KR20230010331A - Manufacturing methof for duplex stainless steel - Google Patents
Manufacturing methof for duplex stainless steel Download PDFInfo
- Publication number
- KR20230010331A KR20230010331A KR1020210090757A KR20210090757A KR20230010331A KR 20230010331 A KR20230010331 A KR 20230010331A KR 1020210090757 A KR1020210090757 A KR 1020210090757A KR 20210090757 A KR20210090757 A KR 20210090757A KR 20230010331 A KR20230010331 A KR 20230010331A
- Authority
- KR
- South Korea
- Prior art keywords
- phase
- stainless steel
- corr
- composition
- corrosion potential
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 229910001039 duplex stainless steel Inorganic materials 0.000 title description 3
- 238000005260 corrosion Methods 0.000 claims abstract description 86
- 230000007797 corrosion Effects 0.000 claims abstract description 86
- 229910001220 stainless steel Inorganic materials 0.000 claims abstract description 67
- 239000000203 mixture Substances 0.000 claims abstract description 66
- 239000010935 stainless steel Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000010438 heat treatment Methods 0.000 claims abstract description 17
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 229910045601 alloy Inorganic materials 0.000 claims description 35
- 239000000956 alloy Substances 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000002244 precipitate Substances 0.000 claims description 4
- 238000013531 bayesian neural network Methods 0.000 claims description 3
- 229910001256 stainless steel alloy Inorganic materials 0.000 claims description 3
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 66
- 230000000694 effects Effects 0.000 description 16
- 239000000243 solution Substances 0.000 description 10
- 239000000470 constituent Substances 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 8
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 229910001566 austenite Inorganic materials 0.000 description 7
- 229910052759 nickel Inorganic materials 0.000 description 7
- 229910000859 α-Fe Inorganic materials 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 229910052748 manganese Inorganic materials 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000011780 sodium chloride Substances 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 229910000963 austenitic stainless steel Inorganic materials 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 238000004090 dissolution Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 229910001339 C alloy Inorganic materials 0.000 description 2
- 229910000599 Cr alloy Inorganic materials 0.000 description 2
- 229910000914 Mn alloy Inorganic materials 0.000 description 2
- 229910001182 Mo alloy Inorganic materials 0.000 description 2
- 229910001199 N alloy Inorganic materials 0.000 description 2
- 229910000990 Ni alloy Inorganic materials 0.000 description 2
- 229910001080 W alloy Inorganic materials 0.000 description 2
- 238000005275 alloying Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 239000003929 acidic solution Substances 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000001887 electron backscatter diffraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000510 noble metal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C38/00—Ferrous alloys, e.g. steel alloys
- C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
- C22C38/38—Ferrous alloys, e.g. steel alloys containing chromium with more than 1.5% by weight of manganese
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
- C21D8/0226—Hot rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0247—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment
- C21D8/0263—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the heat treatment following hot rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0278—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips involving a particular surface treatment
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C38/00—Ferrous alloys, e.g. steel alloys
- C22C38/001—Ferrous alloys, e.g. steel alloys containing N
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C38/00—Ferrous alloys, e.g. steel alloys
- C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
- C22C38/22—Ferrous alloys, e.g. steel alloys containing chromium with molybdenum or tungsten
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/542—Dye sensitized solar cells
Abstract
Description
본 발명은 개선된 열처리 방법을 적용한 듀플렉스 스테인리스강의 제조 방법에 관한 것이다.The present invention relates to a method for producing duplex stainless steel using an improved heat treatment method.
듀플렉스 스테인리스강(이하 이상 스테인리스 또는 DSS라 한다)는 이상 미세조직을 가지는 미세조직적 특성에 기인하여 페라이트계 스테인리스강의 강도와 함께 오스테나이트계 스테인리스강의 우수한 연신율과 공식저항성을 겸비한 소재로 널리 각광 받고 있다.Duplex stainless steel (hereafter referred to as stainless steel or DSS) is widely spotlighted as a material that combines the strength of ferritic stainless steel with the excellent elongation and pitting resistance of austenitic stainless steel due to the microstructural characteristics of having an ideal microstructure.
또한 DSS는 전통적인 FeCrNi계 오스테나이트 스테인리스강에 비하여 유사한 성능을 나타내면서도 Ni 및 Mo 등의 고가 원소를 적게 포함하므로 경제성이 우수하고 가격안정성 또한 높은 특징이 있다.In addition, DSS shows similar performance compared to traditional FeCrNi-based austenitic stainless steels, but contains fewer expensive elements such as Ni and Mo, so it has excellent economic efficiency and high price stability.
도 1은 DSS와 오스테나이트계 스테인리스 강의 원소재 비용 대비 공식저항성 지수를 나타낸다.(J. Charles, Past, present and future of duplex stainless steels, Duplex Conference, Grado, Italy, 2007)Figure 1 shows the pitting resistance index versus raw material cost of DSS and austenitic stainless steel.
))
도 1에서 도시한 바와 같이, DSS 가 오스테나이트 단상 합금에 비하여 보다 낮은 원소재 비용으로도 동등한 수준의 공식저항성을 나타냄을 알 수 있다. As shown in FIG. 1, it can be seen that DSS exhibits an equivalent level of pitting resistance at a lower raw material cost than that of the austenite single-phase alloy.
DSS의 가장 중요한 성능 중 하나인 공식저항성은 합금 조성뿐만 아니라 구성상의 분율 및 이에 따른 합금원소 분배에 민감하게 의존한다. Pitting resistance, one of the most important performance of DSS, is sensitively dependent on the composition of the alloy as well as the fraction of the composition and the distribution of alloying elements accordingly.
따라서 DSS의 공식저항성을 극대화 할 수 있는 상분율을 도출하기 위하여 다양한 연구가 진행되었고, 그 결과 DSS 구성 상(phase) 각각의 pitting resistance equivalent number (PREN=[Cr]+3.3[Mo]-[Mn]+(16-30)[N], in wt%) 값의 구성 상 간의 차이가 최소인 상분율에서 가장 우수한 공식저항성이 나타난다고 알려져 왔다. PREN은 스테인리스강의 공식저항성을 결정하는 합금원소인 Cr, Mo, Mn, N 등의 조성으로부터 모재의 공식저항성 수준을 실험적으로 정량화한 경험식이다. Therefore, various studies have been conducted to derive the phase fraction that can maximize the pitting resistance of DSS, and as a result, the pitting resistance equivalent number of each phase of DSS (PREN=[Cr]+3.3[Mo]-[Mn ] + (16-30) [N], in wt%) It has been known that the best pitting resistance is shown in the phase fraction with the smallest difference between the constituent phases. PREN is an empirical formula that experimentally quantifies the level of pitting resistance of a parent material from the composition of Cr, Mo, Mn, and N, which are alloy elements that determine the pitting resistance of stainless steel.
이러한 이론에 기초하여, 신규 DSS의 최적 상분율은 각 상의 PREN balance를 고려하여 설계되어 왔다.Based on this theory, the optimal phase fraction of the new DSS has been designed in consideration of the PREN balance of each phase.
그러나 기존의 PREN balance를 적용한 DSS 제조 방법은 (a) 상대적으로 높은 PREN을 가지는 상에서 공식이 우선적으로 발생하는 현상을 설명하지 못하며, 또한 (b) 공식저항성을 예측하기 위하여 사용하는 PREN 식의 선택이 임의적이라는 문제가 지적되었다. However, the existing DSS manufacturing method applying PREN balance (a) cannot explain the phenomenon that pitting occurs preferentially in phases with relatively high PREN, and (b) selection of the PREN equation used to predict pitting resistance is difficult. The problem of being random was pointed out.
