strength.
表３〜５および図２〜７に結果を示す。降伏応力と引張強度の予測について、実測値と計算値（予測値）の差の２乗の平均値の平方根σで評価する。図２、３は本発明のハイブリッドモデルを用いた予測値を実測値と比較してものである。それぞれ、１１．２ＭＰａ、６．６ＭＰａと高い精度を示す。図４、５は金属学的数式モデルを用いた予測値を実測値と比較したものである。それぞれ２３．８ＭＰａ、１４．４ＭＰａと高い値を示し、予測の精度が良くないことが判る。図６、７はニューラルネットワークモデルを単独で用いた場合の予測値を実測値と比較したものである。これについても同様に１４．４ＭＰａ、１２．２ＭＰａとなり、本発明の方法に比較して予測精度が良くないことが確認できる。 The results are shown in Tables 3 to 5 and FIGS. The prediction of yield stress and tensile strength is evaluated by the square root σ of the mean value of the square of the difference between the measured value and the calculated value (predicted value). 2 and 3 compare the predicted values using the hybrid model of the present invention with the actual measured values. High accuracy of 11.2 MPa and 6.6 MPa, respectively. 4 and 5 compare the predicted values using the metallurgical mathematical model with the actual measured values. It shows a high value of 23.8 MPa and 14.4 MPa, respectively, indicating that the prediction accuracy is not good. FIGS. 6 and 7 compare the predicted values when the neural network model is used alone with the actually measured values. Similarly, it is 14.4 MPa and 12.2 MPa, and it can be confirmed that the prediction accuracy is not good as compared with the method of the present invention.
以上のことより、本発明の材質予測方法は高い精度を示すことが明らかであり、本発明は有効である。 From the above, it is clear that the material prediction method of the present invention shows high accuracy, and the present invention is effective.
Claims (8)
予測手段としてニューラルネットワークモデルを用い、
ニューラルネットワークモデルの入力項目として、鋼の成分、製造条件の実績値または予想値に加え、
材質を予測すべき鋼板について、鋼の成分と製造条件の実績値または予想値から金属学的数式モデルによって、再加熱時のオーステナイトの金属組織状態（オーステナイト粒径）および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径））を計算により算出し、その結果に基づき、圧延開始までの冷却中のオーステナイトの結晶粒成長、元素の固溶析出状態の変化を算出し、さらに、その結果に基づき熱間圧延中金属組織変化および元素の固溶・析出状態を算出し、その結果に基づき圧延後の冷却中の変態にともなう金属組織変化および変態組織中における元素の固溶・析出状態を求めることによって最終的に得られる冷却後金属組織状態および元素の固溶・析出状態（固溶量、析出量、析出物平均粒径）およびこれら冷却後金属組織状態と固溶・析出状態から算出した材質を入力項目として用いることを特徴とする鋼材の材質予測方法。 After reheating the cast steel slab, rolling, cooling the steel sheet to be manufactured, in the method of predicting the material of the steel sheet, using the steel composition, the actual value or the predicted value of the manufacturing conditions as input,
Using a neural network model as a predictor,
As an input item of the neural network model, in addition to the steel component, the actual value or the expected value of the manufacturing conditions,
For steel sheets whose materials should be predicted, the metal structure state of austenite (austenite grain size) and element solid solution / precipitation state at the time of reheating, using the metallurgical mathematical model from the actual or predicted values of steel components and production conditions (Solution amount, precipitation amount, average particle size of precipitates)) is calculated, and based on the results, the austenite crystal grain growth during cooling until the start of rolling and the change in the solid solution precipitation state of the elements are calculated. Furthermore, based on the results, the changes in the metal structure during hot rolling and the solid solution / precipitation state of the elements are calculated, and on the basis of the results, the changes in the metal structure accompanying the transformation during cooling after rolling and the solidification of elements in the transformation structure. The final metal structure after cooling and the solid solution / precipitation state of elements (solid solution amount, precipitation amount, average particle size of precipitates) obtained by determining the dissolution / precipitation state, and these metal groups after cooling Material prediction method of the steel which is characterized by using the material calculated from the state solid solution-precipitation state as input fields.