KR20210110368A - 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치 - Google Patents
금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치 Download PDFInfo
- Publication number
- KR20210110368A KR20210110368A KR1020217024454A KR20217024454A KR20210110368A KR 20210110368 A KR20210110368 A KR 20210110368A KR 1020217024454 A KR1020217024454 A KR 1020217024454A KR 20217024454 A KR20217024454 A KR 20217024454A KR 20210110368 A KR20210110368 A KR 20210110368A
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing
- manufacturing specification
- performance data
- less
- predictive model
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000007769 metal material Substances 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 229910000831 Steel Inorganic materials 0.000 claims description 78
- 239000010959 steel Substances 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 35
- 239000000203 mixture Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000001816 cooling Methods 0.000 description 37
- 238000005096 rolling process Methods 0.000 description 31
- 238000010438 heat treatment Methods 0.000 description 27
- 238000005457 optimization Methods 0.000 description 24
- 239000010410 layer Substances 0.000 description 23
- 230000000694 effects Effects 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 16
- 238000009749 continuous casting Methods 0.000 description 12
- 238000005098 hot rolling Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 230000001965 increasing effect Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 229910000859 α-Fe Inorganic materials 0.000 description 9
- 230000001771 impaired effect Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 238000007670 refining Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000010365 information processing Effects 0.000 description 5
- 239000013077 target material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229910001566 austenite Inorganic materials 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 3
- 239000000956 alloy Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000002244 precipitate Substances 0.000 description 3
- 239000006104 solid solution Substances 0.000 description 3
- 229910000805 Pig iron Inorganic materials 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000001953 recrystallisation Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KNMAVSAGTYIFJF-UHFFFAOYSA-N 1-[2-[(2-hydroxy-3-phenoxypropyl)amino]ethylamino]-3-phenoxypropan-2-ol;dihydrochloride Chemical compound Cl.Cl.C=1C=CC=CC=1OCC(O)CNCCNCC(O)COC1=CC=CC=C1 KNMAVSAGTYIFJF-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004593 Epoxy Substances 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910001567 cementite Inorganic materials 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- KSOKAHYVTMZFBJ-UHFFFAOYSA-N iron;methane Chemical compound C.[Fe].[Fe].[Fe] KSOKAHYVTMZFBJ-UHFFFAOYSA-N 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B3/00—Rolling materials of special alloys so far as the composition of the alloy requires or permits special rolling methods or sequences ; Rolling of aluminium, copper, zinc or other non-ferrous metals
- B21B3/02—Rolling special iron alloys, e.g. stainless steel
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C33/00—Making ferrous alloys
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Heat Treatment Of Steel (AREA)
- General Factory Administration (AREA)
Abstract
금속 재료의 제조 시의 외란에 대한 로버스트성을 높일 수 있는 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치를 제공한다.
금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 스텝과, 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 탐색하는 스텝을 포함한다.
금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 스텝과, 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 탐색하는 스텝을 포함한다.
Description
관련 출원의 상호 참조
본 출원은, 2019년 1월 17일에 일본에 특허 출원된 일본 특허출원 2019-006221 의 우선권을 주장하는 것이며, 이 출원의 개시 전체를 여기에 참조를 위해서 받아들인다.
본 발명은, 강재 등의 금속 재료의 제조 방법에 관한 것이다. 보다 구체적으로는, 본 발명은, 원하는 특성을 바람직하게 하는 금속 재료의 제조 사양 결정 방법, 이러한 방법에 의해 결정된 제조 사양으로 금속 재료를 제조하는 제조 방법, 및 제조 사양 결정 장치에 관한 것이다.
선박, 해양 구조물, 교량, 건축물, 탱크 및 건산기 등의 구조물에 사용되는 강재에, 그 구조물의 설계의 합리화 및 강재 사용 중량의 저감을 목적으로 하여, 고강도화 및 박육화한 장척재가 적용되는 경우가 많아지고 있다. 이와 같은 강재에 있어서는, 강도 및 인성 등의 기계적 성질 및 용접성이 우수한 것에 부가하여, 외력에 대해 구조물의 구조 안전성을 담보하기 위해서 충격 에너지 흡수능이 우수할 것이 요구되는 경우가 있다.
예를 들어 구조물의 일례인 선박에 있어서, 이러한 요구가 높아지고 있다. 왜냐하면, 선박끼리의 충돌 및 좌초에 수반하는 선체 손상이 있으면, 적하 및 연료 등이 유출되어 해양 오염 등의 피해를 일으킬 우려가 있기 때문에 있다. 이러한 피해를 최소한으로 억제하기 위한 기술로서, 선체의 이중구조화 등의 구조면으로부터의 대처가 실시되고 있다. 그러나 선박의 구조물 모두에 당해 구조를 실시하는 것은, 작업성 및 제조 비용의 면에서 현실적이라고는 하기 어렵다. 그 때문에, 선체용의 강판 자체에 에너지 흡수능을 갖게 하여, 선박의 충돌 시에 선체의 파괴를 방지하는 것이 요망되고 있다.
여기서 특허문헌 1 에는, 페라이트상의 체적 분율이 판두께 방향 전역에서 75 % 이상, 경도가 Hv 140 이상 160 이하, 평균 결정 입경이 2 ㎛ 이상 40 ㎛ 이하, 및 판두께 방향 중앙부에 있어서의 페라이트상의 체적 분율에 대한 판두께 방향 표층부에 있어서의 페라이트상의 체적 분율의 비율이 0.925 이상 1.000 이하로 함으로써, 균일 신장을 증가시켜 내충돌성을 향상시킨 강재가 기재되어 있다.
또 특허문헌 2 에는, 오스테나이트 단상역에서 누적 압하율 30 ~ 98 % 의 압연을 실시한 후에 가속 냉각을 실시하고, 그 후 공랭 혹은 템퍼링 처리를 실시하여, 페라이트의 면적률이 85 % 이상, 페라이트의 평균 결정 입경이 5 ~ 40 ㎛, 및 페라이트립 내의 시멘타이트 입자가 개수 밀도로 50000 개/㎟ 이하인, 충돌 에너지의 흡수능을 향상시킨 강판이 기재되어 있다.
또, 특허문헌 3 에는, 최종 패스 압연 (마무리 압연) 후에 가속 냉각을 실시하고, 이어서 일정 온도로 재가열하고 다시 가속 냉각을 실시함으로써, 페라이트의 점적률, 평균 입경 및 최대 입경, 나아가서는 제 2 상의 사이즈를 제어하여, 충돌 흡수성을 향상시킨 강재가 기재되어 있다.
또, 재료 설계를 자동적으로 실시하는 것도 제안되어 있다. 예를 들어 특허문헌 4 에는, 비금속 재료의 설계에 관련된 작업 부하를 경감하기 위해, 예측 모델 및 최적화 계산을 이용하여 재료 설계를 실시하는 수법이 제안되어 있다.
그러나, 특허문헌 1 ~ 3 에 기재되어 있는 종래 기술은, 이하의 문제가 있다. 즉, 특허문헌 1 ~ 3 에 기재된 방법에서는, 가열, 열간 압연, 가속 냉각, 및 열처리를 조합함으로써 원하는 결정립 및 경도를 갖는 강판이 제조되고 있다. 이들 강판의 제조 방법은 실험실 레벨에서의 실험 결과 및 실기 (實機) 에서의 실적 데이터로부터 반경험적으로 조직 설계의 지침이 구축되고 있다. 따라서, 제조 중에 어떠한 외란 (성분 조성, 치수, 및 온도의 불균일 등) 이 발생한 경우, 반드시 원하는 강재를 얻을 수 없다. 또, 고강도화, 고연성화, 및 후육화 등으로부터 고급 강재를 신규로 제조하는 경우, 그 지침을 얻기 위해서 실험실 레벨에서의 실험 및 실기에서의 시작 (試作) 을 반복해 실시해야 한다. 또 특허문헌 4 에 기재된 방법에서는, 금속 재료의 제조에 대해서는 언급되어 있지 않고, 또 제조 시의 외란에 대한 내성에 대해서는 일절 고려되어 있지 않았다.
본 발명은, 상기 사정을 감안하여 이루어진 것으로, 금속 재료의 제조 시의 외란에 대한 로버스트성을 높일 수 있는 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치를 제공하는 것을 목적으로 한다.