일반적으로 DSS에서는 공식이 발생한 후 성장할 때 구성 상(phase) 간의 galvanic corrosion(이종 금속 접합 부식: 조성이 다른 2 종의 구성상간 일반부식)이 필연적으로 일어난다.In general, in DSS, when growth occurs after pitting occurs, galvanic corrosion between component phases (dissimilar metal joint corrosion: general corrosion between two types of component phases with different compositions) inevitably occurs.
상기 기존 DSS 제조 방법의 한계는 상기 일반부식 현상이 간과되었기 때문이다.The limitation of the conventional DSS manufacturing method is that the general corrosion phenomenon is overlooked.
이에 따라 본 발명자들은 공식 저항성이 우수한 DSS를 제조하기 위해 기존의 PREN 뿐만 아니라 일반부식 저항성도 고려한 DSS의 제조 방법을 발명하였다.Accordingly, the present inventors invented a method for manufacturing DSS considering not only conventional PREN but also general corrosion resistance in order to manufacture DSS having excellent pitting resistance.
본 발명의 목적은 많은 실험과 시행착오 없이도 스테인리스강의 공식저항성을 예측하는 방법을 제공하는 것이다.An object of the present invention is to provide a method for predicting the pitting resistance of stainless steel without much experimentation and trial and error.
구체적으로 본 발명은 다양한 스테인리스강을 대상으로 조성 대 부식전위(Ecorr) 관계를 모델링을 활용하여 구현함으로써 DSS의 구성 상의 독립적인 부식거동을 정량화할 수 있는 방법을 제공하는 것이다.Specifically, the present invention is to provide a method capable of quantifying the independent corrosion behavior of the composition of DSS by implementing the composition versus corrosion potential (E corr ) relationship using modeling for various stainless steels.
나아가 본 발명은 상이한 부식특성을 가지는 DSS 구성 상간의 개별 특성 및 상호 작용을 모델링을 통해 정량화하여 DSS의 전체적인 공식저항성을 예측하는 방법을 제공하는 것이다.Furthermore, the present invention provides a method for predicting the overall pitting resistance of DSS by quantifying individual characteristics and interactions between DSS constituent phases having different corrosion characteristics through modeling.
더 나아가 본 발명은 상기 모델링을 통해 DSS의 공식 저항성을 최대화할 수 있는 열처리 공정을 확립함으로써 공식 저항성이 우수한 DSS 제조 방법을 제공하는 것이다.Furthermore, the present invention provides a DSS manufacturing method having excellent pitting resistance by establishing a heat treatment process capable of maximizing the pitting resistance of DSS through the modeling.
상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 이상 스테인리스강의 제조 방법은, 이상 스테인리스강을 구성하는 각 상의 온도 별 조성을 결정하는 단계; 상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계; 상기 각 상의 부식전위 차이가 최소가 되는 조성을 가지는 온도에서 열처리하는 단계;를 포함할 수 있다.In order to achieve the above object, a method for manufacturing an ideal stainless steel according to an embodiment of the present invention includes determining a composition for each temperature of each phase constituting the ideal stainless steel; Determining a corrosion potential (E corr ) of each phase from the determined composition of each phase; It may include; heat treatment at a temperature having a composition at which the difference in corrosion potential of each phase is minimized.
상기 이상 스테인리스강을 구성하는 각 상의 온도 별 조성은 열역학적 계산을 이용하여 결정될 수 있다.The temperature-specific composition of each phase constituting the ideal stainless steel may be determined using thermodynamic calculation.
상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 상기 각 상의 스테인리스강 합금 조성을 입력 값으로 하여 예측된 부식전위(Ecorr) 값을 출력하는 모델을 이용할 수 있다.In the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, a model outputting a predicted corrosion potential (E corr ) value using the stainless steel alloy composition of each phase as an input value may be used.
바람직하게는, 상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 고용화 열처리 후 석출상이 포함되지 않는 미세조직을 가지는 스테인리스강의 분극 실험을 통해 측정된 부식전위(Ecorr) 값을 이용할 수 있다. Preferably, in the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, the corrosion potential (E corr ) measured through a polarization experiment of stainless steel having a microstructure that does not contain a precipitate phase after solution heat treatment value is available.
이 때, 상기 고용화 열처리의 온도는 열역학적 계산을 이용하여 결정될 수 있다.At this time, the temperature of the solution heat treatment may be determined using thermodynamic calculation.
이 때, 상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 상기 측정된 부식전위(Ecorr) 값의 데이터를 이용하여 인공신경망 모델링을 통해 예측되는 부식전위(Ecorr) 값을 출력할 수 있다.At this time, in the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, the corrosion potential (E corr ) predicted through artificial neural network modeling using the data of the measured corrosion potential (E corr ) value value can be printed.
바람직하게는, Bayesian 통계 기법과 인공신경망(ANN)을 통합시킨 Bayesian Neural Network를 통하여, 합금조성을 입력 값으로 예측되는 부식전위(Ecorr) 값을 출력하는 모델을 이용할 수 있다.Preferably, a model outputting a corrosion potential (E corr ) value predicted from an alloy composition as an input value may be used through a Bayesian Neural Network in which a Bayesian statistical technique and an artificial neural network (ANN) are integrated.
더욱 바람직하게는, 상기 인공신경망에는 총 2 단계의 숨김 층을 포함할 수 있다.More preferably, the artificial neural network may include a total of two stages of hidden layers.
이 때, 상기 각 상의 스테인리스강의 합금 조성은 열역학적 계산에 의해 결정될 수 있다.At this time, the alloy composition of the stainless steel of each phase may be determined by thermodynamic calculation.
본 발명에 의하면 많은 실험과 시행착오 없이도 기존의 스테인리스강 및 나아가 새로운 조성을 가지는 스테인리스강의 부식거동을 정량화할 수 있다.According to the present invention, it is possible to quantify the corrosion behavior of existing stainless steel and stainless steel having a new composition without much experimentation and trial and error.
구체적으로 본 발명에 의하면 다양한 스테인리스강의 분극 실험을 통해 측정된 부식전위(Ecorr) 값을 이용하여 측정되지 않은 부식전위(Ecorr)값을 예측할 수 있다.Specifically, according to the present invention, the unmeasured corrosion potential (E corr ) value can be predicted using the corrosion potential (E corr ) value measured through polarization experiments of various stainless steels.
나아가 본 발명은 DSS 구성 상의 독립적인 부식거동의 정량화를 통해 DSS의 전체적인 공식저항성을 예측할 수 있게 하는 효과가 있다.Furthermore, the present invention has the effect of predicting the overall pitting resistance of DSS through the quantification of independent corrosion behavior on the DSS composition.
더 나아가 본 발명은 상기 정량화된 모델을 통해 공식저항성이 우수한 스테인리스강의 제조 방법을 효과적으로 제시할 수 있다.Furthermore, the present invention can effectively suggest a method for manufacturing stainless steel having excellent pitting resistance through the quantified model.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다. In addition to the effects described above, specific effects of the present invention will be described together while explaining specific details for carrying out the present invention.
