一種鋼種熱模擬試驗材質控制方法
2023-05-22 11:02:31
專利名稱：一種鋼種熱模擬試驗材質控制方法
技術領域：
本發明涉及鋼種的研發技術領域，具體地說是一種鋼種熱模擬試驗材質控制方法。
背景技術：
近年來，研究和開發以超細晶為特徵的新一代鋼鐵材料，已經成為當今世界鋼鐵材料發展的一個重要方向。在新鋼種研發的必備階段—熱模擬試驗中需要對多種成分試驗鋼種的試樣進行大量的熱模擬變形工藝以及相應試樣的微觀分析，以探索新鋼種的最優成分和工藝參數最優值。然而超細晶粒鋼的研發工作目前尚局限於實驗觀察以及一般性理論探討階段，需要佔用大量人力、設備進行大量的重複勞動，這就大大延長超細晶鋼鐵材料的研發周期和研發費用。如果能夠通過計算機模擬手段預測熱模擬試樣的微觀組織與力學性能，並得出新鋼種的最優成分和工藝參數最優值，使鋼種設計與材質控制更加科學合理，這無疑是令人鼓舞的。為達到此目的，就需要了解在熱模擬工藝中各個參數的變化過程，並藉助模擬手段，動態地模擬並控制組織。將傳統的研發新鋼種、新工藝的實驗試製工作模式轉變為計算機模擬工作模式。由此可大大降低研發成本，加快新產品研發速度，並能滿足柔性製備的要求，從而大幅減少超細晶粒鋼研發中傳統的「炒菜」方式。
亦即根據材料的成分和製備工藝條件，通過計算來預測熱模擬試驗組織與性能，從而對材料成分以及熱模擬工藝進行優化和控制。經申請者對國外權威專利機構，諸如歐洲專利(國際網)、美國專利資料庫、PCT國際專利檢索以及國內專利檢索，均未見相關專利申請。
發明內容
本發明提供了一種鋼種熱模擬試驗材質控制方法，利用計算機實現鋼種熱模擬試驗的組織和工藝控制。
為實現上述目的，本發明的技術方案是採用基於成分、工藝、組織與性能的四面體模型，採用模塊化結構思想建立智能系統，系統有如下模塊前處理模塊、相變模塊、組織性能模塊和應用模塊；前處理模塊是從資料庫中讀取熱模擬試驗過程所需要的試驗參數，以為後續過程提供初始條件；相變模塊、組織性能模塊是熱模擬工藝的各個物理冶金模型的動態模擬；應用模塊是通過建立遺傳神經網絡模型，尋找網絡連接權和網絡結構的最優值，對熱模擬試驗的組織和性能進行預測。
具體如下前處理模塊從資料庫中讀取熱模擬試驗過程工藝參數，包括鋼種的化學成分、變形溫度、變形道次、變形速率、道次變形量以及道次間隔時間等。
相變模塊在熱模擬過程中發生γ→α相變，首先由化學成分求出相變平衡溫度Ae3，在低於Ae3溫度下，根據前期工藝試驗數據，求出鐵素體的形核率和長大速度。從而達到利用經典的形核長大理論預測鐵素體的晶粒尺寸的目的。
為了與原有的熱模擬試驗工藝一致，將Y.SAITO等的相變組織模型修正後進行計算，修正值均採用以往的熱模擬工藝數值及其組織、性能測試值，使得該模塊能在描述變形、變形速率、變形溫度以及道次間隔的函數關係更加精確。
Y.SAITO提出的微合金鋼相變組織模型lnDα＝0.92+0.44lnDγ-0.77lnCγ-0.88+anh(10δε)未知參數採用以往的熱模擬工藝參數值及其組織、性能測試值。不同鋼種利用與上述公式類似的數學模型可以進行相變後鐵素體晶粒尺寸的預測。
對於熱模擬後的相變比，即鐵素體與其它組織的體積比則採用申請者根據前期工藝試驗數據建立的多元線性回歸模型進行預測fα＝-0.2058×t1-0.0210×t2+0.0077×t3+0.0078×t4-0.6522×ε1+0.4174×ε2+0.1114×ε3+0.2243×ε4-0.0281×δ1-0.0702×δ2-0.0961×δ3+238.9269(fα細晶鐵素體百分比；t1-t41-4道次變形溫度；ε1-ε41-4道次變形量；s1-s31-3道次間隔時間)組織性能模塊將鋼在室溫條件下的組織分為鐵素體、珠光體、貝氏體和馬氏體等單相組織和由它們組成的多相組織，並分別討論影響組織和力學性能的因素。然後，從變形過程計算機模擬和性能預報的觀點出發，將化學成分、組織與屈服強度、抗拉強度等力學性能的表達為數學關係式。
Hall-Petch關係式Ys＝σ0+Kd-1/2σ0＝σsol+σppt+σdisl+...
