9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法
2023-12-01 03:08:21 1
專利名稱：9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法
技術領域：
本發明涉及9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法。
背景技術：
9%Cr新型馬氏體耐熱鋼主要包含T/P92、T/P91和E911三種新型馬氏體耐熱鋼，廣泛用於超超臨界鍋爐主蒸汽管、集箱等厚壁管道等構件，焊縫韌性偏低是該系列鋼管道焊縫安裝過程中出現的一個主要問題。為了改善焊縫韌性，必須對焊縫進行局部熱處理。國內外研究表明，焊後熱處理溫度對焊縫影響非常大，當熱處理溫度在760±10°C時(注受焊縫相變點的限制，熱處理溫度很難進一步提高)，經過短時的恆溫處理，焊縫的衝擊功就可以達到41J以上，在740°C左右加熱時，要達到這一指標必須延長恆溫時間，當加熱溫度 在730°C以下時，再延長恆溫時間不僅效果甚微，衝擊功很難達到41J的韌度指標，而且大幅增加安裝成本，嚴重影響施工進度。目前，國內外在傳統耐熱鋼的基礎之上提出了承壓管道的焊後熱處理技術規程，9%Cr新型馬氏體耐熱鋼對於內外壁溫差的控制更為苛刻，因此這些規範對於9%Cr新型馬氏體耐熱鋼的焊後熱處理不一定適用，即已有的標準對9%Cr新型馬氏體耐熱鋼的適用性有待考證。另外，國內外焊後熱處理規範對於加熱寬度的選取上存在很大的爭議，依據不同規範所得的加熱寬度數值差異非常大。這給現場熱處理時帶來了難題，規程的適用性存在疑問。人工神經網絡是80年代末開始迅速發展的一門非線性科學，人工神經網絡模型具有很強的容錯性、學習性、自適應性和非線性的映射能力，特別適於解決因果關係複雜的非確定性推理、判斷、識別和分類等問題。目前，在鋼鐵冶金領域應用最廣泛的是具有多層前饋網絡結構且採用反向誤差傳播訓練方法的模型(BP模型)。
發明內容
本發明主要是解決現有技術所存在的技術問題；提供了一種不僅能夠優化9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度的方法，對保障熱處理質量、提高熱處理效率具有十分重要的意義。本發明再有一目的是解決現有技術所存在的問題；提供了一種解決了國內外熱處理技術規程對於9%Cr新型馬氏體耐熱鋼管道焊後熱處理加熱寬度選取的差異性。本發明的上述技術問題主要是通過下述技術方案得以解決的
9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，包括以下步驟
步驟1，溫度場計算模塊，建立上T組不同尺寸管道在不同加熱寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，採用有限元分析軟體計算各組模型的焊後熱處理內外壁溫差(保溫寬度按電力標準確定);
步驟2，神經網絡建立模塊，綜合考慮任意規格(管徑和壁厚)管道在不同熱處理環境溫度、不同控溫溫度以及不同預設內外壁溫差條件下，管道所需最小的加熱寬度。建立基於誤差反向傳播神經網絡；
步驟3，預測模型建立模塊，針對步驟I得到T組加熱寬度的數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試，得到一個能夠預測9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度的預測模型；
步驟4，模型修正模塊，結合9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理實驗測量數據對所得的預測模型進行修正；
步驟5，加熱寬度優化模塊，分析管道尺寸(管徑以及壁厚)、熱處理環境溫度、控溫溫度、預設內外壁溫差，輸入到修正後的模型即可得到管道焊後熱處理的最小加熱寬度。
在上述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，所述的步驟I中，建立上T組不同尺寸管道在不同加熱寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，運用有限元軟體計算不同條件下管道焊後熱處理內外壁溫差的大小，具體方法為
根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；根據國內外熱處理技術規程，對於一定規格的管道計算加熱帶寬度、保溫寬度的大小，選取加熱寬度範圍，保溫寬度按照電力標準進行選取；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍。建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸(管徑和壁厚)、加熱寬度、控溫溫度以及熱處理環境溫度對等效點位置的影響，計算方法如下
步驟I. 1，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解；
步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度和外壁溫度，計算內外壁溫差的大小。在上述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，所述步驟2中，建立基於誤差反向傳播神經網絡的具體方法為
步驟2. I，定義輸入層和輸出層