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004133415A JP2005315703A (en) | 2004-04-28 | 2004-04-28 | Method for predicting material in steel material |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004133415A JP2005315703A (en) | 2004-04-28 | 2004-04-28 | Method for predicting material in steel material |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2005315703A true JP2005315703A (en) | 2005-11-10 |
Family
ID=35443293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2004133415A Pending JP2005315703A (en) | 2004-04-28 | 2004-04-28 | Method for predicting material in steel material |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2005315703A (en) |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007138261A (en) * | 2005-11-21 | 2007-06-07 | Jfe Steel Kk | High strength steel sheet and its manufacturing method |
| JP2008007809A (en) * | 2006-06-28 | 2008-01-17 | Toyota Central Res & Dev Lab Inc | Method and device for predicting steel material structure, and program |
| CN102279222A (en) * | 2011-05-16 | 2011-12-14 | 北京航空航天大学 | 16Mn steel load carrying piece fatigue damage state identification system based on spot noise figure (SNF) strategy and direct stream digital (DSD) strategy |
| CN102279223A (en) * | 2011-05-16 | 2011-12-14 | 北京航空航天大学 | Identifying and assessing system for deformation and damage of 16Mn steel welded structure on basis of SNF (Strongest Neighbor Filter) and DSD (Deformation Sensitive Decimation) policies |
| CN102288679A (en) * | 2011-05-16 | 2011-12-21 | 北京航空航天大学 | System for identifying fatigue damage state of 16Mn steel welding position based on strongest neighbor filter (SNF) strategy and direct stream digital (DSD) strategy |
| JP2012047599A (en) * | 2010-08-26 | 2012-03-08 | Kobe Steel Ltd | Bainitic phase structure prediction method |
| CN102719644A (en) * | 2012-06-29 | 2012-10-10 | 武汉大学 | Forecasting method of inner and outer wall temperature difference of 9% Cr martensitic steel thick wall pipeline in heat treatment |
| CN102816917A (en) * | 2012-09-11 | 2012-12-12 | 河北沧海重工股份有限公司 | Position determining method for postweld heat treatment temperature equivalent points of inner walls of steel pipes with 9 percent of Cr |
| WO2016056129A1 (en) * | 2014-10-10 | 2016-04-14 | Ｊｆｅスチール株式会社 | Material-property-value estimating method, material-property-value estimating device, and steel-strip manufacturing method |
| CN107723458A (en) * | 2017-11-17 | 2018-02-23 | 湖南大学 | Heat treatment can reinforced aluminium alloy ag(e)ing process on-line monitoring method |
| CN107881318A (en) * | 2017-11-15 | 2018-04-06 | 武汉大学 | A kind of method of optimization design 9%Cr refractory steel pipeline post weld heat treatment number of partitions |
| KR101899690B1 (en) | 2016-12-23 | 2018-09-17 | 주식회사 포스코 | Method and Apparatus for Optimizing Production Conditions of Plate Using Standardization of DWTT Shear Area Data |
| JP2019012037A (en) * | 2017-06-30 | 2019-01-24 | Ｊｆｅスチール株式会社 | Material characteristic estimation device and material characteristic estimation method |
| JP2019105592A (en) * | 2017-12-14 | 2019-06-27 | マツダ株式会社 | Mechanical characteristic estimation method for cast, mechanical characteristic estimation system, mechanical characteristic estimation program and computer-readable recording medium with mechanical characteristic estimation program recorded thereon |
| CN110263406A (en) * | 2019-06-13 | 2019-09-20 | 湖南大学 | The heat treatment method and its optimization method of oversized module gear under low-speed heave-load |