對於鐵素體—珠光體組織鋼的抗拉強度來說，鐵素體相與珠光體相強度的加權平均Ys＝fF·TSF+fp·Tsp對於微合金鋼，採用Ys＝434.60+1988.45Da-0.5應用模塊本模塊是建立全新的遺傳神經網絡模型，考察超細晶粒鋼熱模擬試驗參數的輸入空間到其組織的輸出空間的映射，運用遺傳神經網絡模型對熱模擬試驗的組織進行預測。遺傳神經網絡模型的建立思想是改變BP算法依賴梯度信息的指導來調整網絡權值的方法，利用遺傳算法全局性搜索的特點，尋找網絡連接權和網絡結構的最優值。模型的求解方法為數據預處理時將實驗數據歸一化，使其變為
之間的數；利用經驗公式確定隱層節點數；用遺傳算法與神經網絡相結合的方法訓練網絡，在訓練網絡時，只有當訓練的均方差或者訓練步數達到一事先設定的精度值，若達到要求，則可以進行網絡的測試以及預測，若沒有達到，則繼續進行網絡的訓練，直到滿足訓練的均方差(或訓練步數)精度要求值為止。
本發明的優點1.將混合智能系統的理論引入鋼種熱模擬試驗材質控制領域，建立了集成多種智能系統模型，為改變鋼種研發中需大量人力手工勞動，耗時長、消耗資源大等一系列落後的鋼種研發方式提供了一條簡便易行之路。
2.採用模塊化建模思想，建立了5個模塊；各模塊之間既相互獨立，又相互依存，從而保證了系統使用的靈活性和可選擇性。尤其在應用模塊中利用遺傳神經網絡模塊進行鋼種的熱模擬試驗組織與性能的預測，可以在極短期限內實現對最新研究鋼種的預測模型的建立，以便即使調整和優化工藝，滿足研發需要。
3.應用本系統，可進行組織性能的預報以及逆向得出期望目標下的最優成分和工藝參數組合。
4.系統的設計、維護方便本系統的開發均採用VC++語言，運用VC++語言的強大功能，這克服了多種程式語言的潛在衝突，方便系統的維護升級；操作方便由於系統具有大量的資料庫資料，操作人員只需要輸入基本要求即可通過系統得出一個預測值以指導實驗生產，這樣可大量節省研發時間、降低研發成本，提高研發水平。
圖1為本發明整體結構示意圖
具體實施例方式
就超細晶粒鋼熱模擬試驗而言，其輸入空間包括試驗鋼的化學成分，變形溫度、變形量、變形道次、變形速率、間隔時間、保溫時間、冷卻條件等十兒個參數；輸出空間主要是超細晶鐵素體的晶粒尺寸及百分含量以及相應的力學性能。訓練網絡的樣本取自低碳微合金鋼的Gleeble-2000熱模擬試驗數據，試樣尺寸為Φ8×12.4mm，試樣成分為C0.08-0.20，Si0.15-0.21，Mn0.5-0.8，P0.008-0.012，S0.005-0.008，V0.02-0.13，Nb0.02-0.13，N0.003-0.008。當研發時間有限，過程數據有限時，利用應用模塊的遺傳神經網絡模型進行對各因素的分析。進入系統的遺傳神經網絡主界面之後，選擇「應用模塊」下「建立遺傳神經網絡」子菜單，將打開「建立遺傳神經網絡」界面，用戶可以自行設置網絡的精度、訓練次數、訓練步長等，也可以使用本系統默認的值。然後繼續「設置遺傳神經網絡參數」界面，用戶可以根據需要設置輸入層、隱含層和輸出層的數。進入「預測」界面，進行細晶鐵素體尺寸、細晶鐵素體百分比、屈服強度以及延伸率的預測，網絡將根據輸入的參數進行預測。
