Fe-Mn-C-Al系TWIP钢热处理工艺参数优化

doi:10.13251/j.issn.0254-6051.2022.09.006

金属热处理 ›› 2022, Vol. 47 ›› Issue (9): 31-35.DOI: 10.13251/j.issn.0254-6051.2022.09.006

Fe-Mn-C-Al系TWIP钢热处理工艺参数优化

王凯, 王荣吉, 周童, 彭松

中南林业科技大学机电工程学院, 湖南长沙 410004

收稿日期:2022-04-14 修回日期:2022-07-08 发布日期:2022-10-18
通讯作者: 王荣吉,教授,博士,E-mail:wangrj6623@126.com
作者简介:王凯(1996—),男,硕士研究生,主要研究方向为TWIP钢热处理工艺与力学性能,E-mail:1534543187@qq.com。
基金资助:
湖南省教育厅科学研究重点项目(14A157)

Optimization of heat treatment process parameters of Fe-Mn-C-Al series TWIP steel

Wang Kai, Wang Rongji, Zhou Tong, Peng Song

School of Mechanical and Electrical Engineering, Central South University of Forestry and Technology, Changsha Hunan 410004, China

Received:2022-04-14 Revised:2022-07-08 Published:2022-10-18

摘要/Abstract

摘要： 为提高TWIP钢的屈服强度同时保留较好的塑性,利用BP神经网络和遗传算法对热处理工艺参数进行优化。以退火温度、保温时间和冷却方式为输入,屈服强度和伸长率的乘积为输出,建立3-4-1的BP神经网络模型,再通过遗传算法寻优,得到屈服强度和伸长率的乘积最大时TWIP钢的热处理工艺参数组合。结果表明,优化后的热处理工艺为:退火温度768 ℃、保温时间35 min、冷却方式为炉冷,并通过试验验证了预测结果的准确性。

关键词: TWIP钢, BP神经网络, 遗传算法, 热处理工艺, 参数优化

Abstract: In order to improve the yield strength and mean while retain the better plasticity of TWIP steel, BP neural network and genetic algorithm were used to optimize heat treatment process parameters. Taking annealing temperature, holding time and cooling method as input, the product of yield strength and elongation as output, a 3-4-1 BP neural network model was established. Through the optimization of genetic algorithm, the heat treatment process parameters with the maximum product of yield strength and elongation were obtained. The results show that the optimized heat treatment process parameters are annealing temperature of 768 ℃, holding time of 35 min and furnace cooling method. And the accuracy of the prediction result is verified by experiments.

Key words: TWIP steel, BP neural network, genetic algorithm, heat treatment process, parameters optimization

中图分类号:

王凯, 王荣吉, 周童, 彭松. Fe-Mn-C-Al系TWIP钢热处理工艺参数优化[J]. 金属热处理, 2022, 47(9): 31-35.

Wang Kai, Wang Rongji, Zhou Tong, Peng Song. Optimization of heat treatment process parameters of Fe-Mn-C-Al series TWIP steel[J]. Heat Treatment of Metals, 2022, 47(9): 31-35.

