基于物理冶金模型和人工智能的钢材组织性能预测及控

RAL NEU
国内外的开发及应用情况
RAL
系统的开发情况
NEU
开发单位：Siemens公司, Hoesch-Hohenlimburg厂，Dresden大学
化学成分 工艺参数
物理冶金模型 加热 变形 相变 析出
人工智能技术
组织 性能
RAL
系统的应用情况
NEU
开发单位：VAI＋VA Stahl Linz 应用：Linz厂，7机架热连轧机 武钢、宝钢拟结合2250轧机的建设和2050改造引进此系统
RAL NEU
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）
RAL NEU
组织—性能预测与控制技术的概况
RAL NEU
研究背景
近年来，随着钢铁材料面临诸多替代材料竞争的形势日益 严峻，以及人们对钢铁材料的性能质量提出的更高要求，材 料科学的发展和计算机模拟技术的进步及其在冶金领域的应 用，诞生了一个全新的研究领域——钢材轧制过程中组织-性 能预测与控制技术。
1 化学成分 2 轧制参数 3 冷却参数
物理冶金模型的基本框架
1 晶粒长大 2 碳氮化物
的溶解
1 再结晶 2 流变应力 3 碳氮化物的
析出
1 相变 2 碳氮化物
的析出
力学性能 1 强度指标 2 韧性指标
加热
粗轧
精轧
冷却
卷取
RAL
物理冶金模型研究思路
NEU
成分、工艺参数
奥氏体再结晶模型
碳氮化物析出模型
长大行为，并且影响随 阵模型计算在固溶处
后的奥氏体→铁素体相 理过程中复杂析出相
变
的平衡溶解分数，以
及热变形奥氏体中应
变诱导析出相形核时
的化学驱动力
一般采用KJMA方 程计算析出相的体 积分数和尺寸随时 间变化的动力学关 系。
RAL NEU
理 论 研 究
理论研究方向
• 微合金元素在热轧过程中形成 碳氮化物析出及对奥氏体晶粒 粗化影响的数学模型研究
• 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。
RAL NEU
前期工作（1）
计
算与 的实 应测 力值 应的 变比 曲较 线
stress(MPa)
160
850℃
140
120
900℃
100
80
1000℃
60
d/dt=0.1/s
1.0
1.5
2.0
2.5
3.0
Strain
RAL NEU
微合金碳氮化物析出模型
RAL 各阶段碳氮化物析出的作用
NEU
• 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
RAL
连续冷却相变研究方向
NEU
• 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
E1.R1 E2.R2 E3.R3 E4.R4
均热
粗轧
CS FSB F1 F2 F3 F4 F5 F6 F7
精轧
冷却
卷取
RAL NEU
碳氮化物析出模型的概况
微合金元素 碳氮化物的析出现象
微合金元素碳氮化物的析出模型
热力学
动力学
碳氮化物的形成改变了 基于Hillert和Staffan-
奥氏体的再结晶和晶粒 sson的规则溶液亚点
加热
碳氮化物 溶解
再结晶
轧制
动态 再结晶
碳氮化物 析出
静态 未再结晶区
再结晶
变形
冷却
组织
相变
碳氮化物 析出
性能
RAL NEU
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。
RAL NEU
再结晶预报的前期工作
轧
制
100
过
- grain size (m)
程
80
奥
氏
体
60
晶
粒
40
尺
寸
20
演
变
0
20
40
60
80
100
120
140
160
180
time (s)
RAL NEU
再结晶预报的前期工作
wenku.baidu.com
轧 制
1.0
(b)
recrystallized fraction
过 程 0.8 static recrystallization or
• 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
RAL NEU
人工智能技术应用
神经元网络系统预测性能
RAL 神经元网络系统的应用背景
• 应变诱导形成析出显著阻止奥 氏体再结晶及晶粒长大，用热 力学和动力学研究应变和析出 间的定量关系
• 析出粒子形核长大的动力学及 其对晶粒细化和提高强度作用 的理论研究
• 结合一定的热模拟实验计算各 析出相的体积分数和平均尺寸
为 控 提轧 供控 理冷 论、 指细 导晶 轧 制
RAL NEU
控轧控冷的相变模型
RAL NEU
主要理论
轧制及冷却 过程发生的主要相变
微合金元素碳氮化物的析出模型
热力学
动力学
加工硬化奥氏体向铁素 基于规则溶液亚点阵
体、珠光体和贝氏体的 和超组元模型，计算
转变，是板带轧制及轧 轧制变形中应变诱导
后冷却过程中发生的主 相变和连续冷却转变
要相变
的化学驱动力
一般采用KJMA方 程计算析出相的体 积分数和尺寸随时 间变化的动力学关 系。
轧制过程中带钢的传热现象
热辐射
对流
接触传热 喷水冷却
层流冷却
变形热
RAL
温度预报的前期工作
NEU
低
碳
1000
钢
Mean
Center
Temperature(℃ )
精
轧
900
过
Surface
程