| CN111398282A (en) * | 2020-04-21 | 2020-07-10 | 广东韶钢松山股份有限公司 | Quantitative analysis method for carbon steel sorbite |
| KR102143118B1 (en) | 2019-06-13 | 2020-08-10 | 주식회사 포스코 | Temperature control apparatus and method thereof |
| WO2021250957A1 (en) * | 2020-06-10 | 2021-12-16 | Ｊｆｅスチール株式会社 | Hardness prediction method of thermally-treated rail, thermal treatment method, hardness prediction device, thermal treatment device, manufacturing method, manufacturing facilities, and generating method of hardness prediction model |
| JP7031707B1 (en) | 2020-09-03 | 2022-03-08 | Ｊｆｅスチール株式会社 | Method for predicting the amount of hydrogen in steel, method for controlling the amount of hydrogen in steel, manufacturing method, method for generating a model for predicting the amount of hydrogen in steel, and device for predicting the amount of hydrogen in steel. |
| WO2022049859A1 (en) * | 2020-09-03 | 2022-03-10 | Ｊｆｅスチール株式会社 | Steel strip absorbed hydrogen amount prediction method, absorbed hydrogen amount control method, manufacturing method, generation method of absorbed hydrogen amount prediction model, and absorbed hydrogen amount prediction device |
| JP2022042844A (en) * | 2020-09-03 | 2022-03-15 | Ｊｆｅスチール株式会社 | Prediction method for in-steel hydrogen amount of steel band, in-steel hydrogen amount control method, steel band production method, generation method for in-steel hydrogen amount prediction model and in-steel hydrogen amount prediction device |
| WO2022054500A1 (en) | 2020-09-14 | 2022-03-17 | Ｊｆｅスチール株式会社 | System for predicting material characteristic value, and method for producing metal sheet |
| JPWO2022059186A1 (en) * | 2020-09-18 | 2022-03-24 | ||
| WO2022108227A1 (en) * | 2020-11-23 | 2022-05-27 | 경상국립대학교산학협력단 | Linear regression strength prediction method using microstructure fraction of steel material |
| JP7148024B1 (en) * | 2021-04-01 | 2022-10-05 | Ｊｆｅスチール株式会社 | Steel plate material prediction model generation method, material prediction method, manufacturing method, and manufacturing equipment |
| JP2022192003A (en) * | 2021-06-16 | 2022-12-28 | Ｊｆｅスチール株式会社 | Surface layer hardness prediction model and predictive control method for surface layer hardness of steel plate using the same, control command device, steel plate manufacturing line, and steel plate manufacturing method |
| CN115561076A (en) * | 2022-12-05 | 2023-01-03 | 潍柴动力股份有限公司 | Method for predicting tensile strength of vermicular graphite cast iron |
| KR20230010331A (en) * | 2021-07-12 | 2023-01-19 | 한국재료연구원 | Manufacturing methof for duplex stainless steel |
| JP7211461B1 (en) | 2021-09-03 | 2023-01-24 | Ｊｆｅスチール株式会社 | Method for Predicting Tension-Compression Reversal Load Behavior of Metal Materials |
| EP4124398A1 (en) | 2021-07-27 | 2023-02-01 | Primetals Technologies Austria GmbH | Method for determining mechanical properties of a product to be rolled using a hybrid model |
| JP7501173B2 (en) | 2020-07-08 | 2024-06-18 | 株式会社ジェイテクト | METHOD FOR MANUFACTURING LEARNING MODEL USED IN QUALITY ASSESSMENT, LEARNING SYSTEM, QUALITY ASSESSMENT SYSTEM, AND QUALITY ASSESSMENT METHOD |
| WO2024204515A1 (en) * | 2023-03-31 | 2024-10-03 | 日本発條株式会社 | Analysis method, program, and analysis device |
-
2004
- 2004-04-28 JP JP2004133415A patent/JP2005315703A/en active Pending
Cited By (59)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4696870B2 (en) * | 2005-11-21 | 2011-06-08 | Ｊｆｅスチール株式会社 | High strength steel plate and manufacturing method thereof |
| JP2007138261A (en) * | 2005-11-21 | 2007-06-07 | Jfe Steel Kk | High strength steel sheet and its manufacturing method |
