[发明专利]一种预测Nb微合金钢动态再结晶型流变应力的方法

说明书

一种预测Nb微合金钢动态再结晶型流变应力的方法，属于钢铁研究和机器学习的交叉技术领域。该方法基于系列Nb微合金钢的动态再结晶型流变应力曲线及钢种信息的实验数据，采用遗传算法学习每条流变应力曲线对应数学模型中的参数，使用贝叶斯正则化的BP神经网络建立钢种信息与流变应力曲线特征间的网络关系模型，之后结合流变应力曲线对应的数学模型，预测动态再结晶型流变应力。该方法所建立的模型能够高精度预测该系列钢在多种成分及工艺条件下的流变应力曲线，明显减少单道次压缩实验的工作量，提高动态再结晶型流变应力曲线的预测效率和精度。

技术领域

本发明属于钢铁研究和机器学习的交叉技术领域，具体涉及一种预测Nb微合金钢动态再结晶型流变应力的方法。

背景技术

Nb微合金化高强钢被广泛应用于管线、桥梁建筑等方面。Nb微合金化高强钢要求有高的强度和良好的韧性。细晶强化可同时提高钢材的强韧性，动态再结晶作为细化奥氏体晶粒尺寸的重要途径之一，对Nb微合金化高强钢最终力学性能影响较大。目前研究奥氏体动态再结晶型流变应力主要有两种方法，一种是采用单道次压缩实验，直接获得实验钢的流变应力曲线；另一种是根据已有流变应力曲线建立数学模型。根据单道次压缩实验虽然可以获得流变应力曲线，但实验工作量较大。根据已有流变应力曲线建立的流变应力数学模型可以预测动态再结晶型流变应力曲线，但其仅适用于单一钢种及工艺条件，且精度也有待提高。而机器学习理论及方法能够根据大规模数据自动学习到数据集中的特征并且具有通用性强、精度高的特点，目前已经在材料科学的许多方面有应用，如新型固态材料的预测、材料性能的计算等。针对动态再结晶型流变应力预测的精度及泛化问题，机器学习能够较好地解决，因此开展该方面工作具有重要意义。

通过检索国家知识产权局数据库及SOOPAT数据库，目前并没有针对Nb微合金钢动态再结晶型流变应力的相关专利发表；相关文献中针对动态再结晶型流变应力的预测也只是针对单一钢种或单一工艺条件下，精度较低且适用范围有限。如Abarghooei等对X70钢热变形过程中的稳态流变应力建立了机器学习模型，对稳态流变应力进行了预测，但该文献不仅未涉及化学成分对流变应力的影响，而且不能预测整个变形过程的流变应力曲线【Abarghooei H，Arabi H，Seyedein S H，et al.Modeling of Steady State Hot FlowBehavior of API-X70Microalloyed Steel using Genetic Algorithm and Design ofExperiments[J].Applied Soft Computing，2017，52：471-477.】。

发明内容

针对现有技术存在的不足，本发明提供一种预测动态再结晶型流变应力的方法，该方法以数学模型为指导，采用机器学习方法建立预测Nb微合金钢动态再结晶型流变应力的模型，适用于系列Nb微合金钢，且能够保证传统物理冶金学规律的前提下，同时具有较高的精度和适用性，耗费时间较短，适用于任何钢种或合金的动态再结晶型流变应力的预测。

一种预测Nb微合金钢动态再结晶型流变应力的方法，包括以下步骤：

步骤1、基于现有Nb微合金钢动态再结晶型流变应力曲线、钢种信息及工艺参数的实验数据，构建初始数据集，其中：钢种信息包括：C含量、Mn含量和Nb含量；工艺参数包括：加热温度、变形温度、最大应变量和应变速率；

步骤2、判断初始数据集内流变应力曲线是否符合物理冶金学规律，保留符合物理冶金学规律的流变应力曲线，形成筛选数据集；

步骤3、根据筛选数据集内流变应力曲线，确定筛选数据集中每条流变应力曲线的实测峰值应变ε_p、峰值应力σ_p、稳态应变ε_s和稳态应力σ_s；

步骤4、确定动态再结晶型流变应力曲线的数学模型形式，具体步骤如下：

步骤4-1、将流变应力分为两部分，即峰值应力前为一部分、峰值应力后为一部分；