[发明专利]一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法

说明书

技术领域

本发明涉及一种金属Ac₁点的预测方法，尤其是涉及一种9％Cr马氏体耐热钢焊缝金属Ac₁点的预测方法。

背景技术

9％Cr马氏体耐热钢主要包含P92、P91和E911三种新型马氏体耐热钢，广泛用于超超临界锅炉主蒸汽管、集箱等厚壁管道等构件，焊缝韧性偏低是该系列钢焊接时的一个主要问题。为了改善焊缝韧性，需要对焊缝进行不同于母材的合金化设计，如适当降低碳、硅和铌等，并加入镍、锰和钴等奥氏体化合金元素，相应的焊缝金属的Ac₁点也将发生变化。9％Cr马氏体耐热钢焊后必需进行高温回火处理，以消除焊接残余应力和改善焊接接头性能，一般要求热处理最高温度应至少低于焊缝金属Ac₁点15℃，以避免在热处理过程中因温度控制不当，导致回火温度超过焊缝金属的Ac₁而产生新的奥氏体，生成的奥氏体在随后的冷却中转变成未回火的马氏体组织，使得焊缝硬度增加、冲击韧性下降，同时使材料高温持久强度降低，降低接头的整体性能。因此，焊接材料厂家在供货时，用户单位要求提供焊材焊缝金属(熔敷金属)的Ac₁点。

要充分发挥9％Cr马氏体耐热钢的优异性能，开发与之相匹配的焊接材料显得尤为重要，然而对于P92焊材成分目前还没有统一的国际标准，而且不同焊材厂家采取了不同合金设计，即使同一厂家的产品，不同批号产品也存在一定成分波动。因此，基于热处理等工艺需要，需要经常性的并且要求快速确定焊缝金属Ac₁点。传统测定焊缝金属Ac₁的方法主要是物理方法，如膨胀法、热分析法、硬度法等等，但这些方法都很难适应快速和大批量的测定确定焊缝金属Ac₁的要求，并且测定成本高。

人工神经网络是80年代末开始迅速发展的一门非线性科学，人工神经网络模型具有很强的容错性、学习性、自适应性和非线性的映射能力，特别适于解决因果关系复杂的非确定性推理、判断、识别和分类等问题。目前，在钢铁冶金领域应用最广泛的是具有多层前馈网络结构且采用反向误差传播训练方法的模型(BP模型)。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种不仅能够用于预测某种成分条件下的9％Cr马氏体耐热钢焊缝金属的Ac₁点，为其焊后热处理温度选择提供依据，同时还可以用于指导9％Cr钢焊接材料的合金化设计的一种9％Cr马氏体耐热钢焊缝金属Ac₁点的预测方法。

本发明再有一目的是解决现有技术所存在的等的技术问题；提供了一种解决了传统中用膨胀法等物理方法测定Ac₁点时浪费时间精力、增加成本和不适于大规模测定的一种9％Cr马氏体耐热钢焊缝金属Ac₁点的预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种9％Cr马氏体耐热钢焊缝金属Ac₁点的预测方法，其特征在于，包括以下步骤：

步骤1，由金属温度计算模块设计T组9％Cr马氏体耐热钢焊缝金属成分，并计算T组9％Cr马氏体耐热钢焊缝金属成分下的焊缝金属的A₁温度，得到T组A₁温度；

步骤2，由神经网络建立模块基于焊缝金属中碳、氮、镍、锰、钴、铜、铬、钼、钨、钒、铌、硅十二种合金元素对A₁点的影响，建立基于误差反向传播神经网络；

步骤3，由预测模型建立模块针对步骤1得到T组A₁温度对步骤2中基于误差反向传播神经网络进行训练和测试，得到一个能够预测9％Cr马氏体耐热钢焊缝金属A₁点的预测模型；

步骤4，由模型修正模块结合9％Cr钢焊缝金属Ac₁点实测数据，对步骤3中所得的能够预测9％Cr马氏体耐热钢焊缝金属A₁点的预测模型进行修正；得到修正后的预测模型；

步骤5，由相变点确定模块分析9％Cr马氏体耐热钢焊缝金属中各个合金元素的质量百分数，并将各个合金元素的质量百分数输入到步骤4中修正后的模型预测9％Cr马氏体耐热钢焊缝金属的Ac₁点。