상기 과제를 해결하기 위해서 본 발명의 일 실시형태에 관련된 제조 사양 결정 방법은,
금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 스텝과,
상기 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 탐색하는 스텝
을 포함한다.
또 본 발명의 일 실시형태에 관련된 제조 방법은, 상기 제조 사양 결정 방법을 사용하여 결정된 제조 사양으로 금속 재료를 제조한다.
또 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치는,
금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 통신부와,
상기 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 최적화하는 탐색 처리부
를 갖는다.
본 발명의 일 실시형태에 관련된 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치에 의하면, 제조 시의 외란에 대한 로버스트성을 높일 수 있다.
도 1 은 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치를 포함하는 시스템의 전체 개요를 나타내는 모식도이다.
도 2 는 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치의 블록도이다.
도 3 은 본 발명의 일 실시형태에 관련된 예측 모델의 작성 처리를 나타내는 플로우 차트이다.
도 4 는 뉴럴 네트워크 모델의 개요를 나타내는 도면이다.
도 5 는 본 발명의 일 실시형태에 관련된 최적화 처리를 나타내는 플로우 차트이다.
도 6 은 예측 정밀도를 나타내는 그래프이다.
도 7 은 역해석에 의해 얻어진 예측 결과의 일례를 나타낸다.
도 8 은 실시예와 비교예의 비교를 나타내는 그래프이다.
도 2 는 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치의 블록도이다.
도 3 은 본 발명의 일 실시형태에 관련된 예측 모델의 작성 처리를 나타내는 플로우 차트이다.
도 4 는 뉴럴 네트워크 모델의 개요를 나타내는 도면이다.
도 5 는 본 발명의 일 실시형태에 관련된 최적화 처리를 나타내는 플로우 차트이다.
도 6 은 예측 정밀도를 나타내는 그래프이다.
도 7 은 역해석에 의해 얻어진 예측 결과의 일례를 나타낸다.
도 8 은 실시예와 비교예의 비교를 나타내는 그래프이다.
(실시형태)
이하, 본 발명의 일 실시형태에 대해 설명한다.
도 1 은, 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치 (10) 를 포함하는 시스템의 전체 개요를 나타내는 모식도이다. 이하, 본 실시형태에 있어서 설계 대상인 금속 재료는, 후강판인 예에 대해 설명하지만, 금속 재료는 후강판에 한정되지 않는다. 도 1 에 나타내는 바와 같이 본 실시형태에 관련된 시스템은, 전로 (1) 와, 연속 주조기 (2) 와, 가열로 (3) 와, 후강판 (4) 과, 압연기 (5) 와, 가속 냉각 장치 (6) 와, 제품 후강판 (7) 과, 제조 사양 결정 장치 (10) 를 포함한다. 후강판의 제조 공정에 있어서, 먼저 원료의 철광석은, 석회석 및 코크스와 함께 고로에 장입되고, 용융 상태의 선철이 생성된다. 고로에서 출선된 선철에 대해 전로 (1) 에 있어서 탄소 등의 성분 조정이 실시되고, 2 차 정련에 의해 최종적인 성분 조정이 이루어진다. 연속 주조기 (2) 에서는, 정련된 철강을 주조하여 주편 (슬래브) 으로 불리는 중간 소재를 제조한다. 그 후, 가열로 (3) 에 있어서의 가열 공정에 의해 슬래브를 가열하고, 압연기 (5) 에 의한 열간 압연 공정, 가속 냉각 장치 (6) 에 의한 냉각 공정을 거쳐, 제품 후강판 (7) 이 생성된다. 또한 냉각 공정 후에, 적절히, 산세 공정, 냉간 압연 공정, 어닐링 공정, 및 도금 공정 등의 처리 공정을 거쳐도 된다.
개략적으로, 본 시스템에 관련된 제조 사양 결정 장치 (10) 는, 후강판의 제조 중에 있어서 각종 제조 사양의 최적화를 실시한다. 제조 사양의 최적화는, 전로 (1) 에 의한 성분 조성 조정, 연속 주조기 (2) 에 의한 슬래브 치수, 주조 속도, 2 차 냉각의 조정, 가열로 (3) 에 의한 슬래브 가열 온도, 슬래브 재로 (在爐) 시간, 슬래브 추출 온도의 조정, 압연기 (5) 에 의한 제품 치수, 압연 조건, 온도 조건의 조정, 및 가속 냉각 장치 (6) 에 의한 냉각 조정을 포함한다. 제조 사양 결정 장치 (10) 는, 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터와, 예측 모델에 기초하여 역해석을 실시하여, 냉각 후의 제품 후강판 (7) 의 재료 특성의 추정값을 도출한다. 그리고 제조 사양 결정 장치 (10) 는, 이러한 추정값이 요구되는 재료 특성 (원하는 값) 과 점근하도록, 필요한 제어량을 피드포워드 연산하고, 전로 (1), 연속 주조기 (2), 가열로 (3), 압연기 (5), 가속 냉각 장치 (6) 에 지시값을 부여한다. 요컨대 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치 (10) 는, 금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하고, 이러한 1 개 이상의 실적 데이터와 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 소정 공정 후에 관련된 제조 사양을 최적화하는 것이다. 예를 들어, 당해 소정 공정은, 2 차 정련 공정이어도 되고, 적어도 1 개 이상의 실적 데이터는, 전로 (1) 에 의한 성분 조성 조정의 실적 데이터여도 된다. 또 예를 들어, 재료 특성은, 금속 재료의 균일 신장을 포함해도 된다. 균일 신장을 포함함으로써, 외력에 대해 구조물의 구조 안전성을 담보하기 위한 충격 에너지 흡수능의 요구를 만족시키는 경우 등에 제조 사양 결정 장치 (10) 를 이용 가능하다. 또 예를 들어 재료 특성은, 원하는 후강판 규격을 만족하도록 항복 응력, 인장 응력, 인성값, 표면 경도, 단면 경도의 군에서 선택되는 적어도 1 종을 포함해도 된다.
도 2 에, 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치 (10) 의 블록도를 나타낸다. 제조 사양 결정 장치 (10) 는, 후강판의 재료 특성 추정 처리를 실시함으로써 제조 사양을 최적화한다. 제조 사양 결정 장치 (10) 는, 장치 본체 (200), 입력부 (300), 기억부 (400), 출력부 (500), 및 통신부 (600) 를 포함한다. 장치 본체 (200) 는, 입력부 (300), 기억부 (400), 출력부 (500), 및 통신부 (600) 와 버스 (205) 를 개재하여 통신함으로써 필요한 정보의 송수신을 실시하고, 정보 처리를 실시한다. 또한 도 2 에서는, 장치 본체 (200) 와 입력부 (300), 기억부 (400), 출력부 (500), 및 통신부 (600) 는, 버스 (205) 를 개재한 유선에 의해 접속되어 있지만 접속의 양태는 이것에 한정되지 않고, 무선에 의해 접속되어 있어도 되고, 혹은 유선과 무선을 조합한 접속 양태여도 된다. 장치 본체 (200) 의 상세한 각 구성에 대해서는 후술한다.
입력부 (300) 는, 예를 들어 키보드, 펜 태블릿, 터치 패드, 마우스 등, 본시스템의 관리자의 조작을 검출 가능한 임의의 입력 인터페이스를 포함한다. 입력부 (300) 는, 장치 본체 (200) 에 대한 각종 처리의 지시에 관련된 조작을 접수한다.
기억부 (400) 는, 예를 들어 하드 디스크 드라이브, 반도체 드라이브, 광학 디스크 드라이버 등이며, 본 시스템에 있어서 필요한 정보를 기억하는 장치이다. 예를 들어 기억부 (400) 는, 과거에 제조한 후강판에 관련된 제조 사양의 실적값 (이하, 「제조 사양 실적」이라고 한다.) 을 기억한다. 또 기억부 (400) 는, 제조 사양 실적에 대응하는 냉각 후의 후강판의 재료 특성의 실적값 (이하, 「재료 특성 실적」이라고 한다.) 을 기억한다.
출력부 (500) 는, 예를 들어 액정 디스플레이 및 유기 EL 디스플레이 등, 임의의 디스플레이를 포함한다. 출력부 (500) 는, 출력 데이터 및 신호에 기초한 화면을 표시 가능하다.
