微碳钢铁素体区热轧试验研究

在连铸连轧生产线采用铁素体轧制技术制备微碳钢热轧薄板,并对所制备薄板的组织、性能及织构进行分析。结果表明：铁素体轧制微碳钢热轧薄板的组织为完全再结晶铁素体,平均晶粒尺寸50 m左右。相对于常规奥氏体轧制,铁素体轧制薄板的屈服强度和抗拉强度分别下降了21%和6%,延伸率略有下降。热轧薄板的塑性应变比值为0.4,明显低于常规奥氏体轧制。薄板中存在较强的{001}织构是导致值较低的主要原因。     

多道次轧制过程中超细晶粒控制

在高强度水平的基础上获得较高的韧性,控制热加工工艺实现晶粒尺寸超细化是最佳的途径之一。低碳管线钢的超细铁索体晶粒可以从相变前的超细奥氏体晶粒获得。通过优化轧制工艺使得奥氏体的动态再结晶发生在Z（Zeller-Hollomon）参数较大的工艺条件下,获得超细的奥氏体动态再结晶晶粒尺寸。然而,大的Z参数往往具有较大的动态再结晶临界应变。为了获得足够的应变积累来克服动态再结晶的临界应变,低温大变形量的变形是基本条件。提出了在多道次轧制过程中积累应变的条件以及避免混晶的技术路线,利用提出的模型对工业轧制工艺进行优化,模拟实验的结果得到了最终产品晶粒尺寸为1.5μm。     

一种高锰奥氏体无磁钢变形抗力模型的建立与验证

利用圆柱体单轴压缩实验获得高锰奥氏体无磁钢在变形温度为900~1 100℃、应变速率为0.1~30.0 s-1条件下的真应力-真应变曲线。分析变形温度、应变速率和变形程度对变形抗力的影响,建立高锰奥氏体无磁钢的变形抗力模型,并与实验变形抗力进行对比分析,表明该模型具有良好的拟合精度。将变形抗力模型嵌入基于刚塑性有限元法的数值仿真模型,并对实际轧制过程进行模拟,结果表明,轧制力计算值与实测值的偏差控制在7%以内。     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理，采用BP算法训练网络，建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明，将神经网络模型应用于热轧控制预报，具有现实意义。     

ZrC粒子对低碳钢晶粒细化及力学性能的影响

在低碳低合金钢熔炼过程中加入平均径为0．5μm，体积分散为0．8％的ZrC粒子，研究了不同轧制变形量条件下的晶粒细化行为及力学性能，轧制变形过程中在ZrC粒子周围形成高位错密度和高晶格畸区，成为形为核心和再结晶核心，促进了高温奥氏体非自发再结晶细化奥氏体晶粒；由于奥氏体晶粒尺寸细化，奥氏体晶界面积增大，随着后进行的铁体相变的铁素体形核位置增多，从而大大细化了铁素体晶粒尺寸：轧制变形量与ZrC粒子体积分数存在一定的最佳配合才能对晶粒细有作用，本实验中轧制变形量为62％，ZrC粒子体积分数0．8％以及轧后水冷条件下，铁素体晶粒尺寸细化到9．8μm，屈服强度和抗拉强度明显提高，分别达到386．4MPa和522．1MPa；同时冲击吸收功（AKV＝118．5J）不降低且延伸率（δ5＝34．5％）有所提高，说明添加ZrC粒子粒子可促进晶粒细化。     

管线用钢热轧规程物理模拟

应用ＴＨＥＲＭＥＣＭＡＳＴＲＥ－Ｚ型热加工模拟机对钢坯加热、控制轧制和控制冷却进行了试验研究。加热试验中发现，在１１５０℃时钢中Ｎｂ（Ｃ，Ｎ）已大部分固溶，且发生原始奥氏体晶粒突然长大现象，在１２００℃时Ｎｂ（Ｃ，Ｎ）几乎全部溶解。控轧试验证实，形变量和形变温度对再结晶奥氏体晶粒尺寸的影响最大。控冷试验表明，终冷温度和冷却速度对晶粒度的影响较明显。析出相基本上分以为主的ＴｉＮｂ（Ｃ，Ｎ）较大尺寸析     