選取管道尺寸(管徑和壁厚)、預設內外壁溫差、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡輸入層的神經元數為5 ;以不同條件下所需的最小加熱寬度作為網絡模型的輸出，因此輸出層神經元數為I。步驟2. 2，選擇隱層數和隱層單元數採用單隱層，並確定隱層節點數為10。步驟2. 3，其他參數的確定隱層隱層的傳遞函數為單極性S型函數f(x)=l/(l+e_x)，輸出層的傳遞函數為線性函數f (x)=x，使網絡輸出任何值，訓練次數為1800次，誤差目標為0. 5，選擇樣本數為T,其中N個訓練樣本，T-N個測試樣本。在上述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，所述步驟2中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有5個神經元，中間層有10個神經元，輸出層有I個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值；對步驟I得到T加熱寬度對步驟2中基於誤差反向傳播神經網絡進行訓練和測試的具體步驟如下
步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組加熱寬度的大小以及T組9%Cr馬氏體耐熱鋼管道焊後熱處理最小加熱寬度的影響因素；
步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組A1溫度計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組加熱寬度的計算值和本步驟計算的網絡輸出的比較差值；
步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步 驟
選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子；
選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不能收斂，訓練結束；
步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr馬氏體耐熱鋼管道焊後熱處理所需的最小加熱寬度，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。在上述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，所述的步驟4中，將9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理實驗測量的數據與模型計算值進行對比分析，並修正模型輸出閥值。因此，本發明具有如下優點1.能夠優化9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度的方法，對保障熱處理質量、提高熱處理效率具有十分重要的意義；2.解決了國內外熱處理技術規程對於9%Cr新型馬氏體耐熱鋼管道焊後熱處理加熱寬度選取的差異性。
圖I本發明中運用的BP神經網絡模型圖。圖2本發明中BP神經網絡訓練流程圖。圖3本發明中BP神經網絡訓練誤差圖。
具體實施例方式下面通過實施例，並結合附圖，對本發明的技術方案作進一步具體的說明。本發明的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，包括以下步驟 步驟1，溫度場計算模塊，建立上T組不同尺寸管道在不同加熱寬度、不同熱處理環境
溫度、不同控溫溫度下的熱處溫度場計算模型，採用有限元分析軟體計算各組模型的焊後熱處理內外壁溫差(保溫寬度按電力標準確定)，具體方法為
根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；根據國內外熱處理技術規程，對於一定規格的管道計算加熱帶寬度、保溫寬度的大小，選取加熱寬度範圍，保溫寬度按照電力標準進行選取；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍。建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸(管徑和壁厚)、加熱寬度、控溫溫度以及熱處理環境溫度對等效點位置的影響，計算方法如下
步驟I. I，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解；
步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度和外壁溫度，計算內外壁溫差的大小。
步驟2，神經網絡建立模塊，綜合考慮任意規格(管徑和壁厚)管道在不同熱處理環境溫度、不同控溫溫度以及不同預設內外壁溫差條件下，管道所需最小的加熱寬度。建立基於誤差反向傳播神經網絡，具體方法為
I)輸入層和輸出層的設計
選取管道尺寸(管徑和壁厚)、預設內外壁溫差、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡輸入層的神經元數為5 ;以不同條件下管道焊後熱處理所需的最小加熱寬度作為網絡模型的輸出，因此輸出層神經元數為I。2)隱層數和隱層單元數的選擇
1989年，Robert Hecht-Nielson證明了對於任何閉區間內的一個連續函數都可以用一個隱層的BP網絡來逼近。因為一個3層的BP網絡可以完成任意的n維到m維的連續映射，故本模型採用單隱層，而隱層節點數的選擇是一個比較複雜的問題，結合經驗公式並經過作者多次嘗試，最後確定隱層節點數為10。3)其他參數的確定
