基于物理冶金模型和人工智能的钢材组织性能预测及控.ppt

基于物理冶金模型和人工智能的钢材组织—性能预测及控制 王国栋，刘相华， （东北大学轧制技术及连轧自动化国家重点实验室） 组织—性能预测与控制技术的概况 研 究 背 景 研 究 内 容 国内外的开发及应用情况 系统的开发情况 系统的应用情况 系统的优点 可计算预报每条带钢力学性能可计算预报带钢全长范围内任一部位的力学性能，其精度对于在线性能预报和控制来说是足够的。 大大减少热带的实际取样力学检测量，在一年期间仅低碳钢和结构钢力学试样减少50％，而低合金高强度钢减少40％，大大节约力学检验费用。 缩短了生产周期，轧后即可掌握力学性能不需等待2－3天后的力学检验结果，在工序中取消常规检验，仅抽测检验和修改模型，有助于迅速进入下工序酸洗和切板等，以及提供冷轧用料。 有助于钢种优化和新钢种开发有助于生产工艺的优化和在线控制，生产出性能稳定、均一的热轧带钢。 物 理 冶 金 模 型 物理冶金模型的基本框架 物理冶金模型研究思路 温度场模型 带钢轧制过程中的温度预报 温度预报的前期工作 再结晶模型 均热和热轧的组织变化 在均热过程中的奥氏体晶粒长大和碳氮化物的熔解 在热轧过程中的加工硬化和动态再结晶 在道次间隔期内的静态回复和静态再结晶。 模型概况 目前，基于Avrami类型的动力学方程，对于动态再结晶的发生条件、静态再结晶动力学和静态再结晶后的晶粒长大等现象与热加工条件的定量关系已经基本建立起来了，模型给出的预测值与热轧产品的组织状况基本相符 利用这些模型，可准确模拟钢材在经历了再结晶区和未再结晶区控轧变形后，一直到相变前，奥氏体晶粒尺寸、奥氏体晶粒表面积、热轧后的残余应变和平均位错密度的演变过程，为随后的相变行为计算提供初始条件。 理论研究方向 根据单\多道次压缩实验所得到的应力-应变曲线建立高精度的静\动态再结晶模型, 晶粒形核长大模型,讨论不同工艺参数和化学成分对再结晶的影响 模拟多道次轧制流变应力的变化并预测未再结晶温度 变形过程中平均位错密度演变的模拟，它直接反映形变存储能而影响再结晶动力学特别是随后合金钢的析出和相变行为。建立其精确模型，对深入研究变形对析出和相变影响的定量关系有重要意义 流变应力模型 发展概况 研究方向 根据流变应力模型可计算平均流变应力，以观察轧制过程中奥氏体组织内部再结晶，碳氮化物析出，以及形变诱导相变等物理冶金现象，这是一项非常有价值的工作。 进一步提高流变应力模型的精确性，进而可从流变应力演变中获得准确的微观组织演变的信息，这是物理冶金发展的一个重要方向模型。 前期工作（1） 前期工作（2） 微合金碳氮化物析出模型 各阶段碳氮化物析出的作用 均热态未溶的微合金碳氮化物质点将通过钉扎晶界而阻止晶粒粗化，保证获得细小的均热态奥氏体晶粒 控轧过程中应变诱导析出相也可通过质点钉扎而阻止奥氏体再结晶以及晶粒粗化 控轧相变后，残留在奥氏体中的微合金元素将进一步在铁素体中析出，产生强烈的强化效果 碳氮化物析出模型的概况 理论研究方向 控轧控冷的相变模型 发展概况 加工硬化奥氏体向铁素体、珠光体和贝氏体的转变，是板带轧制及轧后冷却过程中发生的主要相变。 以规则溶液亚点阵模型和超组元模型为热力学基础，Cahn的相变动力学理论为动力学基础，并根据Scheil叠加原理和热膨胀实验结果，建立了低合金钢加工硬化奥氏体连续冷却转变动力学的预测模型 将其用于控轧后的控制冷却过程，可以计算出各相相变的实际开始温度，以及室温组织中的各相体积分数核铁素体晶粒尺寸等参数 主要理论 连续冷却相变研究方向 引入中心原子模型来替代规则溶液亚点阵模型，结合修正的KRC模型，并充分估计各种合金元素的影响，精确计算相平衡转变热力学参数 根据建立的平均位错密度模型，合理计算变形存储能，进而定量描述加工硬化奥氏体的相转变特征，精确模拟改变轧制工艺和冷却条件对奥氏体相变及铁素体晶粒尺寸的影响 修正经典的形核速率方程,以反映变形及冷却对I/G的影响而准确计算铁素体晶粒的大小 形变诱导相变的研究方向 形变诱导相变开始温度的热力学计算 采用Johnson-Mehl方程预测形变诱发铁素体相变,在模型中体现变形增大了铁素体形核位置和形核速率,本模型将再结晶和铁素体相变两个因素结合可定量描述这一行为 根据热模拟实验所得到的变形温度、应变、初始晶粒等与回复和再结晶体积分数及最终铁素体晶粒尺寸的关系，建立适用于研究钢种的铁素体静态回复和动态再结晶模型 人工智能技术应用 神经元网络系统预测性能 神经元网络系统的应用背景 用于预测力学性能的BP网络 发展方向 目前，神经网络的应用仍是以预报生产工艺参数和产品力学性能的关系为主，很难应用于新工艺和新产品的开发。如能充分挖掘钢厂“海量生产数据库”中存贮的一定数量的板带产品的组织状态，如铁素体、珠光体