도 1은 DSS와 오스테나이트계 스테인리스 강의 원소재 비용 대비 공식저항성 지수를 나타낸다.
도 2는 DSS의 공식발생 및 성장의 거동을 도식적으로 나타낸 그림이다.
도 3은 본 발명의 DSS 제조 방법에서 상기 정량화된 단상 스테인리스강의 각 합금원소와 일반부식 저항성 관계가 사용되는 단계를 나타낸 모식도이다.
도 4는 표 1의 다양한 스테인리스강의 각 상 별 대표적인 조직사진을 도시한다.
도 5는 본 발명에서 이용된 인공신경망 구성을 나타낸 개략도이다.
도 6은 은 상기 표 2의 입력 데이터를 이용한 인경신경망 모델에 의해 얻어진 예측된 부식전위(Ecorr) 값과 실측된 부식전위(Ecorr) 값을 비교한 도면이다.
도 7은 은 본 발명에서 구성한 인경신경망 모델을 이용하여 Cr, Mn, Ni 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.
도 8은 본 발명에서 구성한 인경신경망 모델을 이용하여 Mo, W 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.
도 9는 본 발명에서 구성한 인경신경망 모델을 이용하여 C, N 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.
도 10은 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2 종의 이상 스테인리스강의 미세조직(EBSD) 사진이다.
도 11은 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2 종의 이상 스테인리스강의 2M NaCl 용액에서 측정한 동전위분극시험 및 정전위분극시험 결과이다.
도 12는 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2 종의 이상 스테인리스강의 공식발생부위를 관찰한 SEM 사진이다.
도 13은 HCl+NaCl 용액 침지 후 Ni-free 및 0.5 wt% Ni을 포함하는 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2종의 이상 스테인리스강에서 surface profiler를 이용하여 측정한 2상 간의 용해 높이 차를 도시한다.Figure 1 shows the pitting resistance index against the raw material cost of DSS and austenitic stainless steel.
2 is a diagram schematically showing the behavior of pitting formation and growth of DSS.
3 is a schematic diagram showing the steps in which each alloy element and general corrosion resistance relationship of the quantified single-phase stainless steel is used in the DSS manufacturing method of the present invention.
Figure 4 shows a representative tissue picture for each phase of the various stainless steels in Table 1.
5 is a schematic diagram showing the configuration of the artificial neural network used in the present invention.
6 is a diagram comparing predicted corrosion potential (E corr ) values obtained by the human neural network model using the input data of Table 2 and actually measured corrosion potential (E corr ) values.
7 shows a confidence interval corresponding to 95% reliability for the effect of Cr, Mn, and Ni alloy elements on the corrosion potential of stainless steel using the neural network model constructed in the present invention.
8 shows a confidence interval corresponding to 95% reliability for the effect of Mo and W alloy elements on the corrosion potential of stainless steel using the human neural network model constructed in the present invention.
9 shows a confidence interval corresponding to 95% reliability for the effect of C and N alloy elements on the corrosion potential of stainless steel using the human neural network model constructed in the present invention.
10 is a microstructure (EBSD) photograph of two or more kinds of stainless steels with Fe balance -18Cr-6Mn-3Mo-3W-0.4N (all wt.%).
11 is a result of a potentiostatic polarization test and a potentiostatic polarization test measured in a 2M NaCl solution of two or more types of stainless steels (all wt.%) Febalance-18Cr-6Mn-3Mo-3W-0.4N.
FIG. 12 is a SEM photograph of observation of pitting occurrence sites of two or more kinds of stainless steels, Fe balance -18Cr-6Mn-3Mo-3W-0.4N (all wt.%).
13 is Ni-free and Fe balance -18Cr-6Mn-3Mo-3W-0.4N (all wt.%) containing Ni-free and 0.5 wt% Ni after immersion in HCl + NaCl solution using a surface profiler on two or more types of stainless steel It shows the dissolution height difference between the two phases measured by
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings so that those skilled in the art can easily carry out the present invention. This invention may be embodied in many different forms and is not limited to the embodiments set forth herein.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.In order to clearly describe the present invention, parts irrelevant to the description are omitted, and the same reference numerals are assigned to the same or similar components throughout the specification. In addition, some embodiments of the present invention are described in detail with reference to exemplary drawings. In adding reference numerals to components of each drawing, the same components may have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description may be omitted.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, sequence, order, or number of the corresponding component is not limited by the term. When an element is described as being “connected,” “coupled to,” or “connected” to another element, that element is or may be directly connected to that other element, but intervenes between each element. It will be understood that may be "interposed", or each component may be "connected", "coupled" or "connected" through other components.
도 2는 DSS의 공식발생 및 성장의 거동을 도식적으로 나타낸 그림이다. 도 2(a) 상태의 DSS가 수용액 중에 노출되면, 도 2(b)와 같이 DSS의 표면에 부동태 피막이 형성된다. 2 is a diagram schematically showing the behavior of pitting formation and growth of DSS. When the DSS in the state of FIG. 2 (a) is exposed to an aqueous solution, a passivation film is formed on the surface of the DSS as shown in FIG. 2 (b).
이 때 DSS를 구성하는 구성 상(phase) 각각의 특성에 따라 부동태 피막 형성 거동은 달라지며, 상대적으로 취약한 부동태 피막이 형성된 영역에서 공식이 발생하게 된다(그림 2(c)). At this time, the passive film formation behavior varies depending on the characteristics of each of the constituent phases constituting the DSS, and pitting occurs in the area where the relatively weak passive film is formed (Fig. 2(c)).
따라서 DSS 구성 상 각각의 PREN을 평가하는 것은 그림 2(c) 단계까지 적용된다. Therefore, the evaluation of each PREN in the DSS configuration is applied up to the step of Figure 2(c).
그러나 발생한 공식이 안정한 공식으로 성장하는 단계(그림 2(d))는 DSS 구성 상 간의 galvanic corrosion(조성이 다른 2 종의 구성상간 일반부식)에 의해 지배되며, 이를 결정하는 인자는 구성 상 각각의 부식전위(corrosion potential, Ecorr)의 차이가 된다. However, the stage in which the generated formula grows into a stable formula (Figure 2(d)) is dominated by galvanic corrosion (general corrosion between two types of constituent phases with different compositions) between the DSS constituent phases, and the factors that determine this are It is the difference in corrosion potential (E corr ).
즉, DSS의 공식저항성을 예측하기 위한 기존 PREN 평가 방법은 공식의 시작단계 예측에 국한되므로 공식의 성장단계를 반영하지 못하는 한계가 있다.That is, the existing PREN evaluation method for predicting the pitting resistance of DSS is limited to predicting the beginning stage of the pitting, so there is a limitation in not reflecting the growth stage of the pitting.
따라서 DSS 공식저항성 예측의 정확도를 향상시키기 위해서 선결되어야 할 주제는 DSS 구성 상 각각의 조성으로부터 일반부식저항성 수준을 예측하는 것이다. Therefore, in order to improve the accuracy of the DSS formula resistance prediction, the subject to be pre-determined is to predict the general corrosion resistance level from each composition in the DSS composition.
DSS의 구성 상인 단상 스테인리스강의 일반부식저항성 수준은 강산성 용액에서 측정되는 Ecorr 으로 평가될 수 있다. The level of general corrosion resistance of single-phase stainless steel, which is a component of DSS, can be evaluated by E corr measured in a strong acidic solution.
