[go: up one dir, main page]

CN114417664B - 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法 - Google Patents

一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法 Download PDF

Info

Publication number
CN114417664B
CN114417664B CN202210001973.1A CN202210001973A CN114417664B CN 114417664 B CN114417664 B CN 114417664B CN 202210001973 A CN202210001973 A CN 202210001973A CN 114417664 B CN114417664 B CN 114417664B
Authority
CN
China
Prior art keywords
rolling
model
steel
strain
simulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210001973.1A
Other languages
English (en)
Other versions
CN114417664A (zh
Inventor
张驰
张立文
林玲
丁浩晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210001973.1A priority Critical patent/CN114417664B/zh
Publication of CN114417664A publication Critical patent/CN114417664A/zh
Application granted granted Critical
Publication of CN114417664B publication Critical patent/CN114417664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明提供一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，通过建立有限元模型，获取宏观物理量及其分布状态，经卷积神经网络训练后形成一个样本数据库；建立二维元胞自动机模型；将元胞自动机模型与钢材热轧自动化控制系统连接，调取钢种、规格、轧制速度、温度、压下量等实时工艺信息，并通过训练后的卷积神经网络获得对应的物理量场，将物理量场作为二维元胞自动机模型边界条件，模拟材料热轧过程中的微观组织演变，同时实现钢材轧制过程中微观组织演变的在线模拟和可视化。本发明算法可在线模拟板带材热轧过程中再结晶组织演变，实现微观组织演变模拟和可视化，为钢材热轧生产过程微观组织调控提供直观的可视化结果。

