[發明專利]一種預測Nb微合金鋼動態再結晶型流變應力的方法

有效

• 申請號: 202010767229.3
• 申請日: 2020-08-03
• 公開（公告）號: CN111861041B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 劉振宇;周曉光;李鑫;曹光明;崔春圓;劉建軍;高志偉;王國棟
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/27;G06F30/20;G06N3/084;G06N3/126;G06F119/14;G06F113/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 寧佳

1.一種預測Nb微合金鋼動態再結晶型流變應力的方法，其特征在于，包括以下步驟：

步驟1、基于現有Nb微合金鋼動態再結晶型流變應力曲線、鋼種信息及工藝參數的實驗數據，構建初始數據集，其中：鋼種信息包括：C含量、Mn含量和Nb含量；工藝參數包括：加熱溫度、變形溫度、最大應變量和應變速率；

步驟2、判斷初始數據集內流變應力曲線是否符合物理冶金學規律，保留符合物理冶金學規律的流變應力曲線，形成篩選數據集；

步驟3、根據篩選數據集內流變應力曲線，確定篩選數據集中每條流變應力曲線的實測峰值應變ε_p、峰值應力σ_p、穩態應變ε_s和穩態應力σ_s；

步驟4、確定動態再結晶型流變應力曲線的數學模型形式，具體步驟如下：

步驟4-1、將流變應力分為兩部分，即峰值應力前為一部分、峰值應力后為一部分；

步驟4-2、選擇峰值應力前流變應力適合的數學模型A，選擇峰值應力到穩態應力適合的數學模型B，其中：

所述的動態再結晶型流變應力曲線的數學模型形式，如下：

其中，σ為應力，ε為應變，σ_p為峰值應力，ε_p為峰值應變，σ_s為穩態應力，C和C₁為常數；

步驟5、根據步驟4確定的動態再結晶型流變應力數學模型形式，采用遺傳算法，根據實測流變應力曲線，分別學習數學模型A和數學模型B中的參數，具體過程為：

根據實測的流變應力曲線及步驟4確定的數學模型形式，設置遺傳算法學習時的交叉率、變異率和最大迭代數參數，學習每條流變應力曲線所對應的數學模型中參數C和C₁；

步驟6、采用貝葉斯正則化的BP神經網絡，建立鋼種信息與動態再結晶型流變應力特征間的非線性映射網絡關系模型，之后進行模型訓練，獲得訓練好的BP神經網絡模型，具體過程為：

采用基于貝葉斯正則化的BP神經網絡建立三層神經網絡模型，輸入層的輸入參數為C含量、Mn含量、Nb含量、加熱溫度、變形溫度、最大應變量和應變速率；輸出層的輸出參數為峰值應變、峰值應力、穩態應變、穩態應力、C和C₁；隱含層為5個神經元；之后進行神經網絡的訓練；

步驟7、根據訓練好的BP神經網絡模型，選取至少一組成分及工藝，預測動態再結晶型流變應力特征，具體過程為：

針對每個成分及其工藝，由訓練好的BP神經網絡模型預測該成分及工藝條件下的峰值應力、峰值應變、穩態應力、C和C₁；

步驟8、由步驟7預測的動態再結晶型流變應力特征，結合步驟4確定的流變應力數學模型A和數學模型B，獲得動態再結晶型流變應力曲線。

2.根據權利要求1所述的一種預測Nb微合金鋼動態再結晶型流變應力的方法，其特征在于，所述的步驟3中，確定篩選數據集中每條流變應力曲線的峰值應變ε_p、峰值應力σ_p、穩態應變ε_s和穩態應力σ_s的具體過程為：

根據流變應力曲線上的峰值確定峰值應變ε_p和峰值應力σ_p；定義應變硬化率其中，Δσ為應力增量，Δε為應變增量；根據應變硬化率θ-應變ε曲線，把θ第一次恢復到0值時的應變作為穩態應變ε_s，穩態應力σ_s由應力σ-應變ε曲線確定。