微合金化热轧低硅多相钢的组织与性能

为了开发微合金化热轧低硅多相钢,在不含替代硅的合金元素的化学成分设计基础上,通过热轧实验研究了终冷温度对显微组织和力学性能的影响。结果表明,终冷温度从420℃升高到500℃,均可得到多相组织,其中残余奥氏体量增加了6.5%,马氏体消失,组织中出现大量的贝氏体。当实验钢的轧制工艺参数和开冷温度相近时,组织中的铁素体量、铁素体平均晶粒尺寸大致相同,终冷温度对其硬相特性以及残余奥氏体的分布有很大影响。终冷温度为470℃时,硬相特性及残余奥氏体的分布匹配良好,其屈服强度、延伸率、强塑积分别达到460 MPa、31.3%和21 754 MPa·%。     

X80管线钢热变形过程中再结晶行为及组织细化

利用Gleeble-1500D热模拟试验机研究了X80管线钢热轧过程中的再结晶行为及精轧过程中后四道次变形的再结晶特点与室温组织的关系.揭示了X80管线钢动态再结晶临界钢应变量与变形温度的关系,确定了奥氏体再结晶温度区和非再结晶温度区,所得到的技术要点对精轧过程轧制工艺制定细化奥氏体晶粒具有指导性,有助于X80管线钢获得细小均匀的室温组织.     

基于人工神经网络的微合金钢力学性能预报

用人工神经元方法分析微合金钢性能、组织成份及铁素体晶粒尺寸之间关系，对某种微合金钢的力学性能、各相的分数和铁素体的晶粒尺寸之间的关系进行了研究，并通过实验数据训练了一套BP网络．结果表明，该方法是用于组织性能预报的有效方法之一，误差可以控制在5％以内．     

控制轧制工艺参数对15MnV钢奥氏体状态和铁素体组织的影响

本文研究了热轧工艺参数对15MnV钢奥氏体再结晶行为,奥氏体状态和铁素体组织的影响。实验结果表明,由于奥氏体的形变和再结晶细化,铜坯的加热温度对轧后奥氏体晶粒大小影响不大。在奥氏体的完全再结晶温度范围内,形变量对再结晶百分数有显著的影响。低于完全再结晶温度范围,则热轧温度的影响将会变得更为重要。随着形变温度的下降或形变量增大,奥氏体晶粒内的形变带密度将增大,铁素体晶粒将细化。     

Prediction of 2A70 aluminum alloy flow stress based on BP artificial neural network

Recently ,withtherapiddevelopmentofthecompu tationtechnique ,thefiniteelementmethodisappliedmoreandmoretothenumericalsimulationofthemetalformingprocess .Therelationshipbetweenflowstressanddeformationconditionssuchasstrain ,strainratesandtemperatures,whichembodiestheresponseofamaterialtothedeformationparameters ,isveryimportantforthenumericalsimulationbyfiniteelementmethod .Butduringthehotdeformationprocess ,therearemanyfactorsthatinfluencetheflowstressofthemetal .Theeffectsofthesefactorsonthef…     

Modeling and Optimizing of Deformed Steel Bars Hot Rolling

Deformedsteelbarsarewidelyusedinconstructionengineering.Thetensilestfengthisthemainparameterthatdetermineswhetherdeformedsteelbarsaregoodornot.Intheprocessofhotrolling,therearemanyfactorsinfluencingthetensilestrengthofdeformedsteelbars,suchasMnandStc...     

Artificial neural network modeling of mechanical properties of armor steel under complex loading conditions

An artificial neural network (ANN) model is established to predict plastic flow behaviors of the 603 armor steel,based on experiments over wide ranges of strain rates ( 0.001 - 4 500 s -1 ) and tempera...     

Flow stress behavior and constitutive modeling of 20MnNiMo low carbon alloy

The hot deformation behavior of 20 Mn Ni Mo low carbon alloy was investigated by isothermal compression tests over wide ranges of temperature(1223-1523 K) and strain rate(0.01-10 s~(-1)). According to the experimental true stress-true strain data, the constitutive relationships were comparatively studied based on the Arrhenius-type model, Johnson-Cook(JC) model and artificial neural network(ANN), respectively. Furthermore, the predictability of the developed models was evaluated by calculating the correlation coefficient(R) and mean absolute relative error(AARE). The results indicate that the flow stress behavior of 20 Mn NiM o low carbon alloy is significantly influenced by the strain rate and deformation temperature. Compared with the Arrhenius-type model and Johnson-Cook(JC) model, the ANN model is more efficient and has much higher accuracy in describing the flow stress behavior during hot compressing deformation for 20 Mn Ni Mo low carbon alloy.     