参考文献

[1]李根, 兰鹏, 张家泉. 基于Ce变质处理的TWIP钢凝固组织细化[J]. 金属学报, 2020, 56(5): 704-714.
Li Gen, Lan Peng, Zhang Jiaquan. Solidification structure refinement in TWIP steel by Ce inoculation[J]. Acta Metallurgica Sinica, 2020, 56(5): 704-714.
[2]支辉辉. Fe-Mn-C(-Al)系TWIP钢的微观组织演化和力学行为研究[D]. 北京: 北京科技大学, 2021.
Zhi Huihui. Microstructure evolution and mechanical behavior of Fe-Mn-C(-Al) twinning-induced plasticity (TWIP) steels[D]. Beijing: University of Science and Technology Beijing, 2021.
[3]韩雨, 李大赵, 申丽媛, 等. 不同退火工艺下TWIP钢微观组织及力学性能演变[J]. 钢铁研究学报, 2019, 31(12): 1092-1099.
Han Yu, Li Dazhao, Shen Liyuan, et al. Evolution of microstructure and mechanical properties of TWIP steels in different annealing processes[J]. Journal of Iron and Steel Research, 2019, 31(12): 1092-1099.
[4]Rahman K M, Vorontsov V A, Dye D. The effect of grain size on the twin initiation stress in a TWIP steel[J]. Acta Materialia, 2015, 89: 247-257.
[5]Ueji R, Tsuchida N, Terada D, et al. Tensile properties and twinning behavior of high manganese austenitic steel with fine-grained structure[J]. Scripta Materialia, 2008, 59(9): 963-966.
[6]Tian Y Z, Bai Y, Zhao L J, et al. A novel ultrafine-grained Fe-22Mn-0.6C TWIP steel with superior strength and ductility[J]. Materials Characterization, 2017, 126: 74-80.
[7]张哲峰, 邵琛玮, 王斌, 等. 孪生诱发塑性钢拉伸与疲劳性能及变形机制[J]. 金属学报, 2020, 56(4): 476-486.
Zhang Zhefeng, Shao Chenwei, Wang Bin, et al. Tensile and fatigue properties and deformation mechanisms of twinning-induced plasticity steels[J]. Acta Metallurgica Sinica, 2020, 56(4): 476-486.
[8]李烨, 夏鹏成, 谢鲲, 等. 退火温度对Fe-Mn-Al-C钢组织和拉伸性能的影响[J]. 金属热处理, 2021, 46(4): 77-82.
Li Ye, Xia Pengcheng, Xie Kun, et al. Effect of annealing temperature on microstructure and tensile properties of Fe-Mn-Al-C steel[J]. Heat Treatment of Metals, 2021, 46(4): 77-82.
[9]姜英花, 邝霜, 刘华赛. 退火温度对孪晶诱发塑性钢组织和性能的影响[J]. 金属热处理, 2016, 41(5): 40-43.
Jiang Yinghua, Kuang Shuang, Liu Huasai. Effect of annealing temperature on microstructure and mechanical properties of TWIP steel[J]. Heat Treatment of Metals, 2016, 41(5): 40-43.
[10]康靓, 米晓希, 王海莲, 等. 人工神经网络在材料科学中的研究进展[J]. 材料导报, 2020, 34(21): 21172-21179.
Kang Jing, Mi Xiaoxi, Wang Hailian, et al. Research progress of artificial neural networks in material science[J]. Materials Reports, 2020, 34(21): 21172-21179.
[11]童希, 王荣吉, 王亚祥, 等. 基于BP神经网络和遗传算法的TWIP钢热处理工艺参数优化[J]. 热加工工艺, 2018, 47(16): 176-179.
Tong Xi, Wang Rongji, Wang Yaxiang, et al. Optimization of heat treatment process parameters of TWIP steel based on BP neural network and genetic algorithm[J]. Hot Working Technology, 2018, 47(16): 176-179.
[12]林毅, 郑子樵, 张海锋, 等. 热处理工艺对2A97Al-Li合金拉伸性能的影响: 实验和BP人工神经网络模拟(英文)[J]. 中国有色金属学报(英文版), 2013, 23(6): 1728-1736.
Lin Yi, Zheng Ziqiao, Zhang Haifeng, et al. Effect of heat treatment process on tensile properties of 2A97 Al-Li alloy: Experiment and BP neural network simulation[J]. Transactions of Nonferrous Metals Society of China, 2013, 23(6): 1728-1736.
[13]刘敬福, 韩明明, 李赫亮, 等. 基于ANN的ZA35合金热处理后阻尼性能的预测[J]. 金属热处理, 2018, 43(9): 223-226.
Liu Jingfu, Han Mingming, Li Heliang, et al. Prediction of damping property of ZA35 alloy after heat treatment based on ANN[J]. Heat Treatment of Metals, 2018, 43(9): 223-226.
[14]王玉, 谭力, 邢渊, 等. 人工神经网络在热处理质量控制中的应用研究[J]. 机械工程材料, 2000(2): 8-9.
Wang Yu, Tan Li, Xing Yuan, et al. Study on the application of ANN to heat treatment quality control[J]. Materials for Mechanical Engineering, 2000(2): 8-9.
[15]翁翎, 谭丽. 基于BP神经网络的连续退火对TRIP钢力学性能的影响[J]. 热加工工艺, 2013, 42(20): 199-201, 203.
Weng Ling, Tan Li. Effect of continuous annealing on mechanical properties of TRIP steel based on BP neural network[J]. Hot Working Technology, 2013, 42(20): 199-201, 203.