따라서 DSS의 구성 상인 단상 스테인리스강을 구성하는 주요 합금원소에 따른 Ecorr 변화를 측정함으로써 각 합금원소와 일반부식 저항성 관계를 정량화하는 작업이 필요하다.Therefore, it is necessary to quantify the relationship between each alloy element and general corrosion resistance by measuring the E corr change according to the main alloy elements constituting single-phase stainless steel, which is a constituent of DSS.
상기의 정량화된 단상 스테인리스강의 각 합금원소와 일반부식 저항성 관계는 도 3에 도시된 바와 같은 순서에 따라 DSS의 제조 방법에 활용될 수 있다.The relationship between each alloy element and general corrosion resistance of the quantified single-phase stainless steel can be utilized in the method of manufacturing DSS according to the sequence shown in FIG.
도 3은 본 발명의 DSS 제조 방법에서 상기 정량화된 단상 스테인리스강의 각 합금 원소와 일반부식 저항성 관계가 사용되는 단계를 나타낸 모식도이다.3 is a schematic diagram showing the steps in which each alloy element and general corrosion resistance relationship of the quantified single-phase stainless steel is used in the DSS manufacturing method of the present invention.
먼저 DSS의 조성이 결정(도 3(a))되면, 각 열처리 온도 별 합금원소의 분배가 열역학적으로 결정되므로(도 3(b)) DSS를 구성하는 각 구성 상의 조성은 예측될 수 있다. First, when the composition of DSS is determined (FIG. 3(a)), the distribution of alloy elements for each heat treatment temperature is thermodynamically determined (FIG. 3(b)), so the composition of each component constituting DSS can be predicted.
DSS의 구성 상 각각의 PREN은 각 구성 상의 조성으로부터 계산될 수 있다(도 3(c)). Each PREN on the configuration of DSS can be calculated from the composition on each configuration (Fig. 3(c)).
이에 더하여 본 발명을 통해 조성으로부터 각 구성 상의 부식 전위(Ecorr) 예측을 통해 일반부식저항성 예측이 되면(도 3(d)), DSS 구성 상 간 공식 및 일반부식특성의 차이가 가장 적은 합금 조성 및 상분율이 결정될 수 있다.In addition, when the general corrosion resistance is predicted through the prediction of the corrosion potential (E corr ) of each component from the composition through the present invention (FIG. 3 (d)), the alloy composition with the smallest difference in formula and general corrosion characteristics between the DSS component phases and phase fractions can be determined.
결국 DSS 구성 상 간 공식 및 일반부식특성의 차이가 가장 적은 합금 조성 및 상분율을 가지는 열처리 조건에서 DSS가 열처리 되면, 공식 저항성이 가장 우수한 DSS가 제조될 수 있다. As a result, when DSS is heat treated under heat treatment conditions having an alloy composition and phase fraction in which the difference in pitting and general corrosion properties between the DSS constituent phases is minimal, DSS having the best pitting resistance can be manufactured.
따라서 본 발명은 기존 DSS 공식저항성 예측이론의 missing link인 조성-일반부식저항성의 관계식을 도출함으로써 DSS 공식저항성 예측의 정확도를 향상시킬 수 있을 뿐만 아니라 공식저항성이 우수한 DSS를 제조하기 위한 열처리 공정 조건 및 제조 방법을 제공할 수 있다.Therefore, the present invention not only improves the accuracy of DSS pitting resistance prediction by deriving the relational expression of composition-general corrosion resistance, which is the missing link of the existing DSS pitting resistance prediction theory, but also heat treatment process conditions and A manufacturing method can be provided.
이하 본 발명의 DSS 제조 방법을 구체적으로 설명한다.Hereinafter, the DSS manufacturing method of the present invention will be described in detail.
앞에서 설명한 바와 같이, DSS의 구성 상 각각의 단상 스테인리스강의 일반부식저항성을 예측하기 위해서는 상기 단상 스테인리스강의 조성으로부터 Ecorr 을 결정해야 한다.As described above, in order to predict the general corrosion resistance of each single-phase stainless steel in terms of the composition of the DSS, E corr must be determined from the composition of the single-phase stainless steel.
단상 스테인리스강의 합금원소에 따른 상기 Ecorr의 결정을 위해서는 먼저 DSS의 구성 상인 단상 스테인리스강을 구성하는 주요 합금원소에 따른 Ecorr 변화를 측정함으로써 각 합금원소와 일반부식 저항성 관계를 정량화하는 작업이 필요하다.In order to determine the E corr according to the alloy elements of single-phase stainless steel, it is necessary to first quantify the relationship between each alloy element and general corrosion resistance by measuring the change in E corr according to the main alloy elements constituting the single-phase stainless steel, which is a constituent phase of DSS. Do.
이를 위해 본 발명은 다양한 스테인리스강을 대상으로 조성에 따른 부식전위(corrosion potential, Ecorr)를 동일한 조건에서 측정하였다.To this end, the present invention measured the corrosion potential (corrosion potential, E corr ) according to the composition of various stainless steels under the same conditions.
그러나 모든 성분 및 조성범위에 따른 스테인리스강의 부식전위를 측정하는 것은 현실적으로 불가능하다. However, it is practically impossible to measure the corrosion potential of stainless steel for all components and composition ranges.
왜냐하면 지나치게 많은 시간과 비용이 소요될 뿐만 아니라 나아가 새로운 성분 및 조성범위를 가지는 새로운 스테인리스강의 부식전위는 측정이 불가능하기 때문이다.This is because it takes too much time and money, and furthermore, it is impossible to measure the corrosion potential of new stainless steels having new components and composition ranges.
따라서 본 발명에서는 다양한 스테인리스강의 측정된 조성(입력값)과 부식전위(출력값)를 바탕으로 조성- Ecorr 의 관계를 인공신경망(artificial neural network, ANN) 모델링을 활용하여 구성한 후, 이 결과를 DSS 구성상의 독립적인 부식거동 정량화에 적용하였다.Therefore, in the present invention, based on the measured composition (input value) and corrosion potential (output value) of various stainless steels, the composition-E corr relationship is constructed using artificial neural network (ANN) modeling, and then the result is DSS It was applied to quantify corrosion behavior independent of composition.
본 발명자들은 상기 방법을 통해 상이한 부식특성을 가지는 DSS 구성 상 간 개별 특성 및 상호작용에 의한 DSS의 전체적인 공식저항성을 예측하는 방법을 정립하였고, 상기 예측방법을 이용하여 공식저항성이 우수한 DSS의 제조 방법을 발명하였다.The present inventors have established a method for predicting the overall pitting resistance of DSS by individual characteristics and interactions between DSS constituent phases having different corrosion characteristics through the above method, and a method for manufacturing DSS with excellent pitting resistance using the prediction method invented.
이하 본 발명의 DSS 제조 방법을 실시예를 통해 보다 구체적으로 설명한다.Hereinafter, the DSS manufacturing method of the present invention will be described in more detail through examples.
[실시예][Example]
1. 다양한 조성의 단상 스테인리스강의 부식전위 측정1. Measurement of corrosion potential of single-phase stainless steels of various compositions
본 발명에서는 Fe, Cr, Ni, Mn, C, N, Cu, W를 포함하는 다양한 조성의 스테인리스강의 부식 전위를 측정하였다.In the present invention, the corrosion potential of stainless steels having various compositions including Fe, Cr, Ni, Mn, C, N, Cu, and W was measured.