应力状态下混凝土碳化深度的神经网络预测

为计算应力状态下预应力混凝土在一定条件下的碳化深度,将混凝土应力水平取为影响碳化速度的参数.在已有试验结果的基础上,分别建立了预应力混凝土碳化深度实用计算模型,以及BP网络、径向基函数(RBF)网络和广义回归(GRNN)网络的三个神经网络预测模型,并通过实例将碳化深度试验值、实用公式计算值及神经网络预测值进行了比较分析.结果表明:考虑混凝土应力水平对碳化深度的影响是合理的,试验回归得到的实用碳化模型计算误差在9%以内;同时,所建立的BP、RBF以及GRNN网络模型均具有较高的计算精度以及良好的泛化能力,仿真和预测误差基本上在5%和4%以内,均低于实用计算模型的误差值.由此可见,所建神经网络模型的仿真及预测结果是理想的,可同时考虑各种影响因素组合、行之有效的混凝土碳化深度预测方法.     

Hot deformation behavior and flow stress model of F40MnV steel

Single hit compression tests were performed at 1 223-1 473 K and strain rate of 0.1-10 s-1 to study hot deformation behavior and flow stress model of F40MnV steel. The dependence of the peak stress, initial stress, saturation stress, steady state stress and peak stain on Zener-Hollomon parameter were obtained. The mathematical models of dynamic recrystallization fraction and grain size were also obtained. Based on the tested data, the flow stress model of F40MnV steel was established in dynamic recovery region and dynamic recrystallization region, respectively. The results show that the activation energy for dynamic recrystallization is 278.6 kJ/mol by regression analysis. The flow stress model of F40MnV steel is proved to approximate the tested data and suitable for numerical simulation of hot forging.     

3-D thermo-mechanical coupled FEM simulation of continuous hot rolling process of 60SiMnA spring steel bars and rods

The 3-D thermo-mechanical coupled elasto-plastic finite element method (FEM) was used for the simulation of the twopass continuous hot rolling process of 60SiMnA spring steel bars and rods using MARC/AutoForge3.1 software. The simulated resuits visualize the metal flow and the dynamic evolutions of the strain, stress and temperature during the continuous hot rolling, especially inside the work-piece. It is shown that the non-uniform distributions of the strain, stress and temperature on the longitudinal and transverse sections are a distinct characteristic of the continuous hot rolling, which can be used as basic data for improving the tool design, predicting and controlling the micro-structural evolution of a bar and rod.     

神经网络在故障诊断专家系统中的应用

基于ＰＤＰ的人工神经网格（ＡＮＮ）研究现在已成为热点，本文针对第一代专家系统自身局限性所造成的知识自动获取瓶颈问题，将神经网络模型引入故障诊断专家系统的研究中来，有效地解决了这一问题。同时，还选取较成熟的ＢＰ算法，运用Ｃ语言开发了一个机械故障诊断专家系统。文中还对神经网络存在的问题进行了分析。     

基于人工神经网络的SS400钢板力学性能预测

寻求微观组织与性能的定量关系一直是研究开发离线与在线预测系统的关键问题，针对热轧带钢SS400性能预测系统，提出了基于Matlab神经网络工具箱的神经网络解决方案．该模型采用前向神经网络，在利用BP算法的基础上，为了克服常规BP学习算法的缺陷，Matlab神经网络工具箱对常规BP算法进行了改进，采用更有效的数值优化方法，如Levenberg—Marquardt优化方法，建立了化学成分和生产的主要工艺参数与产品力学性能之间的关系．结果表明影响板带屈服强度、抗拉强度和延伸率三者的显著因素为钢板厚度和含碳量．     

Optimization of thermomechanical processes in Cu-Cr-Zr lead frame alloy using neural networks and genetic algorithms

1 Introduction Copper alloys are the most popular lead frame alloys and are used in plastic packag-ing application due to high thermal and electrical conductivity as well as high strength[1-3]. The thermomechanical treatment technology is one of the most used methods to attain high mechcanical and electrical properties of the copper alloys[4-6]. The thermomechanical processes have been mainly studied empirically with the trial-and-error method so far. There are few reports in the literature de…