통신부 (600) 는, 전로 (1), 연속 주조기 (2), 가열로 (3), 압연기 (5), 가속 냉각 장치 (6) 로부터 송신된 실적 데이터를 수신하고, 장치 본체 (200) 에 출력한다. 또 통신부 (600) 는, 장치 본체 (200) 로부터 출력된, 최적화된 제조 사양에 관련된 데이터를 전로 (1), 연속 주조기 (2), 가열로 (3), 압연기 (5), 가속 냉각 장치 (6) 에 송신한다.
도 2 에 나타내는 바와 같이 장치 본체 (200) 는, 연산 처리부 (201) 와, ROM (202) 과, RAM (204) 을 구비한다. ROM (202) 은 프로그램 (203) 을 기억하고 있다. 또 연산 처리부 (201) 와, ROM (202) 과, RAM (204) 은, 버스 (205) 에 의해 각각 접속되어 있다.
연산 처리부 (201) 는, 예를 들어 범용 프로세서, 및 특정 처리에 특화된 전용 프로세서 등, 1 개 이상의 프로세서를 포함한다. 연산 처리부 (201) 는, ROM (202) 으로부터 프로그램 (203) 을 읽어들이고, 일시 기억부인 RAM (204) 을 사용하여 특정 기능을 실현한다. 연산 처리부 (201) 는, 장치 본체 (200) 전체의 동작을 제어한다.
연산 처리부 (201) 는, 정보 판독부 (206) 와, 전처리부 (207) 와, 예측 모델 작성부 (208) 와, 결과 보존부 (209) 와, 정보 판독부 (210) 와, 특성 추정부 (211) 와, 최적화 처리부 (212) 와, 표시·전달부 (213) 를 구비한다. 연산 처리부 (201) 는, 입력부 (300) 의 조작에 기초하여 예측 모델 작성 처리의 지시를 받은 경우에는, 정보 판독부 (206) 와, 전처리부 (207) 와, 예측 모델 작성부 (208) 와, 결과 보존부 (209) 를 기능시켜, 예측 모델을 작성한다. 또 연산 처리부 (201) 는, 입력부 (300) 의 조작에 기초하여 추정 처리의 지시를 받은 경우에는, 정보 판독부 (210) 와, 특성 추정부 (211) 와, 최적화 처리부 (212) 와, 표시·전달부 (213) 를 기능시켜, 제조 사양의 최적화 처리를 실행한다. 여기서 최적화 처리부는 최적화 처리에 의해 해답을 탐색하는 탐색 처리부라고도 칭하는 것으로 한다.
다음으로 본 발명의 일 실시형태에 관련된 제조 사양 결정 장치 (10) 에 의해 실행되는 정보 처리에 대해 설명한다. 본 시스템에서는 후강판의 제조 사양을 최적화하기 위해서, 먼저 후강판의 재료 특성 및 제조 사양을 결부시킨 예측 모델을 작성한다. 여기서 본 실시형태에서는 예측 모델로서, 뉴럴 네트워크 모델을 작성하는 것으로 한다. 도 3 에, 예측 모델 작성 처리에 관련된 플로우 차트를 나타낸다. 연산 처리부 (201) 는, 입력부 (300) 의 조작에 기초하여 예측 모델 작성 처리의 지시를 받은 경우, 도 3 에 나타내는 플로우 차트에 관련된 처리를 실행한다.
예측 모델 작성 지시를 받은 경우, 연산 처리부 (201) 의 정보 판독부 (206) 는, 제조 사양 실적을 기억부 (400) 로부터 읽어들인다. 또 정보 판독부 (206) 는, 읽어들인 제조 사양 실적에 대응하는 재료 특성 실적을 기억부 (400) 로부터 읽어들인다. 구체적으로는 정보 판독부 (206) 는, 압연재의 ID 에 기초하여, 후강판에 관련된 각종 정보를 특정한다 (스텝 S201).
다음으로 전처리부 (207) 는, 스텝 S201 에서 입력된 제조 사양 실적을, 예측 모델 작성 처리용으로 가공한다 (스텝 S202). 구체적으로는 전처리부 (207) 는, 제조 사양 실적을 0 ~ 1 사이에서 정규화함과 함께 결손 데이터 및 이상 데이터의 노이즈 제거를 실시한다.
계속해서 예측 모델 작성부 (208) 는, 예측 모델을 작성한다. 구체적으로는 예측 모델 작성부 (208) 는, 뉴럴 네트워크 모델에 사용되는 하이퍼 파라미터를 설정하고 (스텝 S203), 이러한 하이퍼 파라미터를 사용한 뉴럴 네트워크 모델에 의한 학습을 실시한다 (스텝 S204).
하이퍼 파라미터의 최적화를 실시하기 위해서, 예측 모델 작성부 (208) 는, 먼저 학습용 데이터 (수만 정도의 제조 사양 실적) 에 대해, 하이퍼 파라미터 내의 몇 가지를 단계적으로 변경한 뉴럴 네트워크 모델을 작성한다. 그리고 예측 모델 작성부 (208) 는, 검증용 데이터에 대한 예측 정밀도가 가장 높아지는 하이퍼 파라미터를 설정한다.
하이퍼 파라미터는, 은닉층의 수, 각각의 은닉층에 있어서의 뉴런수, 각각의 은닉층에 있어서의 드롭아웃률 (뉴런의 전달을 어느 일정한 확률로 차단한다), 각각의 은닉층에 있어서의 활성화 함수를 포함하지만, 이것에 한정되지 않는다. 또 하이퍼 파라미터의 최적화 수법은 특별히 한정되지 않고, 파라미터를 단계적으로 변경하는 그리드 서치, 파라미터를 랜덤으로 선택하는 랜덤 서치, 또는 베이지안 최적화에 의한 탐색을 사용해도 된다.
도 4 에, 본 시스템에 있어서의 뉴럴 네트워크 모델의 처리 플로도를 나타낸다. 본 실시형태에 관련된 뉴럴 네트워크 모델은, 입력 측으로부터 차례대로, 입력층 (301) 과, 중간층 (302) 과, 출력층 (303) 을 포함한다.
입력층 (301) 에는, 0 ~ 1 사이에서 정규화된 제조 사양 실적이 격납된다. 격납되는 제조 사양 실적의 설명 변수는 후강판의 재료 특성에 관한 변수가 선택되는 것이 바람직하지만, 그 수 및 재료 특성과의 상관의 높이는 임의이다.
중간층 (302) 은 1 개 이상의 은닉층을 포함하고, 각각의 은닉층에는 일정 이상의 뉴런이 배치되어 있다. 중간층 (302) 내에 구성되는 은닉층의 수는 특별히 한정되지 않지만, 경험적으로 은닉층이 지나치게 많으면 예측 정밀도가 저하하므로, 은닉층은 10 층 이하인 것이 바람직하다. 또, 은닉층에 배치되는 뉴런의 수는 바람직하게는 입력되는 설명 변수의 1 배 ~ 20 배의 범위가 되는 것이 바람직하다.
어느 뉴런으로부터 이어지는 은닉층으로의 뉴런의 전달에는 가중 계수에 의한 변수의 가중과 함께, 활성화 함수를 통하여 실시된다. 활성화 함수에는 시그모이드 함수, 하이퍼볼릭 탄젠트 함수, 또는 램프 함수를 사용해도 된다.
출력층 (303) 은 중간층 (302) 으로부터 전달된 뉴런의 정보가 결합되고, 최종적인 재료 특성의 추정값으로서 출력된다. 이러한 처리에 의해 출력된 추정값과, 실측값인 재료 특성 실적에 기초하여, 뉴럴 네트워크 모델 내의 가중 계수가 서서히 최적화됨으로써 학습이 실시된다.
뉴럴 네트워크 모델의 가중 계수가 학습된 후, 예측 모델 작성부 (208) 는, 스텝 S202 에서 작성한 평가용 데이터를 뉴럴 네트워크 모델에 입력하여, 평가용 데이터에 대한 추정 결과를 얻는다.