| JP2008007809A (en) * | 2006-06-28 | 2008-01-17 | Toyota Central Res & Dev Lab Inc | Method and device for predicting steel material structure, and program |
| JP2012047599A (en) * | 2010-08-26 | 2012-03-08 | Kobe Steel Ltd | Bainitic phase structure prediction method |
| CN102279222A (en) * | 2011-05-16 | 2011-12-14 | 北京航空航天大学 | 16Mn steel load carrying piece fatigue damage state identification system based on spot noise figure (SNF) strategy and direct stream digital (DSD) strategy |
| CN102279223A (en) * | 2011-05-16 | 2011-12-14 | 北京航空航天大学 | Identifying and assessing system for deformation and damage of 16Mn steel welded structure on basis of SNF (Strongest Neighbor Filter) and DSD (Deformation Sensitive Decimation) policies |
| CN102288679A (en) * | 2011-05-16 | 2011-12-21 | 北京航空航天大学 | System for identifying fatigue damage state of 16Mn steel welding position based on strongest neighbor filter (SNF) strategy and direct stream digital (DSD) strategy |
| CN102719644B (en) * | 2012-06-29 | 2013-12-04 | 武汉大学 | Forecasting method of inner and outer wall temperature difference of 9% Cr martensitic steel thick wall pipeline in heat treatment |
| CN102719644A (en) * | 2012-06-29 | 2012-10-10 | 武汉大学 | Forecasting method of inner and outer wall temperature difference of 9% Cr martensitic steel thick wall pipeline in heat treatment |
| CN102816917A (en) * | 2012-09-11 | 2012-12-12 | 河北沧海重工股份有限公司 | Position determining method for postweld heat treatment temperature equivalent points of inner walls of steel pipes with 9 percent of Cr |
| WO2016056129A1 (en) * | 2014-10-10 | 2016-04-14 | Ｊｆｅスチール株式会社 | Material-property-value estimating method, material-property-value estimating device, and steel-strip manufacturing method |
| JP6086155B2 (en) * | 2014-10-10 | 2017-03-01 | Ｊｆｅスチール株式会社 | Material property value estimation method, material property value estimation device, and steel strip manufacturing method |
| KR20170049587A (en) * | 2014-10-10 | 2017-05-10 | 제이에프이 스틸 가부시키가이샤 | Material-property-value estimating method, material-property-value estimating device, and steel-strip manufacturing method |
| CN106794499A (en) * | 2014-10-10 | 2017-05-31 | 杰富意钢铁株式会社 | The manufacture method of material property value presumption method, material property value estimating device and steel band |
| US10843247B2 (en) | 2014-10-10 | 2020-11-24 | Jfe Steel Corporation | Material property value estimating method, material property value estimating device, and steel-strip manufacturing method |
| KR101897022B1 (en) * | 2014-10-10 | 2018-09-10 | 제이에프이 스틸 가부시키가이샤 | Material-property-value estimating method, material-property-value estimating device, and steel-strip manufacturing method |
| KR101899690B1 (en) | 2016-12-23 | 2018-09-17 | 주식회사 포스코 | Method and Apparatus for Optimizing Production Conditions of Plate Using Standardization of DWTT Shear Area Data |
| JP2019012037A (en) * | 2017-06-30 | 2019-01-24 | Ｊｆｅスチール株式会社 | Material characteristic estimation device and material characteristic estimation method |
| CN107881318A (en) * | 2017-11-15 | 2018-04-06 | 武汉大学 | A kind of method of optimization design 9%Cr refractory steel pipeline post weld heat treatment number of partitions |
| CN107723458A (en) * | 2017-11-17 | 2018-02-23 | 湖南大学 | Heat treatment can reinforced aluminium alloy ag(e)ing process on-line monitoring method |
| JP2019105592A (en) * | 2017-12-14 | 2019-06-27 | マツダ株式会社 | Mechanical characteristic estimation method for cast, mechanical characteristic estimation system, mechanical characteristic estimation program and computer-readable recording medium with mechanical characteristic estimation program recorded thereon |