먼저 본 발명에서는 자체 제조한 Febalance-(13-23)% Cr-(0-12)% Ni-(0-20)% Mn-(0-0.56)% C-(0-1.07)% N-(0-2.1)%Mo-(0-2)%Cu-(0-4)%W (wt% 기준) 조성범위의 합금 54종에 대해 동일한 부식환경(1 M HCl, pH 0.6)에서 분극시험을 이용하여 Ecorr 를 측정하였다. First, in the present invention, the self-manufactured Fe balance -(13-23)% Cr-(0-12)% Ni-(0-20)% Mn-(0-0.56)% C-(0-1.07)% N- (0-2.1)%Mo-(0-2)%Cu-(0-4)%W (based on wt%) 54 alloys in the composition range, polarization test in the same corrosive environment (1 M HCl, pH 0.6) E corr was measured using .
제조된 합금의 분석된 조성(OES, ICP 이용)과 측정된 Ecorr 값을 아래의 표1에 나타내었다. The analyzed composition (using OES, ICP) and the measured E corr values of the manufactured alloy are shown in Table 1 below.
부식 전위(Ecorr) 측정 결과, 조성이 합금의 Ecorr 값에 가장 지배적인 영향을 미치며, 미세조직적인 인자(결정립크기, 상분율(2상계의 경우), 등)은 상대적으로 그 영향력이 적은 것으로 나타났다. As a result of the corrosion potential (E corr ) measurement, the composition has the most dominant effect on the E corr value of the alloy, and the microstructural factors (grain size, phase fraction (in the case of a two-phase system), etc.) have a relatively small influence. appeared to be
그러나 조직적 특성 중 석출상이 있는 경우에는, (1) 모재의 조성에 변화를 일으키며 (2) 또한 Ecorr 측정을 위한 전기화학 시험 시 국부적인 부식을 가속화하기 때문에 결과적으로 Ecorr 측정값의 신뢰도를 낮출 가능성이 있다.However, if there is a precipitate phase among the textural characteristics, (1) it causes a change in the composition of the base material and (2) also accelerates local corrosion during the electrochemical test for measuring E corr , resulting in lowering the reliability of the E corr measurement value. There is a possibility.
따라서 본 발명에서는, 측정된 Ecorr에 합금의 조성 외 다른 조직적 인자가 영향을 미칠 가능성을 배제하는 작업이 필요하였다.Therefore, in the present invention, it was necessary to exclude the possibility that other organizational factors other than the composition of the alloy affect the measured E corr .
이에 따라 상기 표 1에 제시된 모든 합금은 주조-열간압연 후 고용화 열처리를 통하여 석출상의 형성이 없도록 미세 조직을 제어하였다. Accordingly, in all alloys presented in Table 1, the microstructure was controlled so that there was no formation of a precipitate phase through solution heat treatment after casting and hot rolling.
상기 고용화 열처리 온도는 ThermoCalc(DB: TCFE10)을 이용한 열역학 계산을 통하여 결정하였다. The solution heat treatment temperature was determined through thermodynamic calculation using ThermoCalc (DB: TCFE10).
상기 표 1의 모든 합금의 미세조직은 OM(광학현미경)과 SEM(주사전자현미경)을 이용하여 조사되었다.The microstructures of all the alloys in Table 1 were investigated using OM (optical microscope) and SEM (scanning electron microscope).
도 4는 표 1의 다양한 스테인리스강의 각 상 별 대표적인 조직사진을 도시한다.Figure 4 shows a representative tissue picture for each phase of the various stainless steels in Table 1.
상기 미세조직 조사 결과, 각 합금은 오스테나이트(γ) 단상, 페라이트(α) 단상, 또는 마르텐사이트 단상을 가지며 석출상은 없는 것으로 확인되었다. As a result of the microstructure investigation, it was confirmed that each alloy had an austenite (γ) single phase, a ferrite (α) single phase, or a martensite single phase and no precipitation phase.
표 1의 모든 스테인리스강 합금에 대해, 분극시험을 통해 1M HCl 용액에서 Ecorr 를 측정하였다. For all stainless steel alloys in Table 1, E corr was measured in 1M HCl solution through a polarization test.
분극시험은 각 합금당 2-4회 수행되어 재현성 있는 결과를 얻었으며, 각 합금 별로 대표 Ecorr 값 2 개씩이 추출되었다.The polarization test was performed 2-4 times for each alloy to obtain reproducible results, and two representative E corr values were extracted for each alloy.
2. 조성-Ecorr 관계식의 도출2. Derivation of composition-E corr relational expression
앞에서 설명한 바와 같이, 상기 표 1의 전체 합금들의 Ecorr data로부터 유의미한 조성-Ecorr 관계식을 도출하기 위하여 ANN(artificial neural network, 인공신경망) 모델링을 활용하였다.As described above, ANN (artificial neural network) modeling was used to derive a meaningful composition-E corr relation from the E corr data of all alloys in Table 1.
도 5는 은 본 발명에서 이용된 인공신경망 구성을 나타낸 개략도이다.5 is a schematic diagram showing the configuration of the artificial neural network used in the present invention.
ANN 모델링은 데이터에 기반하여 독립인자들이 종속인자들에 미치는 영향을 평가하기 위한 기계학습방법이다. ANN modeling is a machine learning method for evaluating the effect of independent factors on dependent factors based on data.
비선형 다차원 회귀 분석 방법으로 동물의 신경망을 모사하여 각 독립변수들의 교호작용 및 비선형적인 거동을 예측하는데 활용될 수 있다.It can be used to predict the interaction and nonlinear behavior of each independent variable by simulating the animal's neural network as a nonlinear multidimensional regression analysis method.
본 발명에서 학습에 사용된 data들의 주요 통계지표는 표 2에 요약되어 있다. The main statistical indicators of the data used for learning in the present invention are summarized in Table 2.
본 발명에서는 Bayesian 통계 기법과 ANN을 통합시킨 Bayesian Neural Network를 통하여, 합금조성을 입력 값으로 Ecorr를 출력하는 모델을 구현하였으며 NeuroMat 소프트웨어를 통해 학습을 진행하였다. In the present invention, a model that outputs E corr as an input value of alloy composition was implemented through a Bayesian Neural Network that integrates Bayesian statistical techniques and ANN, and learning was conducted through NeuroMat software.
본 발명에서는 인공지능망 내에 총 2 단계의 숨김 층을 포함하도록 하였으며, 최대 20개까지의 노드들에 대한 모델링을 진행한 후, 모델 확인 data를 통해 여러 모델들의 결과 값 평균에 대해 모델의 예측 정도를 측정하였고 가장 예측 정합도가 높은 모델 조합을 선택하였다. In the present invention, a total of two levels of hidden layers are included in the artificial intelligence network, and after modeling up to 20 nodes, the prediction degree of the model for the average of the result values of several models is calculated through model confirmation data. It was measured and the model combination with the highest prediction matching was selected.
도 6은 상기 표 2의 입력 데이터를 이용한 인경신경망 모델에 의해 얻어진 예측된 부식전위 값과 실측된 부식전위 값을 비교한 도면이다. 6 is a diagram comparing the predicted corrosion potential value obtained by the human neural network model using the input data of Table 2 and the actually measured corrosion potential value.
