基于物理冶金学和BP网络的热轧带钢组织-性能的模拟和预测

摘要

当前,钢铁材料面临其它材料的激烈竞争。为了提高产品质量,降低生产成本,实现材料研究模型化、智能化、信息化,热轧钢材组织性能预测与控制的研究已成为近年来的研究热点。计算机技术及自动控制技术的发展促进了钢材组织性能预测与控制技术在现场的应用。通过数值模拟热轧过程中微观组织演变和对产品力学性能的预测,可以达到降低生产成本,提高生产效率,促进新产品和新工艺的开发的目的。
　　 本文针对梅钢1422mm热连轧生产线,采用物理冶金学模型和BP神经元网络模型,建立组织演变与组织-性能预测系统,并进行了实验室控轧控冷实验。论文的内容主要包括以下几个方面:
　　 (1)在深入理解L2级数据报表基础上,编制程序批量提取钢卷的钢卷号和热轧工艺参数,并结合数据库技术关联钢卷的化学成份、工艺参数和力学性能,为物理冶金模型和人工神经元模型的建立提供大量的生产数据。
　　 (2)以物理冶金学理论为基础,在总结前人的研究工作基础之上,建立了描述带钢热轧生产过程中的微观组织演变的物理冶金学模型,包括动态再结晶、静态再结晶、流变应力、位错密度和相变动力学模型。通过计算机模拟,计算值和实测值吻合良好。
　　 (3)基于物理冶金学知识及现场调研,筛选化学成份和热轧工艺参数作为输入参数,采用单独建模的方式建立了屈服强度、抗拉强度和延伸率的BP神经元网络模型。根据经验公式及大量的试验,确定了网络最佳隐层单元数。网络获得了较高的预测精度。
　　 (4)对Q235和X52进行控制轧制与控制冷却实验,结果表明:提高热轧带钢力学性能的关键在于未再结晶区压下率、终轧温度和卷取温度等重要工艺参数的优化组合。未再结晶区采用大压下,同时降低终轧温度,并采用低温卷取,可以提高产品的强度,并保持较高的延伸率。从而为钢种的成分设计和TMCP生产工艺的制定提供指导。

目录

文摘

英文文摘

1 绪论

1.1 课题的背景及研究意义

1.1.1 课题的背景

1.1.2 课题的研究意义

1.2 热轧带钢组织性能预测与控制的发展

1.2.1 物理冶金学理论的发展及特点

1.2.2 人工神经网络的发展及其特点

1.2.3 物理冶金模型与人工神经网络模型的对比

1.3 论文主要研究内容

2 数据的采集及筛选

2.1 数据信息采集

2.1.1 数据结构

2.1.2 成分、工艺和性能数据关联

2.1.3 热轧工艺数据提取

2.2 数据采集软件的实现

2.3 数据筛选

2.4 小结

3 基于物理冶金学理论的建模

3.1 热变形奥氏体再结晶模型

3.1.1 动态再结晶模型

3.1.2 静态再结晶模型

3.2 再结晶过程流变应力模型

3.3 热轧过程的位错密度模型

3.4 相变体积分数计算模型

3.4.1 相变实际转变温度模型

3.4.2 连续冷却过程中相变体积分数模型

3.4.3 铁素体晶粒尺寸模型

3.5 显微组织和力学性能对应关系模型

3.6 计算结果与讨论

3.6.1 再结晶分数

3.6.2 热轧过程中的晶粒尺寸

3.6.3 热轧过程中的流变应力

3.6.4 热轧过程中的位错密度

3.6.5 冷却过程中的相变

3.7 模型精度的验证

3.8 小结

4 基于BP神经网络的建模

4.1 BP神经网络的基本理论

4.2 BP神经网络隐层的确定

4.3 热轧组织-性能BP神经网络模型的建立

4.3.1 化学成份

4.3.2 热轧工艺参数

4.3.3 BP神经网络模型的建立

4.4 力学性能预测结果

4.4.1 Q235B的力学性能预测结果

4.4.2 SPA-H的力学性能的预测结果

4.5 神经网络的输入对力学性能的影响

4.6 小结

5 控制轧制与控制冷却实验

5.1 实验方案

5.2 工艺参数对实验钢力学性能的影响

5.3 小结

6 结论

参考文献

致谢