| US10974318B2 (en) | 2017-12-14 | 2021-04-13 | Mazda Motor Corporation | Cast product mechanical characteristic prediction method, cast product mechanical characteristic prediction system, and computer readable recording medium recording cast product mechanical characteristic prediction program |
| CN110263406A (en) * | 2019-06-13 | 2019-09-20 | 湖南大学 | The heat treatment method and its optimization method of oversized module gear under low-speed heave-load |
| KR102143118B1 (en) | 2019-06-13 | 2020-08-10 | 주식회사 포스코 | Temperature control apparatus and method thereof |
| CN110263406B (en) * | 2019-06-13 | 2022-12-06 | 湖南大学 | Heat treatment method and optimization method for ultra-large module gear under low-speed heavy load |
| CN111398282A (en) * | 2020-04-21 | 2020-07-10 | 广东韶钢松山股份有限公司 | Quantitative analysis method for carbon steel sorbite |
| CN111398282B (en) * | 2020-04-21 | 2023-03-14 | 广东韶钢松山股份有限公司 | Quantitative analysis method for carbon steel sorbite |
| WO2021250957A1 (en) * | 2020-06-10 | 2021-12-16 | Ｊｆｅスチール株式会社 | Hardness prediction method of thermally-treated rail, thermal treatment method, hardness prediction device, thermal treatment device, manufacturing method, manufacturing facilities, and generating method of hardness prediction model |
| JP2021195577A (en) * | 2020-06-10 | 2021-12-27 | Ｊｆｅスチール株式会社 | Hardness prediction method, heat treatment method, hardness prediction device, heat treatment device, manufacturing method, manufacturing equipment, and generation method of hardness prediction model for heat treated rail |
| JP7294243B2 (en) | 2020-06-10 | 2023-06-20 | Ｊｆｅスチール株式会社 | HARDNESS PREDICTION METHOD FOR HEAT-TREATED RAIL, HEAT TREATMENT METHOD, HARDNESS PREDICTION DEVICE, HEAT TREATMENT APPARATUS, MANUFACTURING METHOD, MANUFACTURING EQUIPMENT, AND HARDNESS PREDICTION MODEL GENERATION METHOD |
| JP7501173B2 (en) | 2020-07-08 | 2024-06-18 | 株式会社ジェイテクト | METHOD FOR MANUFACTURING LEARNING MODEL USED IN QUALITY ASSESSMENT, LEARNING SYSTEM, QUALITY ASSESSMENT SYSTEM, AND QUALITY ASSESSMENT METHOD |
| WO2022049859A1 (en) * | 2020-09-03 | 2022-03-10 | Ｊｆｅスチール株式会社 | Steel strip absorbed hydrogen amount prediction method, absorbed hydrogen amount control method, manufacturing method, generation method of absorbed hydrogen amount prediction model, and absorbed hydrogen amount prediction device |
| JP7088244B2 (en) | 2020-09-03 | 2022-06-21 | Ｊｆｅスチール株式会社 | Method for predicting the amount of hydrogen in steel, method for controlling the amount of hydrogen in steel, manufacturing method, method for generating a model for predicting the amount of hydrogen in steel, and device for predicting the amount of hydrogen in steel. |
| JP2022042843A (en) * | 2020-09-03 | 2022-03-15 | Ｊｆｅスチール株式会社 | Prediction method for in-steel hydrogen amount of steel band, in-steel hydrogen amount control method, steel band production method, generation method for in-steel hydrogen amount prediction model and in-steel hydrogen amount prediction device |
| JP2022042844A (en) * | 2020-09-03 | 2022-03-15 | Ｊｆｅスチール株式会社 | Prediction method for in-steel hydrogen amount of steel band, in-steel hydrogen amount control method, steel band production method, generation method for in-steel hydrogen amount prediction model and in-steel hydrogen amount prediction device |
| JP7031707B1 (en) | 2020-09-03 | 2022-03-08 | Ｊｆｅスチール株式会社 | Method for predicting the amount of hydrogen in steel, method for controlling the amount of hydrogen in steel, manufacturing method, method for generating a model for predicting the amount of hydrogen in steel, and device for predicting the amount of hydrogen in steel. |