도 6에서 도시하는 바와 같이 학습 data가 대부분 측정 값에 가까운 분포를 보임을 알 수 있다.As shown in FIG. 6, it can be seen that most of the learning data show a distribution close to the measurement value.
도 6의 결과는 본 발명에서 사용된 모델이 스테인리스강 Ecorr값을 예측하는데 효과적으로 적용될 수 있음을 보여준다. The results of FIG. 6 show that the model used in the present invention can be effectively applied to predict the stainless steel E corr value.
도 7은 본 발명에서 구성한 인경신경망 모델을 이용하여 Cr, Mn, Ni 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.7 shows a confidence interval corresponding to 95% reliability for the effect of Cr, Mn, and Ni alloy elements on the corrosion potential of stainless steel using the human neural network model constructed in the present invention.
먼저, Cr(도 7(좌)) 및 Mn(도 7(중))은 각각 0-30 wt% 및 0-22 wt%까지 FeCrNiMnCNCuW 기지 합금에 첨가되면, Ecorr을 선형적으로 감소시킨다.First, when Cr (Fig. 7(left)) and Mn (Fig. 7(middle)) are added to the FeCrNiMnCNCuW base alloy to 0-30 wt% and 0-22 wt%, respectively, E corr is reduced linearly.
반면 Ni(도 7(우))은 0-20 wt% 첨가 시, 모재의 Ecorr을 점진적으로 증가시킨다. On the other hand, Ni (Fig. 7 (right)) gradually increases the E corr of the base material when 0-20 wt% is added.
Cr 및 Mn은 Fe에 대비하여 전기화학적으로 active한 금속이며 Ni은 Fe대비 noble한 금속이므로 Ecorr에 상기 합금 원소들의 전기화학적 영향들이 잘 반영되었음을 확인할 수 있다. Since Cr and Mn are electrochemically active metals compared to Fe, and Ni is a noble metal compared to Fe, it can be confirmed that the electrochemical effects of the alloying elements are well reflected in E corr .
도 8은 본 발명에서 구성한 인경신경망 모델을 이용하여 Mo, W 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.8 shows a confidence interval corresponding to 95% reliability for the effect of Mo and W alloy elements on the corrosion potential of stainless steel using the human neural network model constructed in the present invention.
Mo(도 8(좌)) 및 W(도 8(우))은 모두 스테인리스강에 첨가되어 모재의 Ecorr를 상승시키므로 모재를 noble하게 변화시킨다고 평가할 수 있다. Mo (Fig. 8 (left)) and W (Fig. 8 (right)) are both added to stainless steel to increase the E corr of the base material, so it can be evaluated that the base material is changed noble.
이 때, Mo의 첨가량이 약 7 wt% 이상으로 증가하면 조성에 따른 Ecorr의 증가세(ΔEcorr/Δ[Mo, wt%])는 감소하는 특징이 나타난다. At this time, when the added amount of Mo increases to about 7 wt% or more, the increasing trend of E corr according to the composition (ΔE corr /Δ[Mo, wt%]) decreases.
도 9는 본 발명에서 구성한 인경신경망 모델을 이용하여 C, N 합금원소가 스테인리스강의 부식전위에 미치는 영향에 대해 95%의 신뢰도에 대응하는 신뢰구간을 보여준다.9 shows a confidence interval corresponding to 95% reliability for the effect of C and N alloy elements on the corrosion potential of stainless steel using the human neural network model constructed in the present invention.
C(도 9(좌)) 및 N(도 9(우))의 스테인리스강의 부식전위에 미치는 영향은 상반되게 나타난다. The effects of C (Fig. 9 (left)) and N (Fig. 9 (right)) on the corrosion potential of stainless steel appear opposite.
먼저 C의 함량 증가는 스테인리스강의 Ecorr를 대체로 상승시키며, N의 함량 증가는 반대로 Ecorr를 감소시킨다. First, increasing the C content generally increases the E corr of stainless steel, and increasing the N content conversely decreases the E corr .
특히 N의 함량에 따른 모재의 일반부식저항성 변화에 대해서 지금까지는 많은 서로 다른 결과들이 존재해 왔는데, 본 발명에서는 N 첨가가 일반부식저항성을 악화시키는 것에 대한 통계적인 근거를 최초로 제공한 것이다.In particular, there have been many different results so far regarding the change in general corrosion resistance of the base material according to the N content, but the present invention provides a statistical basis for the first time that N addition deteriorates general corrosion resistance.
한편 최근 들어 상용 γ(오스테나이트) 스테인리스강에서 고가의 Ni을 배제하고 Mn, N, C 등의 γ 안정화 원소를 활용하려는 시도들이 보고되고 있다.On the other hand, recently, attempts to exclude expensive Ni from commercial γ (austenitic) stainless steel and utilize γ stabilizing elements such as Mn, N, and C have been reported.
본 발명에서는 상기 도 7 및 9의 결과를 바탕으로 N 및 Mn의 첨가의 경우 일반부식저항성을 열화시키지만 C의 첨가는 모재의 일반부식저항성을 오히려 향상시킴을 것을 입증하는 정량적인 데이터를 제공한다.In the present invention, based on the results of FIGS. 7 and 9, the addition of N and Mn deteriorates the general corrosion resistance, but the addition of C rather improves the general corrosion resistance of the base material. Provides quantitative data.
3. 다양한 조성의 DSS의 열처리 조건 제공3. Provide heat treatment conditions for DSS of various compositions
상기 1 및 2에서 각각 설명한 다양한 조성의 단상 스테인리스강의 부식전위 측정 및 조성-Ecorr 관계식의 도출 결과는 공식 저항성이 우수한 DSS를 제조하는 방법을 제공할 수 있다.The results of measuring the corrosion potential of single-phase stainless steels of various compositions described in 1 and 2 above and deriving the composition-E corr relational expression can provide a method for manufacturing DSS with excellent pitting resistance.
구체적으로 상기 1 및 2에서의 측정 및 도출 결과는 종래의 DSS 뿐만 아니라 새로운 성분 및 조성범위를 가지는 DSS의 공식 저항성이 가장 우수한 열처리 조건을 제공하는데 이용될 수 있다.Specifically, the measurement and derivation results in 1 and 2 above can be used to provide heat treatment conditions with the best pitting resistance of DSS having new components and composition ranges as well as conventional DSS.
먼저 DSS의 성분 및 조성 범위가 결정되면, ThermoCalc 계산을 통해 DSS를 구성하는 각 상의 온도에 따른 성분 및 조성범위가 결정될 수 있다.First, when the components and composition ranges of DSS are determined, the components and composition ranges according to the temperature of each phase constituting DSS can be determined through ThermoCalc calculation.
다음으로 상기 ThermoCalc를 통해 계산된 온도에 따른 각 상의 성분 및 조성범위와 상기 2에서 도출된 조성-Ecorr 관계식을 통해 상기 각 상의 온도에 따른 부식전위(Ecorr)가 결정될 수 있다.Next, the corrosion potential (E corr ) according to the temperature of each phase can be determined through the components and composition ranges of each phase according to the temperature calculated through the ThermoCalc and the composition-E corr relational expression derived in 2 above.
상기 계산된 각 상의 온도에 따른 부식전위의 결과를 바탕으로, 각 상의 부식전위의 차이가 최소화되는 온도에서 DSS를 열처리한다.Based on the result of the corrosion potential according to the temperature of each phase calculated above, the DSS is heat treated at a temperature at which the difference in corrosion potential of each phase is minimized.