계속해서 결과 보존부 (209) 는, 학습용 데이터, 평가용 데이터, 뉴럴 네트워크 모델의 파라미터, 그리고 학습용 데이터 및 평가용 데이터에 대한 뉴럴 네트워크 모델의 출력 결과를, 기억부 (400) 에 기억시킨다. 또 결과 보존부 (209) 는, 학습용 데이터, 평가용 데이터, 뉴럴 네트워크 모델의 파라미터, 그리고 학습용 데이터 및 평가용 데이터에 대한 뉴럴 네트워크 모델의 출력 결과를 출력부 (500) 에 전달하고, 출력부 (500) 에 의해 표시시킨다 (스텝 S205). 출력부 (500) 는, 예를 들어 추정 결과를 표 형식에 의해 출력한다.
연산 처리부 (201) 는, 입력부 (300) 의 조작에 기초하여 제조 사양의 최적화 처리의 지시를 받은 경우, 제조 사양의 최적화 처리를 실행한다. 또한 연산 처리부 (201) 가 최적화 처리를 실시하기 위한 트리거는 입력부 (300) 의 조작에 한정되지 않는다. 예를 들어 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 통신부 (600) 가 수신한 것을 트리거로, 최적화 처리를 실시해도 된다. 도 5 는, 제조 사양의 최적화 처리를 나타내는 플로우 차트이다.
먼저 정보 판독부 (210) 는, 추정의 대상이 되는 후강판에 대해, 최적화 처리 전에 미리 정한 제조 사양, 및 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 판독한다 (스텝 S601). 또, 정보 판독부 (210) 는, 기억부 (400) 에 기억되어 있는 뉴럴 네트워크 모델에 관련된 각종 데이터를 취득한다.
다음으로 특성 추정부 (211) 는, 스텝 S601 에서 판독한 제조 사양, 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터, 및 예측 모델을 사용하여 역해석을 실시하여, 제조 사양의 최적화를 실시한다. 구체적으로는 특성 추정부 (211) 는, 당해 후강판에 관련된 압연 후의 재료 특성을 추정한다 (스텝 S602). 계속해서, 최적화 처리부 (212) 는, 예측 모델에 의해 추정된 당해 후강판에 관련된 압연 후의 재료 특성의 추정값과 목표로 하는 재료 특성의 값 (원하는 값) 의 비교를 실시한다 (스텝 S603). 추정값과 원하는 값의 차의 절대값이 일정 임계값 이상, 또는 어느 일정 수속 횟수에 미치지 않는 경우, 최적화 처리부 (212) 는, 스텝 S601 에서 판독한 제조 사양의 일부를 변경하고, 재차 스텝 S602 에서 예측 모델에 의한 재료 특성의 추정을 실시한다. 최적화 처리는 이들 처리를 반복하여, 최적화되는 제조 사양을 탐색한다. 최적화의 수법은 특별히 한정되지 않지만, 예를 들어 제약 최소 이승법 등을 사용할 수 있다.
이와 같이, 소정 공정 후에 확정한 적어도 1 이상의 실적 데이터를 사용하여 역해석을 재차 실시해 최적화함으로써, 당초의 제조 사양을 재조정한 것보다 적절한 제조 사양이 얻어지게 된다.
상기 제조 사양의 변경은, 후술하는 적합 범위 내에서 변경되지만, 추가로 프로세스상의 제약이 고려된다. 예를 들어, 슬래브 두께 ＞ 제품 두께, 슬래브 가열 온도 ＞ 압연 입구측 강판 온도 ＞ 압연 중의 강판 온도 ＞ 압연 마무리 온도 ＞ 냉각 입구측 온도 ＞ 냉각 출구측 온도를 들 수 있지만, 제조 프로세스상 모순되지 않는 제약 조건이면 특별히 한정되지 않는다.
추정값과 원하는 값의 차의 절대값이 어느 일정한 임계값 이내 혹은, 어느 일정한 수속 횟수에 도달한 경우에는, 스텝 S603 을 빠져나가고, 최적화된 제조 사양이 출력부 (500) 에 의해 표시된다 (스텝 S604). 최적화된 제조 사양은 통신부 (600) 를 개재하여 전로 (1), 연속 주조기 (2), 가열로 (3), 압연기 (5), 가속 냉각 장치 (6) 중, 상기의 소정 공정 후의 프로세스에 대해 전송이 실시된다. 그리고 최적화된 제조 사양에 의해, 후강판이 제조된다.
다음으로, 본 발명의 재료 특성 추정에 있어서 제조 사양 결정 장치 (10) 로부터 전송되는 제조 사양에 대해 구체적으로 설명한다. 또한, 이하의 설명은 본 발명의 일 실시양태를 나타내는 것이며, 본 발명은 이하의 설명에 의해 아무런 한정이 되지 않는다.
[성분 조성]
본 발명의 후강판의 제조에 사용하는 강 소재는, 예를 들어 이하의 성분 조성을 갖는다.
질량% 로,
C : 0.05 ~ 0.16 %,
Si : 0.10 ~ 0.50 %,
Mn : 0.80 ~ 2.50 %,
P : 0.05 % 이하,
S : 0.02 % 이하,
Cu : 1.0 % 이하,
Ni : 2.0 % 이하,
Cr : 1.0 % 이하,
Mo : 1.0 % 이하,
Nb : 0.1 % 이하,
V : 0.1 % 이하,
Ti : 0.1 % 이하,
B : 0.005 % 이하,
Ca : 0.005 % 이하, 및
W : 0.05 % 이하.
상기 성분 조성에 있어서의 각 성분량의 한정 이유를 이하에 설명한다. 또한, 이하의 설명에 있어서의 「%」는, 특별히 언급하지 않는 한 「질량%」를 나타내는 것으로 한다.
·C : 0.05 ~ 0.16 %
C 는, 기지상 (매트릭스) 의 경도를 증가시키고, 강도를 향상시키는 효과를 갖는 원소이다. 상기 효과를 얻기 위해서는, C 함유량을 0.05 % 이상으로 하는 것이 필요하다. 한편, C 함유량이 0.16 % 를 초과하면, 기지상의 경도가 과도하게 상승하고, 신장이 열화한다. 이 때문에, C 함유량은 0.16 % 이하로 한다. 바람직하게는, C 함유량은, 0.07 ~ 0.15 % 이다.
·Si : 0.10 ~ 0.50 %
Si 는, 탈산제로서 작용함과 함께, 강 중에 고용하여 고용 강화에 의해 기지상의 경도를 증가시키는 원소이다. 상기 효과를 얻기 위해서는, Si 함유량을 0.10 % 이상으로 할 필요가 있다. 한편, Si 함유량이 0.50 % 를 초과하면, 기지상의 경도가 과도하게 상승하여, 연성, 인성이 저하함과 함께, 국소 변형에 수반하는 보이드의 발생 기점이 되는 개재물량이 증가한다. 이 때문에, Si 함유량은 0.50 % 이하로 한다. 바람직하게는, Si 함유량은, 0.20 ~ 0.40 % 이다.
·Mn : 0.80 ~ 2.50 %
Mn 은, 기지상의 경도를 증가시키고, 강도를 향상시키는 효과를 갖는 원소이다. 상기 효과를 얻기 위해서는, Mn 함유량을 0.80 % 이상으로 할 필요가 있다. 한편, Mn 함유량이 2.50 % 를 초과하면, 용접성이 저하하는 것에 추가하여, 기지상의 경도가 과도하게 상승한다. 이 때문에, Mn 함유량은, 2.50 % 이하로 한다. 바람직하게는, Mn 함유량은, 1.00 ~ 2.30 % 이다.
·P : 0.05 % 이하
P 는, 불가피적 불순물로서 강에 포함되는 원소이다. P 는, 입계에 편석하고, 모재 및 용접부의 인성을 저하시키는 등, 악영향을 미친다. 따라서, P 는, 가능한 한 저감하는 것이 바람직하지만, 0.05 % 이하의 함유는 허용할 수 있다. 이 때문에, P 함유량은 0.05 % 이하로 한다. 한편, P 함유량의 하한은 한정되지 않지만, 과도한 저감은 정련 비용의 상승을 초래한다. 따라서, P 함유량을 0.001 % 이상으로 하는 것이 바람직하다.