隱層隱層的傳遞函數為單極性S型函數f(x)=i/(i+e-x)，輸出層的傳遞函數為線性函數f (X) =x,使網絡輸出任何值,訓練次數為1800次,誤差目標為I，選擇樣本數為T,其中N個訓練樣本，T-N個測試樣本。本步驟中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有5個神經元，中間層有10個神經元，輸出層有I個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值，結構圖如附圖I所示。步驟3，預測模型建立模塊，針對步驟I得到T組加熱寬度的數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試，得到一個能夠預測9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度的預測模型；對於步驟I得到的T組加熱寬度數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試的具體步驟如下
步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組加熱寬度的大小以及T組9%Cr馬氏體耐熱鋼管道焊後熱處理最小加熱寬度的影響因素；步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組A1溫度計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組加熱寬度的計算值和本步驟計算的網絡輸出的比較差值；
步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步
驟
選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子；
選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不 能收斂，訓練結束；
步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr馬氏體耐熱鋼管道焊後熱處理所需的最小加熱寬度，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。在本實施例中，訓練與測試是指用前面有限元軟體計算所得3650組不同條件下9%Cr新型馬氏體耐熱鋼管道焊後熱處理加熱寬度數據中的3600組作為訓練樣本對所建立的模型進行訓練，用餘下的50組不同條件下9%Cr新型馬氏體耐熱鋼管道焊後熱處理加熱寬度數據作為測試樣本對訓練好的BP網絡進行測試。對網絡模型網絡採用誤差反向傳播算法進行訓練，訓練流程如附圖2所示，反覆訓練後當神經網絡的輸出誤差達到0. 5_時即可停止訓練，訓練誤差圖如附圖3所示，當神經網絡對50組測試樣本的預測誤差低於規定水平時表明網絡模型可用於預測9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度。步驟4，模型修正模塊，結合9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理實驗測量數據對所得的預測模型進行修正，修正模型輸出層閥值；
步驟5，加熱寬度優化模塊，分析管道尺寸(管徑以及壁厚)、熱處理環境溫度、控溫溫度、預設內外壁溫差，輸入到修正後的模型即可得到管道焊後熱處理的最小加熱寬度。本發明中選取管道尺寸(管徑和壁厚)、預設內外壁溫差、熱處理環境溫度以及控溫溫度作為輸入參數，適用的範圍如下
管道內徑(半徑)100mm-500mm ；
管道壁厚30mm-140mm ；
預設內外壁溫差0°C -50°C ；
熱處理環境溫度-10°C -30°C ；
控溫溫度750°C -780°C。實施例
本發明所涉及的BP神經網絡優化方法與實測的管道內外壁溫差大小進行對比分析和記錄表I所示的三種規格的9%Cr馬氏體耐熱鋼管道管道尺寸(管徑和壁厚)、熱處理環境溫度、控溫溫度以及預設內外壁溫差，將各個影響因素的數值輸入到模型中進行計算，即可快速計算該條件下9%Cr馬氏體耐熱鋼管道焊後熱處理最小加熱寬度。另外通過實驗以驗證該模型的精度。本例中用本發明所得的結果與實測結果如下表2所示。表I 9%Cr馬氏體耐熱鋼管道的焊後熱處理參數
權利要求
1.9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，包括以下步驟 步驟1，由溫度場計算模塊建立上T組不同尺寸管道在不同加熱寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，採用有限元分析軟體計算各組模型的焊後熱處理內外壁溫差； 步驟2，由神經網絡建立模塊結合任意規格管道在不同熱處理環境溫度、不同控溫溫度以及不同預設內外壁溫差條件下，管道所需最小的加熱寬度；建立基於誤差反向傳播神經網絡； 步驟3，預測模型建立模塊，針對步驟I得到T組加熱寬度的數據對步驟2中基於誤差反向傳播神經網絡進行訓練和測試，得到一個能夠預測9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理加熱寬度的預測模型； 步驟4，模型修正模塊，結合9%Cr馬氏體耐熱鋼厚壁管道焊後熱處理實驗測量數據對所得的預測模型進行修正； 步驟5，加熱寬度優化模塊，分析管道尺寸、熱處理環境溫度、控溫溫度、預設內外壁溫差，輸入到修正後的模型即可得到管道焊後熱處理的最小加熱寬度。
