英语科技论文写作
考虑了锰的含量以及道次间的再结晶程度，应变累积量和可能的动态再结晶过程。实际上，许多学者已经开始考虑动态软化的影响，这种软化可以极大地扩大加载应变的范围，尤其是压下量大或者累积加工硬化在反复变形时发生时。
Beynon 和Sellars尤其强调软化过程是流变应力大小以及轧制力大小的重要决定因素。公式来自于碳—锰钢，因此应变和应变率指数对于微合金钢来说并不严格精确。但这一等式可以用于热轧过程中的平均流变应力的模型，同时也考虑到固溶体的影响。许多钢板生产都可以应用Misaka 公式，Siciliano and Poliak也为微合金化钢提出了不同的等式。 1.3 神经网络模型
神经网络模型也可应用于模拟钢的高温强度，其主要特征是通过自学习过程建立数据间的复杂关系式，无需假设与期望值有关的其他模型，还可以识别噪音和虚假数据，因此该技术可以模拟传统模型所不能模拟的轧制过程。神经网络模型发展快，而且简单，许多研究人员已经检测了这项技术在热轧过程上的应用，而且效果很好。神经网络有的用于预测热轧板材的机械性能和微观结构，与传统衰减法相比，该模型在预测流变应力时能够达到要求的学术精度和可传递性，而且，该模型可以有效处理被噪声污染的实验数据。
在冷轧方面，使用神经网络模型，可以精确预测轧制力和预设定轧制参数。遗传算法具有随机性稳定性，和也可以简单快捷地设定主要轧制参数。在给定步骤的情况下，该算法可以最小的实验调整量来精确调整现存的模型，从而得出参数的最优值。遗传算法优化了的混合神经网络模型能够预测复杂的流变应力，为之提供合适的实验数据，并且对轧制的本构方程进行及其有效的优化。
与未经遗传算法优化的模型相比，该模型在应力应变关系的预测上优势更加明显。综上，通过实验或者工业生产而得到的数据都被用来构建热变形抗力的数学模型。现阶段的工作目标是建立微合金化钢热板轧机轧制过程中平均流变应力的数学没模型。为此，进行了大量的数学模型的测试并通过遗传算法对其进行优化，对其参数进行调整使之更好的符合现有的实验数据。工作目标是建立一个数学模型使之能够快速准确地预测轧制力。在轧制开始之前，需要制定一个压下规程，压下规程规定了每个道次的压下率，而压下率和轧制速度会影响轧件的材料特性和产品的生产率。因此轧制规程的优化很重要。在制定轧制规程过程中，轧制力模型至关重要，因为正是轧制力引起了轧件的变形。 2. 材料和实验步骤
本实验的数据来自塔兰托钢铁厂的热板轧机的工作日志。根据钢的化学成分，在热轧生产过程中，再加热温度取1,120 °C，同时为了防止奥氏体晶粒变得粗大而
- 8 -
正 文
加入了钛元素，所有的铌元素会溶解并在轧制最后阶段析出。一般来说，钢的成分由锡元素来进行优化控制，因此很明显，没有钛元素会导致析出强化。热轧再加热以及控制奥氏体晶粒大小时，为了抑制奥氏体晶粒在高温再加热时长大而采用锡元素，系元素性质稳定，且在较高的再加热温度下也不会溶解。为了得到高强度的铁素体—珠光体组织并且在氮元素过量的情况下仍能使用，往往需要加入钛元素和铌元素，铌碳化合物和氮碳化合物溶点相对很低，并且在轧制后期会大量析出。
变形试验在Gleeble 3800热机械模拟装置上进行。将长方形条状试件在真空室内加热到1,120 °C ，加热速度为3 °C/s ，加热100秒，以5 °C/s 冷却速度冷却到开始的变形温度。然后在碳化钨的砧模中挤压成型。最后试样以12-16-20 °C/s的冷却速度进行控制冷却。为防止试件与砧模粘连，而加入了0.1mm厚的钽箔同时也采用了石墨箔来进行润滑。钽箔不仅能够防止试件表面的粘连，而且还能减少由于表面间的摩擦而造成试件表面的凸凹不平从而保证了长方形条状时间的均匀变形。变形温度可以通过焊接在试件表面的热电偶进行测量，轴向位移和径向位移以及试件的轴向压力随着实验的进行可以随时进行测量。
把12到30mm厚度的试件按四种不同的厚度分别进行试验，每一个厚度都对应着各自的变形过程，从而得出工业实际生产的轧制过程。 3. Gleeble试验检测结果
在Gleeble 3800模拟器上，通过三组不同试验得出了对应的三条应力—应变曲线，这些曲线存在明显的不同。这些不同是因为微合金钢对退火时间和退火温度很敏感，当后者改变的时候，应力—应变曲线也会随之改变。此外，Gleeble试件的温度和应变分布也不是完全相同的，也会导致曲线的变化。因此，试件的微结构的变化过程也会随之不同，结果导致了在预测平均流变应力的时候会出现差异。从而，微合金元素在事件中的溶解度也会不同。所以，不同平均流变应力之间的比较也表明了不同试件中微合金元素的溶解度的不同。
厚度相同，尽管种类不同，但钢的平均流变应力彼此非常接近，表明其再结晶过程也非常相似。
为了研究应变率和温度对平均流变应力的影响，试验给出了平均流变应力与温度以及应变率倒数的关系，即随着应变率的增加和温度的降低，平均流变应力随之增加。
每道次工艺参数的不同往往会导致微观结构的变化，从而导致真实的过程模拟的结果的不同。总的来说，工艺参数值不断增加将会导致非重结晶区应变的快速增加。研究发现，在热轧过程中，再结晶的停止温度附近的轧制温度不同会导致变形的微观结构以及流变应力有所差异。