·S : 0.02 % 이하
S 는, 불가피적 불순물로서 강에 포함되는 원소이다. S 는, MnS 등의 황화물계 개재물로서 강 중에 존재하고, 파괴의 발생 기점이 되는 등, 악영향을 미치는 원소이다. 따라서, S 는, 가능한 한 저감하는 것이 바람직하지만, 0.02 % 이하의 함유는 허용할 수 있다. 이 때문에, S 함유량은 0.02 % 이하로 한다. S 함유량은 0.01 % 이하로 하는 것이 바람직하다. 한편, S 함유량의 하한은 한정되지 않지만, 과도한 저감은 정련 비용의 상승을 초래한다. 따라서, S 함유량을 0.0005 % 이상으로 하는 것이 바람직하다.
·Cu : 1.0 % 이하
Cu 는, 기지상의 경도를 증가시킴과 함께, 강판의 내후성을 향상시키는 효과를 갖는 원소이며, 원하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Cu 함유량이 1.0 % 를 초과하면 용접성이 저해되고, 강재 제조 시에 흠집이 생기기 쉬워진다. 따라서, Cu 를 첨가하는 경우에는, 1.0 % 이하로 한다. 보다 바람직하게는, Cu 함유량은, 0.01 ~ 0.8 % 이다.
·Ni : 2.0 % 이하
Ni 는, 저온 인성 및 내후성을 향상시키고, 또 Cu 를 첨가한 경우의 열간 취성을 개선하는 효과를 갖는 원소이며, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Ni 함유량이 2.0 % 를 초과하면 용접성이 저해되고, 또, 강재 비용이 상승한다. 따라서, Ni 를 첨가하는 경우에는, 2.0 % 이하로 한다. 보다 바람직하게는, Ni 함유량은, 0.01 ~ 1.5 % 이다.
·Cr : 1.0 % 이하
Cr 은, 기지상의 경도를 증가시키고, 또 내후성을 향상시키는 효과를 갖는 원소이며, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Cr 함유량이 1.0 % 를 초과하면 용접성과 인성이 저해된다. 따라서, Cr 을 첨가하는 경우에는, 1.0 % 이하로 한다. 보다 바람직하게는, Cr 함유량은, 0.01 ~ 0.8 % 이다.
·Mo : 1.0 % 이하
Mo 는, 기지상의 경도를 증가시키는 효과를 갖는 원소이며, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Mo 함유량이 1.0 % 를 초과하면 용접성과 인성이 저해된다. 따라서, Mo 를 첨가하는 경우에는, 1.0 % 이하로 한다. 보다 바람직하게는, Mo 함유량은, 0.001 ~ 0.8 % 이다.
·Nb : 0.1 % 이하
Nb 는, 열간 압연 시에 있어서의 오스테나이트의 재결정을 억제하여 세립화함과 함께, 열간 압연 후의 공랭 과정에 있어서 석출됨으로써 강도를 상승시키는 효과를 갖는 원소이며, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Nb 함유량이 0.1 % 를 초과하면 NbC 가 다량으로 석출되고, 인성이 저해된다. 따라서, Nb 를 첨가하는 경우에는, 0.1 % 이하로 한다. 보다 바람직하게는, 0.001 ~ 0.08 % 이다.
·V : 0.1 % 이하
V 는, Nb 와 동일하게, 열간 압연 시에 있어서의 오스테나이트의 재결정을 억제하여 세립화함과 함께, 열간 압연 후의 공랭 과정에 있어서 석출됨으로써 강도를 상승시키는 효과를 갖는 원소이며, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, V 함유량이 0.1 % 를 초과하면 VC 가 다량으로 석출되고, 인성이 저해된다. 따라서, V 를 첨가하는 경우에는, 0.1 % 이하로 한다. 보다 바람직하게는, V 함유량은, 0.001 ~ 0.08 % 이다.
·Ti : 0.1 % 이하
Ti 는, 질화물 형성 경향이 강하여, N 을 고정하고 고용 N 을 저감한다. 따라서, Ti 는, 모재 및 용접부의 인성을 향상시키는 효과를 갖는다. 또, B 를 첨가하는 경우에는, Ti 를 아울러 첨가함으로써, Ti 가 N 을 고정하고, B 가 BN 으로서 석출되어 버리는 것을 억제할 수 있다. 그 결과, B 의 퀀칭성 향상 효과를 조장하여, 강도를 더욱 향상시킬 수 있다. 그 때문에, 소망하는 특성에 따라 임의로 첨가할 수 있다. 그러나, Ti 함유량이 0.1 % 를 초과하면 TiC 가 다량으로 석출되고, 인성이 저해된다. 따라서, Ti 를 첨가하는 경우에는, 0.1 % 이하로 한다. 보다 바람직하게는, Ti 함유량은, 0.001 ~ 0.08 % 이다.
·B : 0.005 % 이하
B 는, 미량의 첨가로도 퀀칭성을 현저하게 향상시키고, 강도를 상승시키는 효과를 갖는 원소이며, 소망하는 특성에 따라 첨가할 수 있다. 그러나, B 함유량이 0.005 % 를 초과하면 그 효과가 포화할 뿐만 아니라, 용접성을 저하시킨다. 따라서, B 를 첨가하는 경우에는, 0.005 % 이하로 한다. 보다 바람직하게는, B 함유량은, 0.0001 ~ 0.004 % 이다.
·Ca : 0.005 % 이하
Ca 는, S 와 결합하여, 압연 방향으로 길게 신장하는 MnS 등의 형성을 억제하여, 황화물계 개재물이 구상을 나타내도록 형태 제어하고, 용접부 등의 인성 향상에 기여한다. 따라서, Ca 는, 소망하는 특성에 따라 첨가할 수 있다. 그러나, Ca 함유량이 0.005 % 를 초과하면 그 효과가 포화할 뿐만 아니라, 강의 청정도가 저하하고, 표면 흠집이 다발하여 표면 성상이 저하한다. 따라서, Ca 를 첨가하는 경우에는, 0.005 % 이하로 한다. 보다 바람직하게는, Ca 함유량은, 0.0001 ~ 0.004 % 이다.
·W : 0.05 % 이하
W 는, 기지상의 경도를 증가시키고, 또 내후성을 향상시키므로, 소망하는 특성에 따라 첨가할 수 있다. 그러나, W 함유량이 0.05 % 를 초과하면 용접성의 열화, 혹은 합금 비용의 상승을 초래한다. 따라서, W 를 첨가하는 경우에는, 0.05 % 이하로 한다. 보다 바람직하게는, W 함유량은, 0.0001 ~ 0.03 % 이다.
본 발명에서 압연되는 후강판의 성분 조성은, 상기 성분을 포함하고, 잔부가 Fe 및 불가피적 불순물이다. 또한, 불가피적 불순물로서 O (산소) 및 N 이 함유되는 경우에는, O 함유량을 0.0050 % 이하로, 또 N 함유량을 0.0050 % 이하로 억제하는 것이 바람직하다. 즉, O 의 함유량이 0.0050 % 를 초과하면, 강판 표면에서의 개재물의 존재 비율이 커지기 때문에, 개재물을 기점으로 한 균열이 발생하기 쉬워지고, 신장이 저하할 우려가 있다. 동일하게, N 의 함유량이 0.0050 % 를 초과하면, 강판 표면에서의 개재물의 존재 비율이 커지기 때문에, 개재물을 기점으로 한 균열이 발생하기 쉬워질 우려가 있다.
[판두께]
본 실시형태에 있어서의 「강판」은, 본 기술 분야에 있어서의 통상적인 정의에 따라, 두께 6 mm 이상의 강판을 가리키는 것으로 하고 있지만, 제조되는 강재의 단면적 및 단면 형상도 특별히 한정되지 않는다. 제조되는 강재로서 박판을 사용해도 되고, 형강·봉·관 형상으로 해도 된다.
[제조 방법]
본 발명의 일 실시형태에 있어서는, 상기 서술한 성분 조성을 갖는 강 소재에 대해, 하기의 처리를 순차 실시함으로써 후강판으로 한다.
(1) 전로/제련
(2) 연속 주조
(3) 가열
(4) 열간 압연
(5) 냉각
[전로/제련]
상기 서술한 조성은, 주조를 개시할 때까지의 용강 단계에서, 통상적인 방법을 사용하여 조정함으로써 실시된다. 예를 들어, 각 합금 원소는, 전로 공정 및/또는 2 차 정련 공정에서 용강에 첨가함으로써, 강 중에 함유시킬 수 있다. 그때, 순금속 및/또는 합금을 사용할 수 있다.