따라서 본 발명은 기존 DSS 뿐만 아니라 새로운 성분 및 조성범위를 가지는 DSS까지 별도의 실험이나 시행착오 없이도 공식저항성이 우수한 제조 방법을 제공할 수 있다.Therefore, the present invention can provide a manufacturing method with excellent pitting resistance for DSS having new components and composition ranges as well as existing DSS without additional experiments or trials and errors.
[실험예][Experimental Example]
본 발명에서는 Ni-free 및 0.5 wt% Ni을 포함하는 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2 종의 이상 스테인리스강(각각 0Ni 및 0.5Ni로 표기)을 제조하고 내공식성을 평가하였다. In the present invention, Ni-free and Fe balance -18Cr-6Mn-3Mo-3W-0.4N (both wt.%) containing 0.5 wt% Ni, two types of stainless steels (represented as 0Ni and 0.5Ni, respectively) are manufactured. and the corrosion resistance was evaluated.
상기 두 합금은 고용화 열처리를 통해 γ(오스테나이트):α(페라이트) 부피분율 약 1:1을 가지며 결정립크기가 유사하고 석출상이 존재하지 않는 건전한 2상 조직을 가지도록 제어되었다(도 10). The two alloys had a γ (austenite):α (ferrite) volume fraction of about 1:1 through solution heat treatment, and were controlled to have a sound two-phase structure with similar grain sizes and no precipitated phase (FIG. 10). .
상기 두 합금을 2 M NaCl 용액에서 동전위/정전위 분극시험한 결과(도 11), 0.5 wt% Ni을 포함하는 강이 Ni-free 강보다 높은 공식저항성을 가지는 것으로 나타났다. As a result of the potentiostatic/potential polarization test of the two alloys in a 2 M NaCl solution (FIG. 11), it was found that the steel containing 0.5 wt% Ni had higher pitting resistance than the Ni-free steel.
또한 공식발생처를 관찰한 결과, 두 합금 모두에서 공식은 γ(감마)상에서 발생하여 성장하는 것이 확인되었다(도 12). In addition, as a result of observing the source of pitting, it was confirmed that in both alloys, pitting occurred and grew in the γ (gamma) phase (FIG. 12).
본 발명의 상기 실험예에서 주목할 점은, Ni을 1.5 wt% 이상 포함하는 상용 DSS (UNS S32304, S31803, S32750 등)에서는 γ(오스테나이트) 상이 α(페라이트) 상에 비해 noble 하므로 용해 시 α(페라이트)상이 선택 용해되는 것으로 관찰되나, 본 발명에 사용된 강과 같이 Ni 함량이 극저로 설계된 DSS에서는 α(페라이트)상 대비 γ(오스테나이트)상이 선택 용해된 것을 볼 수 있다. It should be noted in the above experimental examples of the present invention that in commercial DSS (UNS S32304, S31803, S32750, etc.) containing 1.5 wt% or more of Ni, the γ (austenite) phase is nobler than the α (ferrite) phase, so α ( It is observed that the ferrite) phase is selectively dissolved, but in the DSS designed to have an extremely low Ni content, such as the steel used in the present invention, it can be seen that the γ (austenite) phase is selectively dissolved compared to the α (ferrite) phase.
또한 기존 보고에 따르면, Ni은 일반적으로 PREN 식의 구성원소로 사용되지 않으며 스테인리스강의 공식저항성 향상에는 직접적인 영향을 미치지 않는 것으로 보고되었고 피막 형성에도 관여하지 않는 것으로 알려져 있다.In addition, according to previous reports, Ni is generally not used as a member of the PREN formula, has been reported to have no direct effect on improving the pitting resistance of stainless steel, and is known not to be involved in film formation.
그러나 본 발명에서는 소량의 Ni 첨가만으로도 DSS 공식저항성의 분명한 향상을 가져오는 것으로 나타났다. However, in the present invention, it was shown that even a small amount of Ni was added to bring about a clear improvement in DSS pitting resistance.
Ni 첨가에 따라 공식저항성이 향상한 원인은 γ(오스테나이트)-α(페라이트)상간 galvanic corrosion 속도가 감소하기 때문으로 확인되었다.It was confirmed that the cause of the improvement in pitting resistance by the addition of Ni was the decrease in the galvanic corrosion rate between the γ (austenite)-α (ferrite) phase.
도 13은 HCl+NaCl 용액 침지 후 Ni-free 및 0.5 wt% Ni을 포함하는 Febalance-18Cr-6Mn-3Mo-3W-0.4N(모두 wt.%) 2종의 이상 스테인리스강에서 surface profiler를 이용하여 측정한 2상 간의 용해 높이 차를 도시한다.13 is Ni-free and Fe balance -18Cr-6Mn-3Mo-3W-0.4N (all wt.%) containing Ni-free and 0.5 wt% Ni after immersion in HCl + NaCl solution using a surface profiler on two or more types of stainless steel It shows the dissolution height difference between the two phases measured by
본 발명에서는 2상 간의 galvanic corrosion rate를 2상 간의 선택용해 높이차를 측정하여 정량화하였다.In the present invention, the galvanic corrosion rate between the two phases was quantified by measuring the difference in height of the selective melting between the two phases.
0Ni 합금의 경우 2상 간의 용해 높이 차는 0.51㎛인데 비해 0.5Ni 합금의 경우 2상 간의 용해 높이 차는 0.34㎛로 감소하였다. In the case of the 0Ni alloy, the difference in melting height between the two phases was 0.51 μm, whereas in the case of the 0.5Ni alloy, the difference in melting height between the two phases was reduced to 0.34 μm.
0.5wt%의 Ni의 첨가는 α(페라이트)상 대비 보다 active한 γ(오스테나이트)상의 nobility를 상승시켜 2상간 galvanic corrosion으로 인한 부식을 감소시켰다.The addition of 0.5wt% of Ni increased the nobility of the more active γ (austenite) phase compared to the α (ferrite) phase, reducing corrosion caused by galvanic corrosion between two phases.
이는 발생한 공식 내부의 모재 용해속도의 감소를 의미하므로 0.5wt%의 Ni의 첨가는 DSS의 공식 성장을 억제하는데 기여한 것으로 판단할 수 있다. Since this means a decrease in the dissolution rate of the parent material inside the pitting, it can be judged that the addition of 0.5 wt% of Ni contributed to suppressing the pitting growth of DSS.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.As described above, the present invention has been described with reference to the drawings illustrated, but the present invention is not limited by the embodiments and drawings disclosed herein, and various modifications are made by those skilled in the art within the scope of the technical idea of the present invention. It is obvious that variations can be made. In addition, although the operational effects according to the configuration of the present invention have not been explicitly described and described while describing the embodiments of the present invention, it is natural that the effects predictable by the corresponding configuration should also be recognized.
Claims (9)
상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계;
상기 각 상의 부식전위 차이가 최소가 되는 조성을 가지는 온도에서 열처리하는 단계;를 포함하는,
이상 스테인리스강의 제조 방법.
Determining the temperature-dependent composition of each phase constituting the ideal stainless steel;
Determining a corrosion potential (E corr ) of each phase from the determined composition of each phase;
Including, heat treatment at a temperature having a composition at which the difference in corrosion potential of each phase is minimized.
Method for producing ideal stainless steel.