800
的
温
700
F1 F2 F3 F4 F5 F6F7
度
预
measured
报
600
140
150
160
170
180
• 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
RAL
形变诱导相变的研究方向
NEU
• 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
精轧
冷却
卷取
RAL NEU
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。
RAL
理论研究方向
NEU
• 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
Dγ ，Δ ε ，ppt 奥氏体相变模型
基础模型库
Dα ，Vol.Fraction，ppt 力学性能模型
力学性能预测
强度
延伸率
韧性
自学习过程
遗传算法 校正模型参数
实验验证
偏差分析
指导实验或生产过程
RAL NEU
温度场模型
RAL 带钢轧制过程中的温度预报
NEU
温度变化是热轧过程的重要的工艺参数之一。对于热轧过程来说， 温度不仅影响金属内部的应力、应变，而且还与轧件内部微观组织结构 的变化有着极为密切的关系。以热轧带钢实际生产过程为计算条件，可 利用有限元方法建立带钢瞬态温度场模型，计算带钢从出炉至卷取的横 断面温度场，得到了带钢在整个轧制过程中的内部温度随时间的变化规 律和温度分布。
以物理冶金模型和人工智能技术为基础，通过对轧制过程 中各种金属学现象进行计算机模拟，可实现组织及性能的在 线检测，达到优化工艺和成分的目的。这是一项涉及多学科， 综合性极强，具有广泛应用前景的研究领域。
RAL NEU
研究意义
• 通过轧制过程微观组织及力学性能的在线检测，对控 轧控冷工艺制度和化学成分进行优化设计,实现产品的 无检测交货，大大提高产品质量和劳动生产率
RAL
相变发生阶段
NEU
相变主要发生在轧后连续冷却过程，在低温大变形条件下，也可 能在精轧后几道次形变诱导发生相变。
E1.R1 E2.R2 E3.R3 E4.R4
均热
粗轧
CS FSB F1 F2 F3 F4 F5 F6 F7
精轧
冷却
卷取
RAL NEU
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。
再
metadynamic recrystallization
结
0.6
晶
分
0.4
数
的
0.2
演 变
0.0 dynamic recrystallization
2
4
6
8
10
12
rolling pass(roughing and finishing)
RAL NEU
流变应力模型
RAL NEU
发展概况
• 流变应力的高精度预测，是精确计算和设定轧机负荷，从而保证现 化轧钢生产自动化、高速化和高精度的关键。
190
200
210
Time(s)
RAL NEU
再结晶模型
RAL
均热和热轧的组织变化
NEU
• 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。
E1.R1 E2.R2 E3.R3 E4.R4
均热
粗轧
CS FSB F1 F2 F3 F4 F5 F6 F7
• 根据热模拟单道次压缩实验，利用BergstrÖm模型通过回归的方法 建立流变应力模型可以计算了不同温度、应变、应变速率条件下的 动态回复和动态再结晶型应力—应变曲线。
• 按照多道次应变累积的原则，可以模拟多道次流变应力的演变。
RAL NEU
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。
Pridiction
40
Measurement
0.1
0.2
0.3
0.4
0.5
0.6
strain
RAL NEU
前期工作（2）
精
300
轧
Reheating Temperature=1250℃
过
Finishing Temperature=800℃
程 200
流
(MPa)
变
应 100
力
的
演
变
0
0.0
0.5
• 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
人工智能技术
神经网络预测组织 和性能的对应关系
RAL NEU
对组织性能预测技术的需求
• 材料研究模型化、定量化的强烈需求；
• 除了热连轧实机轧制之外，尚无条件用实验轧机进行 热连轧的模拟实验，因此，对于热连轧规律的研究， 模型化和组织演变预测技术就显得十分重要；
• 为了能得到不同化学成分、不同工艺条件下材料组织 的演变规律以及最终组织，利用模型化和组织性能演 变预测是投资少、见效快的方法。
• 热轧板带生产工艺的离线优化设计 • 新钢种,新工艺开发的计算机辅助设计 • 模拟试验研究 • 对钢铁材料的金属学现象的认识从定性分析上升到
定量的水平具有很强的学术意义
RAL NEU
研究内容
组织-性能预测与控制
物理冶金模型 温度场模型
再 结 晶 模 型
流 变析 应出 力模 模型 型
相 变 模 型
• 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。
RAL NEU
物理冶金模型
RAL NEU