[연속 주조]
상기 전로 공정 및/또는 2 차 정련 공정에서 조정된 용강은 수직 굽힘형 또는 만곡형 연속 주조기를 사용하여 연속 주조함으로써, 슬래브로 성형된다. 그때, 2 차 냉각 설비의 냉각 조건 및 주조 속도를 변경함으로써, 원하는 온도/형상의 슬래브가 형성된다.
[가열]
상기 성분 조성을 갖는 슬래브를, 900 ~ 1200 ℃ 로 가열한다. 가열 온도가 900 ℃ 미만이면, 다음의 열간 압연 공정에 있어서의 슬래브의 변형 저항이 높아지고, 열간 압연기에 대한 부하가 증대하여, 열간 압연이 곤란해진다. 그 때문에, 가열 온도는 900 ℃ 이상으로 한다. 가열 온도는 950 ℃ 이상으로 하는 것이 바람직하다. 한편, 가열 온도가 1200 ℃ 를 초과하면, 강판의 중간부의 결정립이 조대화하여 인성이 저하할 뿐만 아니라, 슬래브 표면의 산화가 현저해지고, 지철-스케일 계면의 요철이 예리해진다. 따라서, 제품 후에도 표면의 요철이 남기 쉬워진다. 이와 같은 표면의 요철은, 응력 집중에 의해 연성 파괴의 발생 기점이 될 우려가 있다. 그 때문에, 가열 온도는 1200 ℃ 이하로 한다. 바람직하게는, 1150 ℃ 이하로 한다. 또한, 연속 주조 등의 방법에 의해 슬래브를 제조한 경우, 당해 슬래브는, 냉각하는 일 없이 직접 가열 공정에 제공해도 되고, 냉각한 후에 가열 공정에 제공해도 된다. 또, 가열 방법은 특별히 한정되지 않지만, 예를 들어, 통상적인 방법에 따라, 가열로에서 가열할 수 있다.
[열간 압연]
이어서, 가열된 슬래브를 열간 압연하여 후강판으로 한다. 그때, 제품 강판의 기본 성능인 인성을 확보하기 위해, 강판의 중간부에 있어서, 오스테나이트립의 미세화를 통해서 페라이트립을 미세화할 필요가 있다. 그래서, 열간 압연에 있어서의 누적 압하율을 50 % 이상으로 한다. 즉, 누적 압하율이 50 % 미만인 경우에는, 강판의 중간부의 페라이트립이 미세화하지 않아, 국소적으로 취성이 낮은 영역이 발생하고, 취성 균열이 발생하기 쉬워진다. 열간 압연 공정에 관한 다른 조건은 특별히 한정되지 않는다.
[냉각]
다음으로, 열간 압연 종료 후의 후강판을 냉각한다. 상기 냉각 공정에서는, 실온까지 냉각하는 것이 바람직하다. 또한, 상기 냉각은, 임의의 방법, 예를 들어, 공랭 또는 가속 냉각에 의해 실시할 수 있다.
(실시예)
이하, 본 발명의 효과를 실시예에 기초하여 구체적으로 설명하지만, 본 발명은 이들 실시예에 한정되는 것은 아니다.
본 실시형태에 관련된 시스템에서, 제품 판두께가 15 mm 이고, 또한 우수한 균일 신장을 나타내는 후강판의 제조 사양의 최적화를 실시했다. 사전 학습으로서, 먼저 학습용 데이터에 대해, 뉴럴 네트워크 모델에 의한 학습을 실시하고, 제조 사양 실적과 재료 특성 실적을 결부시켰다.
제조 사양 실적으로서, 성분 조성 (C, Si, Mn, P, S, Ni, Cr, V, Ti, Nb), 슬래브 치수 (두께·폭·길이), 압연 치수 (두께·폭·길이), 슬래브 가열 온도, 제어 압연 시에 있어서의 압하율, 제어 압연 온도, 마무리 압연 온도, 압연 후의 냉각 속도 정보가 고려되었다. 재료 특성 실적으로서, 냉각 후 후강판의 폭 중앙부로부터 판폭 방향이 인장 방향과 일치하도록 채취한 JIS Z 2201 1B 호의 전체 두께 시험편을 사용하여 인장 시험을 실시하고, 항복 응력 (YS) 및 전체 두께 신장을 구하고, 학습에 제공되었다. 학습 데이터수는 결손 데이터 등의 노이즈를 제거한 합계 470 의 샘플을 사용했다. 뉴럴 네트워크에 사용되는 하이퍼 파라미터는 가우스 확률 분포에 기초하는 베이지안 최적화에 의해 탐색되고, 이하와 같이 설정되었다.
·에폭수 (학습의 반복 횟수) : 813
·은닉층에 있어서의 뉴런수 : 328
·Dropout 비율 (뉴런의 전달을 차단하는 확률) : 0.3
·은닉층의 층수 : 8
·학습 가중 계수의 최적화 수법 : Adam
예측 정밀도의 그래프를 도 6 에 나타낸다. 학습 정밀도의 검증은 교차 검증법 (cross validation) 에 의해 실시되었다. 모델 예측 오차는 σ2.44 % 가 되었다. 목표의 재료 특성으로서, 인장 강도는 440 MPa 이상을 합격으로 했다. 신장 특성은 30 % 를 목표로 했다.
본 실시예에서는 이미 성분 조성 및 슬래브 사이즈가 확정된 출강 슬래브에 대해, 뉴럴 네트워크 모델에 의한 재료 특성의 추정이 실시되고, 추정되는 재료 특성이 목표의 재료 특성에 점근하도록, 이어지는 가열로 이후의 프로세스에 대해 필요한 제어량을 연산했다. 구체적으로는 항복 응력 및 전체 두께 신장의 각각에 대해 추정값과 목표값의 차를 구하고, 양자의 차의 합계가 최소값이 되도록 축차 최소 이승법을 사용하여 연산했다. 수속까지의 반복 횟수는 500 회로 했다. 연산에 의해 구해진 각 설명 변수는 가열로 (3), 압연기 (5), 가속 냉각 장치 (6) 에 지시값으로서 부여되었다.
비교예에서는 제품 판두께를 동일하게 15 mm 로 하고, 뉴럴 네트워크 모델을 사용하지 않고 적합 범위에서 제조한 것 이외에는 실시예와 동일하게 하여 압연을 실시했다.
도 7 에 실시예에서의 설명 변수 상하한과 역해석에 의해 얻어진 예측 결과를 나타낸다. 도 7 중, 슬래브 두께, 슬래브 폭, 슬래브 길이, 및 성분 조성 (C, Si, Mn, P, S, Ni, Cr, V, Ti) 이, 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터에 상당한다. 당해 실적 데이터에 기초하여, 다른 제조 사양, 즉 압연 두께, 압연 폭, 압연 길이, 가열로 온도, 제어 압연 시의 압하율, 제어 압연 온도, 마무리 압연 온도, 냉각 속도를 최적화함으로써 제조 사양을 재조정했다. 최적화의 결과, 설명 변수의 상하한 범위 내에서 최대화할 수 있는 신장 특성은 26.9 % 로 추정되었다. 도 8 에 역해석에 의해 얻어진 최적화된 제조 사양으로 실제로 제조를 실시했을 때의 항복 응력 (YS) 과 균일 신장 (EL) 의 관계를 나타낸다. 본 실시예의 방법을 사용하면, 비교예보다, 항복 응력을 유지하면서, 높은 균일 신장의 후강판을 얻을 수 있었다.