상기 이상 스테인리스강을 구성하는 각 상의 온도 별 조성은 열역학적 계산을 이용하여 결정되는,
이상 스테인리스강의 제조 방법.
According to claim 1,
The temperature-specific composition of each phase constituting the ideal stainless steel is determined using thermodynamic calculation,
Method for producing ideal stainless steel.
상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 스테인리스강 합금 조성을 입력 값으로 하여 예측된 부식전위(Ecorr) 값을 출력하는 모델을 이용하는,
이상 스테인리스강의 제조 방법.
According to claim 1,
In the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, using a model that outputs a predicted corrosion potential (E corr ) value with the stainless steel alloy composition as an input value,
Method for producing ideal stainless steel.
상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 고용화 열처리 후 석출상이 포함되지 않는 미세조직을 가지는 스테인리스강의 분극 실험을 통해 측정된 부식전위(Ecorr) 값을 이용하는,
이상 스테인리스강의 제조 방법.
According to claim 3,
In the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, the corrosion potential (E corr ) measured through a polarization experiment of stainless steel having a microstructure that does not contain a precipitate phase after solution heat treatment is used,
Method for producing ideal stainless steel.
상기 고용화 열처리의 온도는 열역학적 계산을 이용하여 결정되는,
이상 스테인리스강의 제조 방법.
According to claim 4,
The temperature of the solution heat treatment is determined using thermodynamic calculation,
Method for producing ideal stainless steel.
상기 결정된 각 상의 조성으로부터 각 상의 부식전위(Ecorr)를 결정하는 단계에서는 상기 측정된 부식전위(Ecorr) 값의 데이터를 이용하여 인공신경망 모델링을 통해 예측되는 부식전위(Ecorr) 값을 출력하는,
이상 스테인리스강의 제조 방법.
According to claim 4,
In the step of determining the corrosion potential (E corr ) of each phase from the determined composition of each phase, a corrosion potential (E corr ) value predicted through artificial neural network modeling is output using the data of the measured corrosion potential (E corr ) value. doing,
Method for producing ideal stainless steel.
Bayesian 통계 기법과 인공신경망(ANN)을 통합시킨 Bayesian Neural Network를 통하여, 합금조성을 입력 값으로 예측되는 부식전위(Ecorr) 값을 출력하는 모델을 이용하는,
이상 스테인리스강의 제조 방법.
According to claim 6,
Through the Bayesian Neural Network, which integrates Bayesian statistical techniques and artificial neural networks (ANN), using a model that outputs the corrosion potential (E corr ) value predicted by the alloy composition as an input value,
Method for producing ideal stainless steel.
상기 인공신경망에는 총 2 단계의 숨김 층을 포함하는,
이상 스테인리스강의 제조 방법.
According to claim 7,
The artificial neural network includes a total of two stages of hidden layers,
Method for producing ideal stainless steel.
상기 각 상의 스테인리스강의 합금 조성은 열역학적 계산에 의해 결정되는,
이상 스테인리스강의 제조 방법.According to claim 3,
The alloy composition of the stainless steel of each phase is determined by thermodynamic calculation,
Method for producing ideal stainless steel.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210090757A KR102541020B1 (en) | 2021-07-12 | 2021-07-12 | Manufacturing methof for duplex stainless steel |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210090757A KR102541020B1 (en) | 2021-07-12 | 2021-07-12 | Manufacturing methof for duplex stainless steel |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230010331A true KR20230010331A (en) | 2023-01-19 |
| KR102541020B1 KR102541020B1 (en) | 2023-06-05 |
Family
ID=85078001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090757A KR102541020B1 (en) | 2021-07-12 | 2021-07-12 | Manufacturing methof for duplex stainless steel |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102541020B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005315703A (en) * | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | Method for predicting material in steel material |
| KR20200082362A (en) * | 2018-12-28 | 2020-07-08 | 한국기계연구원 | Duplex stainless steel for highly corrosive environment and method of manufacturing the same |
-
2021
- 2021-07-12 KR KR1020210090757A patent/KR102541020B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005315703A (en) * | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | Method for predicting material in steel material |
| KR20200082362A (en) * | 2018-12-28 | 2020-07-08 | 한국기계연구원 | Duplex stainless steel for highly corrosive environment and method of manufacturing the same |
Non-Patent Citations (1)
| Title |
|---|
| Prediction of Ferrite Number in Stainless Steel Welds using Bayesian Neural Network Model(Welding in the World volume 51, p 15 ~ 28, 2007) * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102541020B1 (en) | 2023-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Das et al. | Estimation of deformation induced martensite in austenitic stainless steels | |
| JP2005315703A (en) | Method for predicting material in steel material | |
| CN105408509B (en) | The excellent stretching, extension material and application thereof being made of Cu-Al-Mn systems alloy material of anti-stress corrosiveness | |
| Yadav et al. | Evolution of the substructure of a novel 12% Cr steel under creep conditions | |
| Iacoviello et al. | Fatigue crack propagation in austeno-ferritic duplex stainless steel 22 Cr 5 Ni | |
| Roy et al. | Mechanical properties of micro-alloyed steels studied using a evolutionary deep neural network | |
| CN104451414A (en) | Two-phase stainless steel, thin sheet material and diaphragm using two-phase stainless steel | |
| Mazánová et al. | Initiation and growth of short fatigue cracks in austenitic Sanicro 25 steel | |
| Donahue et al. | The interaction of corrosion fatigue and stress-corrosion cracking in a precipitation-hardened martensitic stainless steel | |
| Sahoo et al. | Influence of temperature on multiaxial creep behaviour of 304HCu austenitic stainless steel | |
| Laukkanen et al. | Micromechanics driven design of ferritic–austenitic duplex stainless steel microstructures for improved cleavage fracture toughness | |
| Doh et al. | Bayesian inference-based decision of fatigue life model for metal additive manufacturing considering effects of build orientation and post-processing | |
| KR102541020B1 (en) | Manufacturing methof for duplex stainless steel | |
| Turnbull et al. | Stress corrosion testing of welded supermartensitic stainless steels for oil and gas pipelines | |
| Weaver et al. | Rotary bend fatigue of nitinol to one billion cycles | |
| Hesketh et al. | Influence of additive manufacturing by laser powder bed fusion on the susceptibility of Alloy 718 to hydrogen embrittlement | |
| Kim et al. | On experimental J estimation equations based on CMOD for SE (B) specimens | |
| Jürgens et al. | The effect of dwell times on the thermomechanical fatigue life performance of grade P92 steel at intermediate and low strain amplitudes | |
| Mondal et al. | Dynamic recrystallization and phase-specific corrosion performance in a super duplex stainless steel | |
| Parker | Creep ductility considerations for high energy components manufactured from creep strength enhanced steels | |
| US10816421B2 (en) | Metal elastic element and diaphragm using the same | |
| Petrov | Fundamental Studies of Strength Physics--Methodology of Longevity Prediction of Materials under Arbitrary Thermally and Forced Effects. | |
| Gupta et al. | Modeling and optimization of Wire–EDM parameters for machining of Ni54. 1Ti45. 9 shape memory alloy using hybrid approach | |
| Brett et al. | An investigation of the effect of pre-straining on the creep behaviour of a P91 steel at 600° C using impression creep testing | |
| Nam et al. | Ductile fracture simulation for A106 Gr. B carbon steel under high strain rate loading condition |
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 |