| WO2022054500A1 (en) | 2020-09-14 | 2022-03-17 | Ｊｆｅスチール株式会社 | System for predicting material characteristic value, and method for producing metal sheet |
| JPWO2022059186A1 (en) * | 2020-09-18 | 2022-03-24 | ||
| JP7542685B2 (en) | 2020-09-18 | 2024-08-30 | 株式会社東芝 | Particle size estimation device, particle size estimation method, particle size estimation program, particle size estimation system |
| US12067703B2 (en) | 2020-09-18 | 2024-08-20 | Kabushiki Kaisha Toshiba | Grain size estimation device, grain size estimation method, grain size estimation program, and grain size estimation system |
| JP7297083B2 (en) | 2020-09-18 | 2023-06-23 | 株式会社東芝 | Particle size estimation device, particle size estimation method, particle size estimation program, particle size estimation system. |
| WO2022059186A1 (en) * | 2020-09-18 | 2022-03-24 | 株式会社東芝 | Grain size estimation device, grain size estimation method, grain size estimation program, and grain size estimation system |
| KR102464073B1 (en) * | 2020-11-23 | 2022-11-04 | 경상국립대학교산학협력단 | Metho d for strength predicting of linear regression by microstructural volume fraction of steel materials measured with ebsd |
| KR20220070634A (en) * | 2020-11-23 | 2022-05-31 | 경상국립대학교산학협력단 | Metho d for strength predicting of linear regression by microstructural volume fraction of steel materials measured with ebsd |
| WO2022108227A1 (en) * | 2020-11-23 | 2022-05-27 | 경상국립대학교산학협력단 | Linear regression strength prediction method using microstructure fraction of steel material |
| JP7148024B1 (en) * | 2021-04-01 | 2022-10-05 | Ｊｆｅスチール株式会社 | Steel plate material prediction model generation method, material prediction method, manufacturing method, and manufacturing equipment |
| WO2022209320A1 (en) * | 2021-04-01 | 2022-10-06 | Ｊｆｅスチール株式会社 | Method of generating steel-plate material prediction model, material prediction method, manufacturing method, and manufacturing facility |
| JP2022192003A (en) * | 2021-06-16 | 2022-12-28 | Ｊｆｅスチール株式会社 | Surface layer hardness prediction model and predictive control method for surface layer hardness of steel plate using the same, control command device, steel plate manufacturing line, and steel plate manufacturing method |
| JP7513046B2 (en) | 2021-06-16 | 2024-07-09 | Ｊｆｅスチール株式会社 | Surface layer hardness prediction model, method for predicting and controlling surface layer hardness of steel plate using the same, control command device, steel plate production line, and steel plate production method |
| KR102541020B1 (en) | 2021-07-12 | 2023-06-05 | 한국재료연구원 | Manufacturing methof for duplex stainless steel |
| KR20230010331A (en) * | 2021-07-12 | 2023-01-19 | 한국재료연구원 | Manufacturing methof for duplex stainless steel |
| WO2023006430A1 (en) | 2021-07-27 | 2023-02-02 | Primetals Technologies Austria GmbH | Method for determining mechanical properties of a rolled material using a hybrid model |
| EP4124398A1 (en) | 2021-07-27 | 2023-02-01 | Primetals Technologies Austria GmbH | Method for determining mechanical properties of a product to be rolled using a hybrid model |
| US12093796B2 (en) | 2021-07-27 | 2024-09-17 | Primetals Technologies Austria GmbH | Method for determining mechanical properties of a rolled material using a hybrid model |
| JP2023037100A (en) * | 2021-09-03 | 2023-03-15 | Ｊｆｅスチール株式会社 | Prediction method for tension compression reversal load behavior of metal material |
| WO2023032370A1 (en) * | 2021-09-03 | 2023-03-09 | Ｊｆｅスチール株式会社 | Method for predicting tension-compression reverse loading behavior of metal material |