상기 실시예에 나타내는 바와 같이, 본 발명의 일 실시형태에 관련된 제조 사양 결정 방법에 의하면, 높은 균일 신장을 갖는 내충격성이 우수한 강판의 제조 지침을 높은 정밀도로 예측하여, 목표의 재료 특성을 갖는 후강판을 제조할 수 있다. 따라서, 생산성의 향상 및 강재 개발 스피드의 향상에 크게 기여할 수 있다. 또, 제조 공정의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 사용하여 제조 사양을 최적화하기 때문에, 제조 공정 중에 외란이 발생한 경우여도, 제조 공정 중의 상황 변화를 고려한 제조 사양을 얻을 수 있다. 환언하면, 본 발명의 일 실시형태에 관련된 제조 사양 결정 방법에 의하면 금속 재료의 제조 시의 외란에 대한 로버스트성을 높일 수 있다. 또, 본 발명의 일 실시형태에 관련된 제조 사양 결정 방법에 의하면, 실험 및 실기에서의 시작을 반복 실시하여 시행 착오하는 일 없이, 목표의 재료 특성을 갖는 후강판을 제조할 수 있다. 따라서, 생산성의 향상 및 강재 개발 스피드의 향상에 크게 기여할 수 있다. 따라서, 본 발명의 일 실시형태에 관련된 제조 사양 결정 방법은, 예를 들어, 내충격성이 우수한 강판, 특히, 선박, 해양 구조물, 교량, 건축물, 탱크 및 건산기 등의, 구조상의 안전성이 강하게 요구되는 용접 구조물에 바람직하게 사용할 수 있다.
본 발명을 제 도면 및 실시예에 기초하여 설명해 왔지만, 당업자이면 본 개시에 기초하여 여러 가지 변형 및 수정을 실시하는 것이 용이한 것에 주의가 요망된다. 따라서, 이들 변형 및 수정은 본 발명의 범위에 포함되는 것에 유의가 요망된다. 예를 들어, 각 수단, 각 스텝 등에 포함되는 기능 등은 논리적으로 모순되지 않도록 재배치 가능하고, 복수의 수단 및 스텝 등을 하나로 조합하거나, 혹은 분할하거나 하는 것이 가능하다.
예를 들어, 본 발명은, 상기 서술한 제조 사양 결정 장치 (10) 의 각 기능을 실현하는 처리 내용을 기술한 프로그램 또는 프로그램을 기록한 기억 매체로서도 실현할 수 있다. 본 발명의 범위에는, 이들도 포함된다고 이해되는 것이 요망된다.
예를 들어 본 실시형태에 관련된 제조 사양 결정 장치 (10) 에 있어서 예측 모델을 작성하는 예를 나타냈지만, 이들을 다른 정보 처리 장치에 의해 실현해도 된다. 이 경우, 이러한 정보 처리 장치가 예측 모델을 작성하기 위해서 필요한 제조 사양 실적과 재료 특성 실적을 집약하여, 예측 모델을 작성한다. 또, 정보 처리 장치가, 작성한 수리 모델을 제조 사양 결정 장치 (10) 에 전송한다.
또 예를 들어 본 실시형태에 관련된 제조 사양 결정 장치 (10) 는, 예측 모델을 작성하는 알고리즘으로서 뉴럴 네트워크를 적용했지만, 이것에 한정되지 않고 임의의 알고리즘을 적용 가능하다. 예를 들어 예측 모델을 작성하는 알고리즘으로서, 국소 회귀, 서포트 벡터 머신, 뉴럴 네트워크, 또는 랜덤 포레스트 등의 통계 수법 및 기계 학습 수법을 적용할 수 있다. 환언하면 예측 모델은, 제조 사양과 재료 특성의 실적 데이터에 기초하여 학습된 심층 학습 모델, 또는 통계 학습 모델을 포함하는 기계 학습 모델이어도 된다.
1 : 전로
2 : 연속 주조기
3 : 가열로
4 : 후강판
5 : 압연기
6 : 가속 냉각 장치
7 : 제품 후강판
10 : 제조 사양 결정 장치
200 : 장치 본체
201 : 연산 처리부
202 : ROM
203 : 프로그램
204 : RAM
205 : 버스
206 : 정보 판독부
207 : 전처리부
208 : 예측 모델 작성부
209 : 결과 보존부
210 : 정보 판독부
211 : 특성 추정부
212 : 최적화 처리부 (탐색 처리부)
213 : 표시·전달부
300 : 입력부
301 : 입력층
302 : 중간층
303 : 출력층
400 : 기억부
500 : 출력부
600 : 통신부
2 : 연속 주조기
3 : 가열로
4 : 후강판
5 : 압연기
6 : 가속 냉각 장치
7 : 제품 후강판
10 : 제조 사양 결정 장치
200 : 장치 본체
201 : 연산 처리부
202 : ROM
203 : 프로그램
204 : RAM
205 : 버스
206 : 정보 판독부
207 : 전처리부
208 : 예측 모델 작성부
209 : 결과 보존부
210 : 정보 판독부
211 : 특성 추정부
212 : 최적화 처리부 (탐색 처리부)
213 : 표시·전달부
300 : 입력부
301 : 입력층
302 : 중간층
303 : 출력층
400 : 기억부
500 : 출력부
600 : 통신부
Claims (7)
- 금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 스텝과,
상기 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 탐색하는 스텝
을 포함하는 상기 금속 재료의 제조 사양 결정 방법. - 제 1 항에 있어서,
상기 소정 공정은, 상기 금속 재료의 성분 조성을 조정하는 공정이며, 상기 1 개 이상의 실적 데이터는 성분 조성 조정의 실적 데이터를 포함하는, 제조 사양 결정 방법. - 제 1 항 또는 제 2 항에 있어서,
상기 금속 재료는 후강판인, 제조 사양 결정 방법. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 재료 특성은 균일 신장을 포함하는, 제조 사양 결정 방법. - 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 예측 모델은, 상기 제조 사양과 상기 재료 특성의 실적 데이터에 기초하여 학습된 심층 학습 모델, 또는 통계 학습 모델을 포함하는 기계 학습 모델인, 제조 사양 결정 방법. - 제 1 항 내지 제 5 항 중 어느 한 항에 기재된 제조 사양 결정 방법을 사용하여 결정된 제조 사양으로 금속 재료를 제조하는 제조 방법.
- 금속 재료의 제조 중의 소정 공정 후에 확정한 적어도 1 개 이상의 실적 데이터를 취득하는 통신부와,
상기 1 개 이상의 실적 데이터와, 제조 사양 및 재료 특성을 결부시킨 예측 모델에 기초하여 역해석을 실시하고, 재료 특성의 추정값이 원하는 값에 점근하도록 상기 소정 공정 후에 관련된 제조 사양을 탐색하는 탐색 처리부
를 갖는 제조 사양 결정 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2019-006221 | 2019-01-17 | ||
| JP2019006221A JP7056592B2 (ja) | 2019-01-17 | 2019-01-17 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
| PCT/JP2019/006145 WO2020148917A1 (ja) | 2019-01-17 | 2019-02-19 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210110368A true KR20210110368A (ko) | 2021-09-07 |
| KR102499916B1 KR102499916B1 (ko) | 2023-02-14 |
Family
ID=71613192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217024454A KR102499916B1 (ko) | 2019-01-17 | 2019-02-19 | 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220072593A1 (ko) |
| EP (1) | EP3912740B1 (ko) |
| JP (1) | JP7056592B2 (ko) |
| KR (1) | KR102499916B1 (ko) |
| CN (1) | CN113272079B (ko) |
| BR (1) | BR112021013235B1 (ko) |
| WO (1) | WO2020148917A1 (ko) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11156991B2 (en) | 2019-06-24 | 2021-10-26 | Nanotronics Imaging, Inc. | Predictive process control for a manufacturing process |
| JP7283499B2 (ja) * | 2020-07-07 | 2023-05-30 | Ｊｆｅスチール株式会社 | 製造仕様決定支援装置、製造仕様決定支援方法、コンピュータプログラムおよびコンピュータ読み取り可能な記録媒体 |
| JP7287416B2 (ja) * | 2020-07-07 | 2023-06-06 | Ｊｆｅスチール株式会社 | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 |
| US20230315934A1 (en) * | 2020-09-11 | 2023-10-05 | Jfe Steel Corporation | Steel pipe collapse strength prediction model generation method, steel pipe collapse strength prediction method, steel pipe manufacturing characteristics determination method, and steel pipe manufacturing method |
| WO2022054336A1 (ja) * | 2020-09-11 | 2022-03-17 | Ｊｆｅスチール株式会社 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
| JP7200982B2 (ja) * | 2020-09-14 | 2023-01-10 | Ｊｆｅスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
| JP7338599B2 (ja) * | 2020-09-29 | 2023-09-05 | Ｊｆｅスチール株式会社 | ブリスタースケールの発生予測方法、圧延機の制御方法およびブリスタースケールの発生予測モデルの生成方法 |
| CN113343576B (zh) * | 2021-06-22 | 2022-03-11 | 燕山大学 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
| CN113695403B (zh) * | 2021-08-09 | 2022-08-23 | 燕山大学 | 一种基于温度均匀控制的无头轧制方法 |
| CN114694144B (zh) * | 2022-06-01 | 2022-08-23 | 南京航空航天大学 | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 |
| WO2024013794A1 (ja) * | 2022-07-11 | 2024-01-18 | 恒林日本株式会社 | 深層学習モデル生成装置、及び蓄電池の特性値算出装置 |
| CN116362085B (zh) * | 2023-03-31 | 2024-01-30 | 东北大学 | 一种基于冷却壁热流强度的炉缸内衬侵蚀形貌识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5953952B2 (ja) | 1979-02-13 | 1984-12-27 | 住友化学工業株式会社 | セルロ−ス繊維用反応染料組成物 |