Fe-Mn-C-Al系TWIP钢热处理工艺参数优化

Optimization of heat treatment process parameters of Fe-Mn-C-Al series TWIP steel

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张文文, 董福涛, 刘云双, 田亚强, 陈连生. 终轧温度对Cu合金化Fe-18Mn-0.6C TWIP钢微观组织和力学性能的影响[J]. 金属热处理, 2022, 47(7): 102-106.
[2]	韩俊刚, 邵志文, 宋运坤, 陈小虎, 丁博远, 顾娇娇. 热处理对针阀体用4Cr5MoSiV1钢组织及性能的影响[J]. 金属热处理, 2022, 47(7): 120-124.
[3]	张衡, 张迪, 刘馨宇, 王晓东, 高占勇, 陈林. 锻造及热处理工艺对耐磨钢组织及耐磨性能的影响[J]. 金属热处理, 2022, 47(7): 138-143.
[4]	尤申申, 于海华. 核电主设备支承件用12MDV6铸钢成分及热处理工艺对性能的影响[J]. 金属热处理, 2022, 47(6): 186-191.
[5]	刘鹏, 杨吉春, 刘香军, 孙梦翔, 杨昌桥. 稀土Y对TWIP钢力学性能的影响机理[J]. 金属热处理, 2022, 47(5): 59-64.
[6]	崔鼎, 车永平. 带内花键零件的畸变控制方法[J]. 金属热处理, 2022, 47(3): 252-256.
[7]	宋延沛, 陈丹萍, 周汉, 林小丽, 李丽. 热处理工艺对Cr15Ni2MnMoCuNbRE铸钢组织及性能的影响[J]. 金属热处理, 2022, 47(2): 178-182.
[8]	张锦刚, 晁利宁, 汪强, 杨晓龙, 周新义, 唐家睿. 消除大型结构件焊接畸变的焊后热处理工艺[J]. 金属热处理, 2022, 47(2): 236-242.
[9]	华瑶. 热处理工艺对Ti80钛合金棒材组织与性能的影响[J]. 金属热处理, 2021, 46(9): 146-148.
[10]	董绍明, 胡建文, 梁子玉. 锯片基材75Cr1钢的热处理工艺及其组织性能[J]. 金属热处理, 2021, 46(9): 193-198.
[11]	段文峰, 石全强, 李积回, 何玲, 范倚豪, 邵品, 严伟. 新型刀具用钢的热处理工艺及微观组织[J]. 金属热处理, 2021, 46(8): 156-163.
[12]	史可庆, 郭甫, 安龙森, 陈云, 杜子阳, 武萌, 徐钦佩. 42CrMo4钢风电主轴的热处理工艺[J]. 金属热处理, 2021, 46(8): 201-204.
[13]	段文峰, 石全强, 李积回, 沈卓, 张帆, 沈明钢, 单以银. 热处理工艺对新型抗菌刀具用钢微观组织和性能的影响[J]. 金属热处理, 2021, 46(7): 131-139.
[14]	李烨, 夏鹏成, 谢鲲, 曹梅青, 谭云亮, 金晓龙. 退火温度对Fe-Mn-Al-C钢组织和拉伸性能的影响[J]. 金属热处理, 2021, 46(4): 77-82.
[15]	霍雄勃, 党淑娥, 赵家兴, 张晓峰, 陈莹, 朱雪彤. 热处理工艺对ER7车轮钢力学性能的影响[J]. 金属热处理, 2021, 46(3): 51-55.