通過對樣本數據的學習，得出本系統應用模塊預測細晶鐵素體尺寸、細晶鐵素體百分比、屈服強度以及延伸率的相對誤差分別為±2.8％、±3.0％、±1.5％及±2.8％。
權利要求
1.一種鋼種熱模擬試驗材質控制方法，其特徵在於採用基於成分、工藝、組織與性能的四面體模型，採用模塊化結構思想建立智能系統，系統有如下模塊前處理模塊、相變模塊、組織性能模塊和應用模塊；前處理模塊是從資料庫中讀取熱模擬試驗過程所需要的試驗參數，以為後續過程提供初始條件；相變模塊、組織性能模塊是熱模擬工藝的各個物理冶金模型的動態模擬；應用模塊是通過建立遺傳神經網絡模型，尋找網絡連接權和網絡結構的最優值，對熱模擬試驗的組織和性能進行預測。
2.根據權利要求1所述的一種鋼種熱模擬試驗材質控制方法，其特徵在於前處理模塊從資料庫中讀取熱模擬試驗過程包括鋼種的化學成分、變形溫度、變形道次、變形速率、道次變形量以及道次間隔時間工藝參數。
3.根據權利要求1所述的一種鋼種熱模擬試驗材質控制方法，其特徵在於相變模塊在熱模擬過程中發生γ→α相變，首先由化學成分求出相變平衡溫度Ae3，在低於Ae3溫度下，根據前期工藝試驗數據，求出鐵素體的形核率和長大速度。
4.根據權利要求1所述的一種鋼種熱模擬試驗材質控制方法，其特徵在於組織性能模塊將鋼在室溫條件下的組織分為鐵素體、珠光體、貝氏體和馬氏體等單相組織和由它們組成的多相組織，並分別討論影響組織和力學性能的因素；然後，從變形過程計算機模擬和性能預報的觀點出發，將化學成分、組織與屈服強度、抗拉強度等力學性能的表達為數學關係式。
5.根據權利要求1所述的一種鋼種熱模擬試驗材質控制方法，其特徵在於應用模塊建立遺傳神經網絡模型，尋找網絡連接權和網絡結構的最優值，模型的求解方法為數據預處理時將實驗數據歸一化，使其變為
之間的數；利用經驗公式確定隱層節點數；用遺傳算法與神經網絡相結合的方法訓練網絡，在訓練網絡時，只有當訓練的均方差或者訓練步數達到一事先設定的精度值，若達到要求，則可以進行網絡的測試以及預測，若沒有達到，則繼續進行網絡的訓練，直到滿足訓練的均方差精度要求值為止。
全文摘要
本發明涉及鋼種的研發技術領域，特指一種鋼種熱模擬試驗材質控制方法。採用基於成分、工藝、組織與性能的四面體模型，採用模塊化結構思想建立智能系統，系統有如下模塊前處理模塊、相變模塊、組織性能模塊和應用模塊；前處理模塊是從資料庫中讀取熱模擬試驗過程所需要的試驗參數，以為後續過程提供初始條件；相變模塊、組織性能模塊是熱模擬工藝的各個物理冶金模型的動態模擬；應用模塊是通過建立遺傳神經網絡模型，尋找網絡連接權和網絡結構的最優值，對熱模擬試驗的組織和性能進行預測。本發明將混合智能系統的理論引入鋼種熱模擬試驗材質控制領域，建立了集成多種智能系統模型，為改變鋼種研發中需大量人力手工勞動，耗時長、消耗資源大等一系列落後的鋼種研發方式提供了一條簡便易行之路。
文檔編號G06F17/00GK1766594SQ200510094609
公開日2006年5月3日 申請日期2005年9月29日 優先權日2005年9月29日
發明者李新城, 朱偉興, 郭飛, 朱斌傑 申請人:江蘇大學