| US20070208436A1 (en) * | 2002-01-15 | 2007-09-06 | Millennium Inorganic Chemicals | Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model |
| US20090193936A1 (en) * | 2008-02-01 | 2009-08-06 | Honeywell International, Inc. | Methods and apparatus for an oxygen furnace quality control system |
| JP4393586B2 (ja) | 1996-08-08 | 2010-01-06 | 株式会社ブリヂストン | 多成分系材料の設計方法、最適化解析装置及び多成分系材料の最適化解析プログラムを記録した記録媒体 |
| JP4476923B2 (ja) | 2005-12-15 | 2010-06-09 | 株式会社神戸製鋼所 | 衝突吸収性と母材靭性に優れた鋼板 |
| JP4772932B2 (ja) | 2009-11-20 | 2011-09-14 | 新日本製鐵株式会社 | 船体用厚鋼板及びその製造方法 |
| US20180081339A1 (en) * | 2016-09-21 | 2018-03-22 | International Business Machines Corporation | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08240587A (ja) * | 1995-03-03 | 1996-09-17 | Nippon Steel Corp | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
| JP5428292B2 (ja) * | 2008-10-30 | 2014-02-26 | Ｊｆｅスチール株式会社 | 高強度冷延鋼板の製造方法 |
| EP2520992B1 (en) * | 2011-05-02 | 2014-04-16 | Autoform Engineering GmbH | Method and computer system for characterizing a sheet metal part |
| CN106794499B (zh) * | 2014-10-10 | 2018-10-12 | 杰富意钢铁株式会社 | 材料特性值推定方法、材料特性值推定装置、及钢带的制造方法 |
| WO2018062398A1 (ja) * | 2016-09-30 | 2018-04-05 | 株式会社Uacj | アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 |
| JP6548690B2 (ja) * | 2016-10-06 | 2019-07-24 | 株式会社アドバンスド・データ・コントロールズ | シミュレーションシステム、シミュレーションプログラム及びシミュレーション方法 |
| US10281902B2 (en) * | 2016-11-01 | 2019-05-07 | Xometry, Inc. | Methods and apparatus for machine learning predictions of manufacture processes |
| JP6491262B2 (ja) * | 2017-05-24 | 2019-03-27 | ヤフー株式会社 | モデル |
| JP6512242B2 (ja) | 2017-06-23 | 2019-05-15 | マツダ株式会社 | 車両の前部構造及び前部組付方法 |
| JP7137943B2 (ja) * | 2018-03-20 | 2022-09-15 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
-
2019
- 2019-01-17 JP JP2019006221A patent/JP7056592B2/ja active Active
- 2019-02-19 WO PCT/JP2019/006145 patent/WO2020148917A1/ja unknown
- 2019-02-19 BR BR112021013235-0A patent/BR112021013235B1/pt active IP Right Grant
- 2019-02-19 KR KR1020217024454A patent/KR102499916B1/ko active IP Right Grant
- 2019-02-19 EP EP19910457.1A patent/EP3912740B1/en active Active
- 2019-02-19 CN CN201980088469.6A patent/CN113272079B/zh active Active
- 2019-02-19 US US17/423,476 patent/US20220072593A1/en active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5953952B2 (ja) | 1979-02-13 | 1984-12-27 | 住友化学工業株式会社 | セルロ−ス繊維用反応染料組成物 |
| JP4393586B2 (ja) | 1996-08-08 | 2010-01-06 | 株式会社ブリヂストン | 多成分系材料の設計方法、最適化解析装置及び多成分系材料の最適化解析プログラムを記録した記録媒体 |
| US20070208436A1 (en) * | 2002-01-15 | 2007-09-06 | Millennium Inorganic Chemicals | Integrated, multi-step computer implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency using high-throughput screening and governing semi-empirical model |
| JP4476923B2 (ja) | 2005-12-15 | 2010-06-09 | 株式会社神戸製鋼所 | 衝突吸収性と母材靭性に優れた鋼板 |
| US20090193936A1 (en) * | 2008-02-01 | 2009-08-06 | Honeywell International, Inc. | Methods and apparatus for an oxygen furnace quality control system |
| JP4772932B2 (ja) | 2009-11-20 | 2011-09-14 | 新日本製鐵株式会社 | 船体用厚鋼板及びその製造方法 |
| US20180081339A1 (en) * | 2016-09-21 | 2018-03-22 | International Business Machines Corporation | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220072593A1 (en) | 2022-03-10 |
| BR112021013235B1 (pt) | 2024-03-05 |
| EP3912740A4 (en) | 2022-03-09 |
| CN113272079A (zh) | 2021-08-17 |
| WO2020148917A1 (ja) | 2020-07-23 |
| KR102499916B1 (ko) | 2023-02-14 |
| JP2020114597A (ja) | 2020-07-30 |
| BR112021013235A2 (pt) | 2021-09-14 |
| EP3912740B1 (en) | 2023-11-15 |
| EP3912740A1 (en) | 2021-11-24 |
| CN113272079B (zh) | 2023-03-14 |
| JP7056592B2 (ja) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210110368A (ko) | 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치 | |
| KR102269845B1 (ko) | 열연 강판 및 그 제조 방법 | |
| JP6327395B2 (ja) | 熱延鋼板 | |
| US8460800B2 (en) | High-strength cold-rolled steel sheet excellent in bending workability | |
| US8343288B2 (en) | Cold rolled steel sheet | |
| EP3260566B1 (en) | Hot-rolled steel sheet | |
| JP6098733B2 (ja) | 熱間成形部材の製造方法 | |
| RU2593567C2 (ru) | Высокопрочная стальная полоса с высокой ударной вязкостью и пределом текучести 700 мпа и способ ее производства | |
| US9863022B2 (en) | High-strength ultra-thick H-beam steel | |
| JP6229736B2 (ja) | 熱間成形部材およびその製造方法 | |
| Krizan et al. | Development of third generation advanced high strength steels for automotive applications | |
| JP2015175061A (ja) | 引張最大強度７８０ＭＰａを有する衝突特性に優れた高強度鋼板、高強度溶融亜鉛めっき鋼板、並びに、高強度合金化溶融亜鉛めっき鋼板とそれらの製造方法。 | |
| JP5994819B2 (ja) | 耐衝撃性に優れた鋼板及びその製造方法 | |
| JP7197037B2 (ja) | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 | |
| JP5949113B2 (ja) | 脆性き裂伝播停止特性に優れた構造用高強度厚鋼板およびその製造方法 | |
| JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
| JP2012219284A (ja) | 局部変形能に優れた高強度冷延鋼板とその製造方法 | |
| RU2709071C1 (ru) | Способ производства толстолистового проката с повышенной деформационной способностью (варианты) | |
| Hernaut et al. | Development of high-performance steel plates at NLMK clabecq | |
| JP7323088B1 (ja) | 鋼板およびその製造方法 | |
| JP5949114B2 (ja) | 脆性き裂伝播停止特性に優れた構造用高強度厚鋼板の製造方法 | |
| Diekmann et al. | Development and Characterization of New Low Alloyed Ultra-High Strength Steel for Structural Body Components | |
| US20230295761A1 (en) | Steel sheet and steel sheet manufacturing method | |
| Abrams et al. | Control of microstructure by the processing parameters and chemistry in the arctic line pipe steels | |
| CN113136528A (zh) | 一种1500MPa级汽车用超高强度冷轧钢板及其制造方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |