工程钢的CCT图计算外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

工程钢的CCT图计算

摘要

目的：本文的目的是提出用于工程钢的CCT图计算的数值方法。

设计/方法/方法：用于计算过冷奥氏体的等温线图的所提出的数值方法，基于物理，统计或人工智能方法。在大多数情况下，输入数据是化学成分和奥氏体化温度。计算结果包括特定转变的开始的温度和结束的温度，结构部件的体积分数和热处理后钢的硬度。

发现：在提供热处理工艺模拟所需的材料数据时，数值方法是实验测量的替代方法。

研究限制/意义：所有提出的用于工程钢的CCT图的计算的方法受元件的质量浓度范围的限制。

实际影响：所有提出的方法可以用于由经受热处理的工程钢制造的机器部​​件的计算机钢选择系统。

原创性/价值：所提出的方法可用于在热处理后选择具有所需要结构的钢。

关键词：计算材料科学；人工智能方法；神经网络；CCT图

参考本文应按以下方式提供：J.Trzaska，A.Jagiełło，L.A.Dobrzański，工程钢的CCT图计算，材料科学与工程39/1（2009）13-20。

1.介绍

总体连续冷却转化动力学可以通过连续冷却转化（CCT）图比较容易地描述出来。CCT图是通过将一系列冷却曲线绘制到温度时间图上，然后用单独的管线连接转化开始时温度和转化完成时温度来构建的。包含关于钢结构和硬度对过冷奥氏体转变的温度以及时间的依赖性的定量数据的CCT图，用于确定淬火的、归一化的或完全退火的钢的结构和硬度。在CCT图上绘制出的过冷奥氏体转变曲线的位置以及形状，主要是取决于钢的化学成分、奥氏体均匀化的程度、奥氏体的晶粒尺寸以及奥氏体化温度还有时间。[1]

CCT图的实验加工是比较耗时的，并且也需要应用昂贵的测试设备。它能够依据钢的化学成分及其奥氏体化温度来计算CCT图。因此，我们正在进行许多尝试，在冷却期间来对钢中的奥氏体转变进行建模。过冷奥氏体的特定转变的温度计算和时间以及特定结构部件的体积分数还有冷却结束后获得的硬度，最经常是在热处理期间在钢中进行的工艺的物理模型，或者经详细阐述的经验依赖性根据足够多的实验数据。在等温冷却条件下允许建模过冷奥氏体转变的依赖性通常基于Jonson-Mehl-Avramy [2-3]和Koistinen-Marburger [4]方程。但使用上述两个方程获得的计算结果在许多情况下并不同于实验数据。所以我们公布了新的关系，描述了在仅用于具有宽范围的合金元素浓度的钢或建议特定钢种的情况下，与过冷奥氏体转变的动力学相关的各种量。

2.神经网络模型

人工神经网络是用于能够映射复杂函数的数值模拟的通用工具。神经网络适应以实现确定的分配并不需要用确定算法或以计算机程序的形式记录它。这个过程是用一系列典型的刺激代替学习，并且会有对应于他们所希望的反应。神经网络的基本特征，是它们对于在训练过程中未呈现的新数据的知识将其一般化的能力。
它被发现时，基础上，其中神经网络被用于确定在所述连续冷却的冷奥氏体变换曲线作品[5-6]，分析，模型的，发展使得可以计算基于完整CCT曲线一个简单的映射：化学成分和奥氏体化温度ĺCCT图，必须受到显着的预测误差。在现有的训练曲线和输入值“的范围的相对大的变化的有限数目——计算所述起点和使用用在输出层中，神经元的一个大数目的单个神经网络力变换的结束的曲线的确不允许制定代表性的训练集。由于缺乏文献数据，训练集大小的令人满意的增加是困难的，而输出层中的神经元数量的显着限制必须导致关于过冷奥氏体转变的流动的重要信息的损失。在复杂任务的情况下，存在将其分成一些不太复杂的任务的可能性，并且使用单独的网络来解决这些问题中的每一个。因此，在开发用于使用神经网络评估CCT曲线的算法的同时，孤立任务，其可以用具有较少复杂结构的网络来解决，并且训练集合的结构使得可以增加具有数目的CCT曲线保持不变。
在论文[7-10]中，已经描述了CCT图计算的作者自己的方法。 CCT图计算处理可以分为两个阶段。在第一阶段，确定如果沿着分析的冷却速率路径区域发生：铁素体，珠光体，贝氏体，以及是否发生马氏体转变。作为分级处理的结果，确定冷却持续时间的范围，特定转化的特征，以及冷却后在钢中出现的结构成分的类型。此外，对于每个分析的冷却速率计算特定转化的开始和结束的温度值。关于由于以特定速率冷却而产生于钢中的结构成分的类型的信息用于确定具有残留奥氏体的铁硬度和铁素体，珠光体，贝氏体和马氏体的体积分数。总共20个神经网络模型用于计算假定的化学成分和奥氏体化温度的完整CCT图。该算法由四个模块组成：数据输入模块，分类模块，计算模块，条件语句集。来自特定模块的输出具有明确定义CCT图的形式的数据，并且是其图形表示的基础。

用于计算过冷奥氏体的等温线图的计算机程序基于神经网络模型。 为了设计神经网络，使用Statistica神经网络软件，版本4.0F。[11]代表性的数据集是从文献中发表的CCT图400中创建的。 表1中所示的元件的质量浓度范围还描述了程序使用的范围。

表1 元素的质量浓度范围

该程序是在Borland C Builder 6编译器中开发的。程序的输入数据是元素的质量浓度和奥氏体化温度，这些数据可以由用户输入或者由程序计算为温度Ac3 50℃。钢硬度的预测值和相的计算体积分数给出非常好的结果。程序生成的CCT图形的形状与实验CCT图非常相似。
在工作[5]中，描述了使用人工神经网络预测连续冷却变换图中的变换开始和结束线。数据选自单一来源[12]。总共89个钢级被选择用于神经网络的训练和验证。神经网络的输入参数是化学成分和奥氏体化温度。使用12种合金元素（C，Mn，Si，P，S，Cr，Ni，Mo，V，Cu，Al，N）来表征化学组成。神经网络的输入参数的范围在将会在表2中给出。
原奥氏体晶粒尺寸对转变动力学具有重要影响，但由于没有关于所有钢的该参数的信息，所以不能将其列入在输入参数中。神经网络的输出是CCT图中的变换线。CCT图必须从图形格式转换为数字格式。在该模型中，23个冷却曲线叠加在每个CCT图上，并且截距与边界线指示导致特定转变的时间温度组合。每个冷却曲线的截距数为6。基于神经网络输出层中的138个神经元的激活水平来确定CCT图。然后使用误差学习规则和交叉验证程序的反向传播来训练神经网络。具有一个隐藏层的神经网络和这些层中的神经元数目为5的假设是最优的。

表2 神经网络的输入参数范围。

元素的质量浓度以％表示，奥氏体化温度（Ta）以℃表示

表2中呈现出来的结果指示网络对一些变换温度变化趋势与冷却时间的正确表示; 然而，这与实验结果有着显著不同。 在每个变换的开始和结束温度的预测中的相对标准偏差取决于冷却速率。 对于低和冷却速率，其为〜40℃，对于中间体，其对于铁素体开始转变升高到90℃，对于珠光体和贝氏体转变则升高到75℃。[5] 实验和预测的CCT图如图1（a，b）所示。 图1c显示了具有计算的CCT图的程序窗口（作者方法）。

图 1.1 具有浓度为0.43％C，1.67％Mn，0.28％Si，0.32％Cr，0.11％Ni，0.03％Mo，0.01％V，0.06％Cu的钢的CCT图，在1050℃的温度下奥氏体化：

a ）实验[13]，b）通过神经网络计算[5]，c）通过作者的方法计算[11]

3．Creusot-Loire系统

Creusot实验室的研究工作者一直在研究化学成分和奥氏体化条件对碳钢和低合金钢连续冷却变形图的影响[14-17]，他们得出以下方程：

logvM=9.81-(4.62·C 1.05·Mn 0.5·Cr 0.66·Mo 0.54·Ni 0.00183·PA) (1)

logvM90=8.76-(4.04·C 0.96·Mn 0.58·Cr 0.97·Mo 0.49·Ni 0.001·PA) (2)

logvM50=8.50-(4.13·C 0.86·Mn 0.41·Cr 0.94·Mo 0.57·Ni 0.0012·PA) (3)

logvB=10.17-(3.8·C 1.07·Mn 0.57·Cr 1.58·Mo 0.7·Ni 0.0032·PA) (4)

logvB90=10.55-(3.65·C 1.08·Mn 0.61·Cr 1.49·Mo 0.77·Ni 0.0032·PA) (5)

logvB50=8.74-(2.23·C 0.86·Mn 0.59·Cr 1.60·Mo 0.56·Ni 0.0032·PA) (6)

logvFP=6.36-(0.43C 0.49·Mn 0.26·Cr 0.38·Mo 2·Mo0.5 0.78·Ni 0.0019·PA) (7)

logvFP90=7.51-(1.38·C 0.35·Mn 0.11·Cr 2.31·Mo 0.93·Ni 0.0033·PA) (8)

其中：
C，Mn，Cr，Ni，Mo， - 合金元素的质量浓度;

vi [oC / h] - 在700℃的临界冷却速度被称为：

vM-用于马氏体; vM90-表示90％的马氏体和10％的其他成分; vM50-表示50％的马氏体和50％的其他成分; 贝氏体 vB90-表示90％的贝氏体与10％的其他组分; vB50-表示50％的贝氏体和50％的其他成分; vFP-铁素体 - 珠光体; vFP90-表示90％的铁素体 - 珠光体，具有10％的贝氏体;

PA是奥氏体化参数，其值为oC / h由下式给出：

其中：
T温度，K，
t时间，
t₀ – 单位时间，
R-气体常数8.314J / K·mol，
n-loge10，
△H-在大多数低合金钢中用于晶粒生长的现象的活化能具有460.55kJ / mol的值。

所产生的微结构的硬度由等式（11-13）给出。

HVM=127 949·C 27·Si 11·Mn 16·Cr 8·Ni 21·logvR (11)

HVB=-323 185·C 330·Si 153·Mn 144·Cr 191·Mo 65·Ni (logvR)·(89 53·C-55·Si-22·Mn-20·Cr-33·Mo-10·Ni) (12)

HVF-P=42 223·C 53·Si 30·Mn 7·Cr 19·Mo 12,6·Ni (logvR)·(10-19·Si 8·Cr 4·Ni 130·V) (13)

其中：vR是冷却速率。

Maynier及其同事已经开发出了一种预测钢的硬度的有用方法，他们给出的方程式来自40个工业等级的107次测试。 钢的总硬度计算取决于微结构组分的体积分数。

HV=(%FP·HVF-P %B·HVB %M·HVM)/100 (14)

Creusot-Loire方法的缺点是需要知道微结构的起始成分的量。 这可以通过等式（1-8）来估计。
元素的接受质量浓度的范围已经在表3中给出。示出了根据从奥氏体化温度冷却钢所需的时间的结构组分的分数的变化的比较曲线的示例在图2,3 。 图4,5显示了使用不同方法和实验计算的硬度曲线的图形比较[11,13,14]。

表3 元素的质量浓度范围

图2.在860℃下奥氏体化的浓度为0.46％C，0.77％Mn，0.23％Si，1.13％Cr，1.49％Ni，0.28％Mo，0.18％V的钢中的结构成分的分数：

a）实验[13]， b）通过Maynier模型计算[14]， c）通过作者的方法计算[11]

4．JMatPro软件

软件工具JMatPro（基于Java的材料属性）是由Thermotech和英国Sente Software公司开发的,一款功能强大的材料性能模拟软件。 JMatPro现在可作为商业产品。 JMatPro是一种跨平台软件，其能够计算广泛的材料性能，并且特别针对在工业实践中使用的多组分合金。它是一个基于材料类型的软件，不同的材料类型有不同的模块。 JMatPro 特别针对工业用合金如镍基超合金、钢铁（如不锈钢，高强低合金钢，铸铁）、铝合金、镁合金和钛合金等，计算各种各样的材料性能。这些性能包括TTT和CCT图，物理和热物理性能，Jominy淬透性以及高温机械性能。 所有属性都使用基于物理的模型计算，以确保一致的结果。计算属性的广泛范围然后可以用作处理模拟软件包，如有限元模型工具的输入等。[19]。

JMatPro具有简单而直觉式的图形用户界面设计，任何工程师或者研究人员都非常容易使用。

图3.在880℃奥氏体化的浓度为0.43％C，0.82％Mn，0.41％Si，1.22％Cr，0.04％Ni，0.11％V的钢中的结构成分的部分：

a）实验[13] 通过Maynier模型计算[14]，c）通过作者的方法计算[11]

用户只需要输入他们选择的化学成分，奥氏体晶粒尺寸和奥氏体化温度。使用热力学模块计算临界温度（Ae3为铁素体，Ael为珠光体）。其他临界温度，例如贝氏体和马氏体的形成温度，由经验公式计算。 最后，软件将会计算在所需温度下进行设定量的变换所花费的时间。[19]。JMatPro基于Johnson Mehl Avrami方程[2-3]。 可以使用Scheil的加性规则[21]将TTT图转换为连续冷却变换图。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141985]，资料为PDF文档或Word文档，PDF文档可免费转换为Word