- 9 -
英语科技论文写作
以前公式中的化学元素的含量指的是溶解在奥氏体中的含量。随着合金含量的有效控制，溶解的铌元素和钛元素的含量也都能计算出来。根据给出的公式，钛元素被铌元素完全析出，而氮元素会完全溶解。根据上述公式计算得到的三种试件的再结晶温度为950 °C，高于实验测得的实际变形温度。因此，可知所有的被测试件再结晶过程还没有完成。
所有道次的软化百分数都降低了40 %，这表明所有道次的轧制温度都比非再结晶温度低很多。
4. 塔兰托轧机工作日志数据结果
通过对分析轧机日志的数据进行分析，得出平均流变应力与温度倒数的关系，并使之与Gleeble实验所得的结果进行比较。每一道次的平均流变应力值由西姆斯公式计算出来，计算所需参数包括板宽，板厚，每道次的轧制力以及工作辊。
根据西姆斯方法，轧制力按如下公式计算：
为了比较Gleeble实验数据和实际工厂生产的数据，提出了不同实验试验加热制度的相对误差和不同实验试件厚度的相对误差。
结果表明，在最后的几个道次中，当应变率较高而应变最低时，Gleeble 实验数据与实际轧机数据一致性较高，由此可以确定，在这种条件下，Gleeble 实验能够方便有效的模拟工业的热轧生产过程，尤其是在所有的实验加热制度下，相对误差的变化规律几乎相同： 试验温度最高，实验的应变率最高时，误差较低。
相同的再加热制度和热机械循环下得到了不相符的应力—应变曲线，这表明微合金钢对温度和应变非常敏感。因此，在轧机中，这种不一致很有可能发生在平均流变应力的测量值当中。由于在Gleeble 实验中，平均流变应力的预测不可避免会有误差，所以会导致上述的不一致情况发生。 5. 数学模型 5.1 文献发表的模型
几种公式已经被提出用来预测平均流变应力。许多学者也应经提出了一种经验公式用来计算平均流变应力，根据轧件的含碳量以及轧制过程中的应变和应变率。并且介绍了几个常用的计算公式。但所介绍的公式的预测值与实际测量所得的结果不能很好相吻合。
实验结果和预测值不能很好吻合的原因是：在高于非再结晶温度的轧制环境下，每道次间的再结晶已经完成，因此，这些公式的应用范围受到了受限。低温条件下，温度低于非再结晶温度时，再结晶过程没有完成，由于温度的降低和铌元素的影响，开始发生应变累积。从第一道次到第八道次，Gleeble实验所得到的平均流变应力增加了60 MPa，而上述公式计算出来的结果只增加了10 MPa，可能是因为这些公式没
- 10 -
正 文
有考虑到应变累积的影响。
然而由于软化百分数很难计算，因而上述公式不能用来预测平均流变应力值。实际上，文献中预测软化百分数的公式需要首先预测材料在热轧过程中的微观结构特征以及软化特征，同时还需要使用很多特定钢材以及特定化学成分中的某些常数参量。
5.2 通过标准技术对文献中的模型进行优化
正如上面所强调的，许多研究工作是通过物理方法和衰退技术来对流变应力模型进行处理的，这些公式只适用于有限的公式中提到的材料，并且应用之前介绍的公式所得到的平均流变应力预测的结果也不能完全满足要求。
在试验中预测效果最好的公式是Poliak提出的公式模型，和其他的公式比较，该公式的预测结果错误比较小。因为Poliak公式考虑到了微合金元素，例如铌和钛，这样可以使Poliak模型更好地适应目前比较流行的特种钢。
为了克服标准公式中存在的不足，一种新的方法被拿来研究，这种方法基于对经验公式中的某些参量进行调整。这种想法也可以用来修正现有公式的某些系数，这些系数能够减少不同钢种全部道次平均流变应力预测值和实测值的不一致。用于和其他公式相比具有较好的预测值以及自身考虑到了微合金元素，Poliak公式被用于对轧制的过程进行调整和模拟。 5.3 公式优化过程中遗传算法的使用
经修正的Poliak公式所得到的计算结果更加精确，预测值的误差也减半了。尽管如此，现存的优化方案并没有考虑到微合金元素，而微合金元素正是目前工作的关键，而且对平均流变应力的影响也非常大。因此，更深入的优化模型开始考虑Poliak公式中铌和钛的含量系数。由于公式结构中考虑到了影响元素的系数，因此，公式实现线性化以及对参数优化值进行线性回归计算也成为可能。
这种临界状态是由高斯—牛顿方法得到的，它适用于解决非线性问题。同时，还实施了几种优化方案，这些方案的结果彼此并不相同。这一现象的出现是函数局部最小化的结果，这也使得整个算法的搜索过程变得复杂。高斯—牛顿方法以误差的形式而得到的结果所变现出来的一致性是最好的，这一方程的预测能力有了进一步的加强。
由于目标函数存在大量的局部最小化，使用遗传算法就可以有效地解决这一问题。使用遗传算法来修正前面所提到的Poliak公式框架中的系数来预测平均流变应力，从而得出每一个修正系数的最优值。
这些最优值可以减小上面所提到的公式中所有八个道次的平均流变应力预测值和实际值的差别。所得到的结果表明，对模型进行优化可以进一步提高公式的预测
- 11 -
相关推荐：
loading