英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
铬对通过神经网络分析的新型空气冷却贝氏体钢的CCT图的影响
YOU Weirsquo;1, XU Wei-hong1, LIU Ya-xiu2 , BAI Bing-zhe3, FANG Hong-sheng3
(1. Department of Mechanical and Electrical Engineering, North China Institute of Science and Technology,Beijing 101601, China; 2. Department of Electronics and Information Engineering, North China Institute ofScience and Technology, Beijing 101601, China; 3. Department of Materials Science and Engineering,Tsinghua University, Beijing 100084, China)
摘要：采用人工神经网络模型分析了新型空冷贝氏体钢的铬含量对连续冷却转变CCT图的定量影响。 结果表明，铬可能延缓高温和中温马氏体转变。
关键词：新型风冷贝氏体钢; CCT图; 人工神经网络; 铬含量; 定量效应
新型风冷贝氏体钢的连续冷却转变（CCT）图在新产品的开发中发挥重要作用。 它们可用于预测钢的微结构和性质，并且可有助于钢的合金设计。 人工神经网络（ANN）是一种先进的经验方法，它能很好地处理输入和输出变量之间存在复数多因子非线性关系的问题。 因此，使用Eagleye2003（一种用于预测低碳低合金钢的CCT图的软件）分析铬含量对新型空气冷却贝氏体钢的CCT图的影响。
- 实验
1. 1 ANN型号
Eagleye2003中的ANN模型是反向传播模型，包括三个层：一个输入层，一个隐藏层和一个输出层。 输入层中的节点表示输入变量; 需要在训练过程中确定隐层中的节点数量; 输出层中的节点表示输出变量。 具有动量项的反向传播算法用于训练ANN模型：模型的学习速率为0.05，动量项的系数为0.5，迭代次数为8 000。
1.2 数据库
ANN模型需要经过训练才能用于预测。 对于本研究，数据来自参考文献。 [3-8]。 样品的组成范围是：C 0.06-0.58，Si 0.02-1.43，Mn 0.28-1。 98，Cr 0-1.20，Ni 0-1.05，Mo 0-0.54，B 0-0.004和（Ti Nb V）0-0.20。
1.3 ANN模型的训练和测试
使用“留一法”方法训练和测试ANN模型。 假设在数据库中有N个样本。 步骤1，从数据库中取出一个样本，使用左（N-1）个样本训练ANN模型，然后使用取出的样本测试ANN模型的性能，然后将取出的样本返回 数据库。 步骤2，从数据库中取出另一个样本，使用左（N-1）个样本训练ANN模型，然后使用取出的样本来测试ANN模型的性能，并重复该过程直到每个样本都被取得 以测试模型的性能。
2 结果
2.1 ANN模型的性能评价
预测几种新型风冷贝氏体钢的CCT图，以确保预测软件的准确性和可靠性 - Eagleye2003
所选钢的化学成分列于表1中。根据YB / T 5128-1993制备四种钢的测量样品，并在900℃奥氏体化，保持时间为10分钟，CCT图在Formaster-F热膨胀仪中测量，图1是比较,此外采用了几个统计标准来评估软件的性能：其中E是均方误差; Er是均方相对误差; VF值的适应度; Ve是计算值; Vm为测量值。上述等式表明，E和Er的范围都在0和正无穷之间，VF的范围在0和2之间。计算值与测量值非常一致。 E和Er的值较小，而VF的值较大。相反，E和Er的值较小，而VF的值较大，并且模型的性能更好。 ANN模型的预测误差如表2所示。表2中的括号数据是代尔夫特理工大学的研究人员的误差。可以看出，他们的误差更大，本研究中建立的ANN模型具有更好的预测性能。上述预测结果表明，本研究中的模型具有更令人满意的性能。
2.2 铬含量对CCT图的定量影响
在分析铬含量对CCT图的定量影响之前，选择样品钢。 组合物和热处理参数列于表3， 图2显示了计算结果。
图2显示在铬含量的0-2.0％的范围内，铬含量对钢1和4的Ac3的影响较弱，Ac3几乎不变; 对于铬含量为0-0.6％和1.2-2.0％，钢2和3的Ac3也几乎没有变化。 在铬含量为0.6％-1.2％的范围内，钢2和3的Ac 3随着铬含量的增加而增加，并且对于增加1％的铬，平均速率分别为198和220℃ 。四种钢的Aci随铬含量的增加而增加; 对于铬的增加，平均速率分别为39℃，40℃，50℃，12℃和39℃，铬可以降低FPCV，特别是在铬含量的0.4％-1.2％的范围内 ;四种钢的FPCV随着铬含量的增加而快速下降;铬可降低FPS;然而，效果很小;四种钢的FPS的平均下降率为约5℃，增加1％ 铬。 四种钢的铬含量对FPE的影响较弱。 四种钢的BCV随着铬含量的增加而减小。降低率分别为158. 5,146.5,13.5和19℃/ m，铬含量分别增加1％，随着铬含量的增加，BS值降低，四种钢的平均速率分别为77℃，77℃，77”C和67“C℃，铬含量分别增加1％，BE含量随铬含量的增加而降低;在不同铬含量范围内， 四种钢的M随着铬含量的增加而减小。
3 讨论
(1)铬对相变的影响如下: ①铬是铁素体稳定元素，其降低奥氏体区域，从而提高奥氏体形成温度。 ②铬可降低奥氏体中碳原子的扩散速率;此外，铬原子的扩散速率慢，其比碳原子的量级低3-5个数量级。由于合金元素需要在高温贝氏体转变过程中重新分布，铬可以延迟过冷奥氏体的相变。 ③铬可以提高铁原子自扩散的活化能，降低铁原子的扩散系数，从而延缓过冷奥氏体的高温转变。 ④铬是一种碳化物形成元素。铬原子与碳原子具有强的相容连接，这使得相干相界面难以移动。因此铬可能延缓贝氏体转变。
(2)认为ANN模型计算结果的误差是由两个原因引起的。 一个是ANN模型精度的误差。 另一个是钢中相变的复杂性，影响，特别是每个合金元素对相变的定量影响是相当复杂的。 如果钢中有多于一种合金元素，则元素之间存在相互作用; 因此，合金元素对相变的影响机理更复杂，并且在计算中的误差是不可避免的。
4 结论
（1）经过训练，ANN模型具有高精度，可用于预测新型空冷贝氏体钢的CCT图。
（2）铬含量对新型空冷贝氏体钢的CCT图的影响是非线性的。 这可以提高奥氏体形成温度，延迟高温相变和贝氏体转变，并降低M的温度。
（3）铬含量对CCT图的非线性影响是由相变的复杂机制和钢中合金元素之间的相互作用引起的。
References :
[1] Nielsen R H. Seurocornputing [MI. Massachusetts: Addision-Wesley Publishing Company, 1991.
[2]YOU Wei. Predicting the CCT Diagrams of Novel Air-Cooled Bainite Steels Using Artificial Neural Networks [D]. Beijing:
Tsinghua University, 2004 (in Chinese).
[3]The No. 1 Iron Factory, Benxi Iron and Steel Corporation and Tsinghua University. The Atlas of Super-cooling Austenite
Transformation Diagrams [MI. Benxi: The No. 1 Iron Factory Press, Benxi Iron and Steel Corporation, 1978 (in Chinese).
[4]American Society for Metals. Atlas of Isothermal Transformation and Cooling Transformation Diagrams [MI. Metals Park,
Ohio: American Society for Metals Press, 1977.
[5]ZHANG Shi-zhong. Atlas of Super-Cooling Austenite Transformation Diagrams [ M ]. Beijing: Metallurgical Industry
Press. 1993 (in Chinese).
[6]Ha#39;erbin Research Institute of Welding, Machinery and Electronical Industry Ministry. CCT Atlas of Welding of Low Alloy
Steels [MI. Beijing: China Machine Press, 1990 (in Chinese).
[7]Japan Society for Irons and Steels. Atlas of CCT of Welding Steels [MI. Tokyo: Japan Society for Iron and Steels, 1992.
[8]Japan Society for Irons and Steels. Atlas of Continuous Cooling Transformation Diagrams of Low Carbon Steels [MI. Tokyo:
Japan Society for Irons and Steels, 1992.
[9]So Sung-sau, Martin Karplus. Evolutionary Optimization in Quantitative Structure-Activity Relationship: An Application
of Genetic Neural Networks [J]. Journal of Medicinal Chernistry, 1996, 39(7): 1524-1528.
[10]Wolk P. Modeling CCT Diagrams of Engineering Steels Using Neural Networks [MI. Delft: Delft University Press, 2001.
[11]WANG Xiao-tian. Metallic Materials Science [MI. Beijing: Machinery Industry Press, 1991 (in Chinese).
不同冷却速率对HAZ微观结构和CLAM钢焊接CCT图的影响
Shuhui Zhenga*, Qingsheng Wua, Qunying Huanga,b, Shaojun Liua, Yangyang Hana
aInstitute of Plasma Physics, Chinese Academy of Sciences, Hefei, Anhui, 230031, China
bSchool of Nuclear Science and Technology, University of Science and Technology of China, Hefei, Anhui, 230027, China
摘要：Gleeble-1500模拟了焊接热循环下焊缝HAZ（热影响区）的微观组织演化。通过光学显微镜（OM），扫描电子显微镜（SEM）和显微硬度试验研究不同冷却速率下HAZ的微观结构和性能。结果表明，当冷却速率从3600K / min到60K / min时，完全马氏体转化，冷却速率对马氏体的显微组织和显微硬度影响不大。形成铁素体的最大冷却速度为60K / min。当冷却速率为60K / min至1K / min时，由于存在铁素体，HAZ的显微硬度开始下降，并且板条尺寸
全文共12905字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[143228]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