| JP7211461B1 (en) | 2021-09-03 | 2023-01-24 | Ｊｆｅスチール株式会社 | Method for Predicting Tension-Compression Reversal Load Behavior of Metal Materials |
| CN115561076A (en) * | 2022-12-05 | 2023-01-03 | 潍柴动力股份有限公司 | Method for predicting tensile strength of vermicular graphite cast iron |
| WO2024204515A1 (en) * | 2023-03-31 | 2024-10-03 | 日本発條株式会社 | Analysis method, program, and analysis device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2005315703A (en) | Method for predicting material in steel material | |
| Wang et al. | Uncertainty quantification and composition optimization for alloy additive manufacturing through a CALPHAD-based ICME framework | |
| Sheikh et al. | Estimation of flow stress behavior of AA5083 using artificial neural networks with regard to dynamic strain ageing effect | |
| CN104602830B (en) | Material structure prediction meanss, Manufacturing Method of Products and material structure Forecasting Methodology | |
| Singh et al. | Neural network analysis of steel plate processing | |
| JP2017511752A (en) | Method for producing metal steel alloys and / or iron alloys in hot and thick plate mills using optimized structure simulators, structure monitors and / or structure models | |
| JPWO2006040823A1 (en) | Material control method and apparatus for rolling, forging or straightening line | |
| WO1992021970A1 (en) | Method of estimating material of steel product | |
| TWI759770B (en) | Quality prediction model generation method, quality prediction model, quality prediction method, manufacturing method of metal material, quality prediction model generation device, and quality prediction device | |
| JP5957731B2 (en) | Manufacturing condition determining method, manufacturing condition determining apparatus and manufacturing condition determining program for cold rolled steel sheet | |
| Wang et al. | New method to develop High temperature constitutive model of metal based on the Arrhenius-type model | |
| Domański et al. | Determination of the final microstructure during processing carbon steel hardening | |
| CN109563560A (en) | Method for producing rolling cladding sheet | |
| Bombač et al. | Amelioration of surface cracking during hot rolling of AISI D2 tool steel | |
| CN110674568A (en) | Method for predicting mechanical property of bar | |
| JP5682131B2 (en) | Steel material prediction device | |
| RU2729801C1 (en) | Method of producing rolled steel | |
| KR102143118B1 (en) | Temperature control apparatus and method thereof | |
| JP6610301B2 (en) | Hardness analysis method and hardness analysis program | |
| Thankachan et al. | Artificial neural network modeling to evaluate and predict the mechanical strength of duplex stainless steel during casting | |
| CN115985424A (en) | BP neural network-based part heat treatment performance prediction method and system | |
| JP7287416B2 (en) | Thick steel plate manufacturing specification determination support device, manufacturing specification search method, computer program, computer-readable recording medium, and thick steel plate manufacturing method | |
| Karabulut et al. | Fatigue of wire arc additively manufactured components made of unalloyed S355 steel | |
| Jagadish et al. | Prediction of mechanical properties of fe 415 steel in hot rolling process using artificial neural network | |
| JP2010207900A (en) | Method of predicting deformation resistance in hot rolling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060907 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070815 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070828 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071026 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20071127 |