2.根據權利要求I所述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，所述的步驟I中，建立上T組不同尺寸管道在不同加熱寬度、不同熱處理環境溫度、不同控溫溫度下的熱處溫度場計算模型，運用有限元軟體計算不同條件下管道焊後熱處理內外壁溫差的大小，具體方法為 根據9%Cr新型馬氏體耐熱鋼的應用情況，選取管道尺寸範圍；根據國內外熱處理技術規程，對於一定規格的管道計算加熱帶寬度、保溫寬度的大小，選取加熱寬度範圍，保溫寬度按照電力標準進行選取；根據9%Cr新型馬氏體耐熱鋼的控溫溫度以及熱處理環境溫度情況，選擇控溫溫度以及熱處理環境溫度的範圍，建立T組9%Cr新型馬氏體耐熱鋼管道焊後熱處理溫度場理論計算模型，通過運用有限元軟體計算管道尺寸、加熱寬度、控溫溫度以及熱處理環境溫度對等效點位置的影響，計算方法如下 步驟I. 1，在有限元軟體中，建立9%Cr新型馬氏體耐熱鋼焊後熱處理溫度場計算模型； 步驟I. 2，定義初始條件、邊界條件，求解； 步驟I. 3，計算完成後，在後處理器中查看管道內壁溫度和外壁溫度，計算內外壁溫差的大小。
3.根據權利要求I所述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，所述步驟2中，建立基於誤差反向傳播神經網絡的具體方法為 步驟2. I，定義輸入層和輸出層 選取管道尺寸、預設內外壁溫差、控溫溫度以及熱處理環境溫度的數值作為輸入變量，因此該網絡輸入層的神經元數為5 ;以不同條件下所需的最小加熱寬度作為網絡模型的輸出，因此輸出層神經元數為I ; 步驟2. 2，選擇隱層數和隱層單元數採用單隱層，並確定隱層節點數為10 ； 步驟2. 3，其他參數的確定隱層隱層的傳遞函數為單極性S型函數f(X)=l/(l+e_x)，輸出層的傳遞函數為線性函數f(x)=x，使網絡輸出任何值，訓練次數為1800次，誤差目標為0. 5，選擇樣本數為T,其中N個訓練樣本，T-N個測試樣本。
4.根據權利要求I所述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，所述步驟2中，基於誤差反向傳播神經網絡包括一個輸入層、一個中間層和一個輸出層，輸入層有5個神經元，中間層有10個神經元，輸出層有I個神經元；所述預測模型的中間層的傳遞函數為單極性S型函數，輸出層的傳遞函數為線性函數，使網絡輸出任何值；對步驟I得到T加熱寬度對步驟2中基於誤差反向傳播神經網絡進行訓練和測試的具體步驟如下 步驟3. 1，設定權值和閾值和訓練次數，並對權值和閾值進行初始化，隨機摘取T組樣本中的T-N組樣本作為訓練樣本，N組樣本作為測試樣本，輸入T-N組訓練樣本，所述樣本為步驟I中得到的T組加熱寬度的大小以及T組9%Cr馬氏體耐熱鋼管道焊後熱處理最小加熱寬度的影響因素； 步驟3. 2，計算網絡輸出，得到反向傳播神經網絡中各層的權值以及閾值，並計算反向傳播神經網絡中各層的權值以及閾值的修正因子，根據步驟I中得到的T-N組A1溫度計算值和網絡輸出計算網絡輸出誤差，所述網絡輸出誤差即為步驟I中得到的T-N組加熱寬度的計算值和本步驟計算的網絡輸出的比較差值； 步驟3. 3，判斷是否達到最大訓練次數，並根據是否達到最大訓練次數選擇執行以下步驟 選擇執行步驟1，若尚未達到最大訓練次數，判斷在步驟3. 2中網絡輸出誤差是否小於期望誤差，若小於期望誤差，則訓練結束，同時保存步驟3. 2中反向傳播神經網絡中各層的權值以及閾值，得到待定預測模型；若大於期望誤差，修正反向傳播神經網絡中各層的權值以及閾值後步驟重複3. 2.其中修正因子採用步驟3. 2中計算的修正因子； 選擇執行步驟2，若達到最大訓練次數，則該反向傳播神經網絡在給定的訓練次數內不能收斂，訓練結束； 步驟3. 4，將N組測試樣本逐個輸入選擇執行步驟I中的待定預測模型，若預測誤差低於規定水平時表明該待定預測模型能夠用於預測9%Cr馬氏體耐熱鋼管道焊後熱處理所需的最小加熱寬度，即該待定預測模型即是步驟3中所得到的預測模型；否則，該待定預測模型不符合，結束整個步驟。
5.根據權利要求I所述的9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，其特徵在於，所述的步驟4中，將9%Cr新型馬氏體耐熱鋼厚壁管道焊後熱處理實驗測量的數據與模型計算值進行對比分析，並修正模型輸出閥值。
全文摘要
本發明涉及9%Cr馬氏體鋼管道焊後熱處理加熱寬度的優化方法，本發明計算得到T組不同尺寸管道在不同加熱寬度、不同熱處理環境溫度、不同控溫溫度條件下的管道焊後熱處理內外壁溫差大小數據。綜合考慮管道在不同熱處理環境溫度、不同控溫溫度以及不同預設內外壁溫差下，管道焊後熱處理所需最小的加熱寬度，建立基於誤差反向傳播神經網絡並對其訓練和測試，以管道尺寸、熱處理環境溫度、控溫溫度以及預設內外壁溫差作為輸入，加熱寬度作為輸出。結合管道焊後熱處理實測數據，將訓練和測試好的網絡輸出閥值進行修正得到該優化方法。該優化方法能夠快速地計算焊後熱處理所需的最小加熱寬度，能夠幫助指導和優化熱處理工藝，提高熱處理質量。
文檔編號G06N3/08GK102799938SQ20121022076
公開日2012年11月28日 申請日期2012年6月29日 優先權日2012年6月29日
發明者王學, 袁霖, 胡磊, 謝琳, 嚴正, 孟慶雲, 肖德銘, 張永生, 東巖 申請人:武漢大學