2205双相不锈钢热加工性能和不锈钢复合板力学性能的研究及预测

论文摘要

双相不锈钢含有铁素体和奥氏体两相组织,能够将铁素体不锈钢和奥氏体不锈钢的优良特性结合在一起,被广泛应用于各种工业领域。但是在热加工生产中应力应变在铁素体和奥氏体两相组织中分布不均匀容易在相界产生裂纹使热塑性变差,导致热轧后的双相不锈钢卷板出现表面裂纹和边裂等缺陷,严重影响产品质量及后续加工。因此,本文围绕双相不锈钢的热塑性和高温变形行为展开研究,以期为双相不锈钢的热轧工艺和锻造工艺优化提供理论依据。本文利用Gleeble-3800热模拟机对2205双相不锈钢进行高温压缩实验（变形温度为900℃～1200℃、应变速率为0.1 s-1～50 s-1）,明确了2205双相不锈钢高温压缩变形行为和微观组织变化规律,建立了本实验条件下的峰值应力本构方程,并且基于动态材料模型和失稳准则建立了本实验条件下的热加工图。研究结果表明:2205双相不锈钢的流变应力随变形温度的增加而减小,随应变速率的增加而增加;在高温低应变速率条件下利于动态再结晶行为的发生;利用Sellars双曲正弦模型构建了2205双相不锈钢的峰值应力本构方程及峰值应力与Z参数之间的关系;根据热加工图结果,并结合不同变形条件下的微观组织,确定了最佳的热加工区间:变形温度为1500℃～1200℃、应变速率为0.1 s-1。然而,鉴于其在高温变形过程中表现出复杂的动态响应特征,根据所获得的实验数据,应用BP神经网络建立了2205双相不锈钢高温本构模型和该实验条件下的热加工图,同时采用归一化法来避免“过拟合”现象,测试结果表明:BP神经网络预测的流变应力与实验值基本吻合。不锈钢复合板中覆层,基层的化学成分和厚度对其剪切强度的影响是一个高度复杂的非线性问题,传统的建立解析式或数值模拟的方法寻找它们之间的规律非常困难,因此将遗传算法和BP神经网络相结合构建不锈钢复合板剪切强度的预测模型。铬当量、铬镍当量比、基材厚度、覆材厚度作为模型输入量,剪切强度作为输出量,隐含层单元数采用试错法确定,最佳的网络结构是4-7-1。比较了Levenberg-Marquardt、Quick-Propagation、Standard Back-Propagation三种算法的训练误差、测试误差及计算迭代次数,确定误差最小、计算速度最快的LM法训练网络;另外,利用提前终止法避免BP神经网络模型产生的过拟合的问题;在此基础上,引入遗传算法进一步优化BP神经网络的权值和阈值,使得复合板剪切强度预测值与实测值相对误差绝对值降为1.69%;将所构建模型用于实际不锈钢复合板剪切强度的预测,与实测值相近,进一步验证了预测模型的有效性和可靠性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 双相不锈钢概述
• 1.1.1 双相不锈钢的类型
• 1.1.2 双相不锈钢的微观组织
• 1.1.3 双相不锈钢的性能优点
• 1.1.4 相变对双相不锈钢性能的影响
• 1.2 双相不锈钢的研究现状
• 1.3 本论文研究的目的和意义
• 1.4 本论文研究的主要内容
• 2 人工神经网络与遗传算法简述
• 2.1 人工神经网络基本原理
• 2.1.1 人工神经元模型
• 2.1.2 BP 神经网络
• 2.2 遗传算法原理与特点
• 2.2.1 遗传算法基本操作
• 2.2.2 编码
• 2.2.3 初始种群的确定
• 2.2.4 适应度的设计
• 2.2.5 遗传算法中参数选择
• 2.2.6 遗传算法实现步骤
• 2.2.7 遗传算法的改进
• 2.3 神经网络与遗传算法的融合
• 2.3.1 基于遗传算法的神经网络权值的优化
• 2.3.2 基于遗传算法的神经网络结构的优化
• 2.4 本章小结
• 3 实验材料及研究方法
• 3.1 实验材料
• 3.2 实验方法
• 3.2.1. 实验设备
• 3.2.2.实验技术路线
• 3.3 2205 双相不锈钢高温压缩实验
• 3.4 本章小结
• 4 2205 双相不锈钢高温压缩变形行为研究
• 4.1 2205 双相不锈钢的热变形行为
• 4.1.1 真应力-真应变曲线
• 4.1.2 流变应力本构方程建立
• 4.1.3 组织演变规律分析
• 4.2 应用BP 神经网络预测2205 双相不锈钢高温压缩流变应力
• 4.2.1 BP 神经网络建模
• 4.2.2 BP 神经网络模型评价
• 4.3 本章小结
• 5 2205 双相不锈钢热加工图的建立
• 5.1 2205 双相不锈钢热加工图研究
• 5.1.1 引言
• 5.1.2 基于动态材料模型理论的热加工图
• 5.1.3 热加工图的建立及分析
• 5.2 应用BP 神经网络构建2205 双相不锈钢热加工图
• 5.3 本章小结
• 6 GA-ANN 在不锈钢复合板的应用
• 6.1 实验材料
• 6.2 BP 神经网络建模
• 6.2.1 BP网络模型数据的采集、整理
• 6.2.2 网络结构的构建
• 6.2.3 网络训练参数的确定
• 6.3 GA-ANN 模型的构建
• 6.4 GA-ANN 模型的评价
• 6.5 本章小结
• 结论
• 致谢
• 参考文献
• 附录：研究生期间发表的论文及申请的专利