Description

一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可 视化方法
技术领域
本发明涉及轧钢技术领域，具体而言，尤其涉及一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法。
背景技术
热轧过程中钢材的宏观形状发生明显变化，经热轧成为板材、棒材、线材、型材等。同时，钢材内部微观组织也将发生剧烈变化，包括动态再结晶、亚动态再结晶、晶粒长大等，而热轧后的微观组织直接决定了钢材的力学性能等使用性能。钢材热轧的控轧控冷(TMCP)工艺思想主要就是通过调整轧制和冷却工艺参数来控制钢材内部的微观组织形成，进而调控热轧产品的性能。钢铁工业正在向着智能化、数字化方向发展，将生产线采集的数据实时传入计算机，通过一系列模型数字化处理创建钢材热轧数字孪生系统，调控热轧生产工艺和控制产品性能，将成为钢铁工业转型中重要的发展方向。
在热轧生产过程中，通过传感器可快速获取轧制的尺寸、温度、轧制力、板型等数据，经热轧自动化控制系统实时反馈和调控轧制工艺。关于热轧过程中钢材内部的微观组织演变，主要是基于物理冶金学模型和大数据处理进行晶粒尺寸、相比例等参数化预测。然而，关于钢材内部微观组织的在线实时拓扑化显示目前还未有报道。
钢材热轧过程中其内部微观组织的演化难以直接观察，而计算模拟技术为这一问题提供了可能的解决方案。计算机模拟技术的发展对研究复杂实验条件下材料行为具有重要意义，通过模拟的方法不仅可以节约实验成本，而且可将材料在加工与服役过程中组织演变及力学性能的变化连续的演示出来，体现了计算机模拟技术的优势。目前关于钢材热加工的微观组织演化计算机模拟主要是基于实验结果的离线模拟，目的是验证物理冶金学模型的准确性和反映加工中微观组织的连续演化过程，并未有将微观组织的计算模拟用于在线实时反映钢材内部微观组织特征。鉴于钢铁热轧的数字化发展趋势，有必要研究钢材热轧过程微观组织演化的在线模拟和可视化方法。
目前，钢材热加工过程微观组织演化的计算机模拟主要是离线模拟，如何将微观组织演化的计算机模拟方法应用于在线生产是当前该领域研究的难点和亟需解决的问题。如发明专利CN 101591729 B中所描述的，通过建立动态再结晶物理冶金模型和动态再结晶元胞自动机模型，实现动态再结晶的转变分数、晶粒尺寸、晶粒形态及流变应力预测。其他方法又如在发明专利CN 106503397 B中所述，对金属材料试样实施静态再结晶或动态再结晶的物理热模拟实验，取其数据建立再结晶动力学模型。但这些方法都存在获取数据条件复杂、模型构建时间长、无法在线应用的问题
基于此，本发明提出一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法。首先利用有限元方法计算钢材热轧过程，获取典型钢种、规格及轧制规程下的宏观物理参数，包括应变量、应变速率、变形量等。采用卷积神经元网络对有限元计算结果进行离线训练，获得轧制参数与轧制物理参量的对应关系。其次，调取钢材热轧自动化控制系统采集到的实时轧制数据，采用训练后的卷积神经元网络快速确定轧制物理参量(应变、应变速率、变形温度等)，并作为加载条件导入元胞自动机模型。元胞自动机模型采用二维模型和Open MP并行计算策略快速模拟微观组织演化情况，并通过Fortran语言的绘图功能实时显示出微观组织拓扑结构的模拟结果，实现材料微观组织演变的在线可视化。
发明内容
根据上述提出的现有方法存在获取数据条件复杂、模型构建时间长、无法在线应用的技术问题，而提供一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法。本发明算法首先通过建立有限元模型，计算板带材的热轧过程，初步获取典型钢种、典型规格及典型轧制规程下的宏观物理量及其分布状态，包括应力应变场、应变速率场和温度场等，将这些数据经卷积神经网络训练后形成一个样本数据库；其次，基于钢铁材料热加工物理冶金学原理，建立包含再结晶和晶粒长大的二维元胞自动机模型；将开发的元胞自动机模型与钢材热轧生产线自动化控制系统连接，调取自动化控制系统中的钢种、规格、轧制速度、温度、压下量等实时工艺信息，并通过训练后的卷积神经网络获得对应的物理量场(应力应变场、应变速率场和温度场)，将物理量场作为二维元胞自动机模型边界条件，模拟材料热轧过程中的微观组织演变。依靠程序计算效率优化和高性能计算机，可实现钢材轧制过程中微观组织演变的在线模拟和可视化。本发明的算法可与钢材轧线自动化控制系统连接，在线模拟板带材热轧过程中再结晶组织演变，实现微观组织演变模拟和可视化，为钢材热轧生产过程微观组织调控提供直观的可视化结果。
本发明采用的技术手段如下：
一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，包括如下步骤：
S1、建立第一模型，计算得到轧制过程中的物理参量；所述第一模型为根据钢材热轧生产线代表性轧制钢种、规格和轧制规程建立的钢材热轧宏观有限元模型，所述轧制过程中的物理参量包括应力、应变、应变速率和变形量等；
S2、建立第二模型，并对步骤S1得到的轧制过程中的物理参量进行离线训练，获得生产工艺参数和物理参量的对应关系；所述第二模型为卷积神经元网络；
S3、建立第三模型，所述第三模型为基于钢铁材料热加工物理冶金学原理建立的元胞自动机模型；利用第三模型与钢材热轧自动化控制系统连接获得轧制钢种、规格、轧制温度和轧制速度等信息，通过经离线训练过的第二模型确定对应的轧制物理参量，将轧制物理参量作为元胞自动机模型加载条件，在线模拟钢材热轧过程中的微观组织演化，同时实现微观组织演变的可视化；所述轧制物理参量为轧制相对应的应变量、应变增量、应变速率及变形温度信息。
进一步地，所述步骤S1的具体步骤如下：
S11、根据实际生产钢种、规格和轧制规程在商业有限元软件中建立轧件稳态轧制模型，进行有限元计算，其中，轧辊采用刚性体，轧件为弹性变形体；
S12、对有限元计算结果进行后处理，获得应变场、应力场和应变速率场和温度场等。
进一步地，所述步骤S11的具体步骤如下：
S111、选取典型钢种、规格和轧制规程，在商业有限元软件中建立轧件稳态轧制模型，根据轧件的对称性建立合适的模型，轧件为弹性变形体；
S112、根据轧制工艺参数建立每道次轧制的轧辊模型，轧辊采用刚性体，忽略轧制过程中的温度变化；
S113、在轧件后设置刚性推动体，用于模拟实际生产中的传送带；
S114、设定钢材的材料参数，包括热导率、热容、杨氏模量、泊松比以及热塑性等；
S115、创建模拟所需要的初始条件，包括初始温度和环境温度等；
S116、创建模拟所需要的边界条件，包括位移限制和对流换热；
S117、规定轧件与推动体及轧辊的接触关系，输入轧件与轧辊之间的摩擦系数、摩擦生热转化率和接触换热系数；
S118、进行有限元计算。
进一步地，所述步骤S2中，通过训练后的卷积神经元网络确定的生产工艺参数和物理参量的对应关系可形成一个样本数据库，当再次需要组织演变的可视化模拟时，只需将读取的钢材热轧自动化控制系统轧制数据直接输入到样本数据库中，经数据库反馈即可导出对应条件下的宏观物理量参数，以进行元胞自动机模拟。
进一步地，所述第三模型为二维元胞自动机模型，采用二维模型以保证计算效率。
进一步地，所述步骤S3的具体步骤如下：
S31、建立元胞自动机模型，利用元胞自动机模型建立二维元胞空间，设定元胞边长，其中，元胞单元采用正方形网格，元胞自动机模型将模拟区域划分为(100～1000)×(100～1000)的二维元胞空间，元胞自动机模型采用诺依曼邻居规则和周期性边界条件；
S32、元胞自动机模型赋予每个元胞5个状态变量：位错密度变量、晶粒取向变量、晶粒编号变量、晶界变量、再结晶标志变量；
S33、元胞自动机模型与钢材热轧自动化控制系统连接，调用轧制钢种、规格轧制温度和轧制速度等信息，利用经离线训练过的卷积神经网络确定轧制相对应的应变量、应变增量、应变速率及变形温度信息，作为加载条件导入元胞自动机模型，进行元胞自动机模拟；
S34、转变规则采用概率型形核规则和确定性长大演化规则，模拟微观组织演化，并计算再结晶分数、平均晶粒尺寸及流变应力；
S35、采用的元胞自动机方法为fortran语言编写，并采用open mp多处理器编译方案计算二维空间内元胞的转变规律，以大幅度提高计算效率；
S36、采用fortran语言的计算机绘图功能，将元胞自动机模型的计算结果实时转化为计算机图像，实现微观组织结果可视化输出。
进一步地，根据连接的钢材热轧自动化系统调出对应轧制参数下的初始参数：钢种、应变量、应变速率和变形温度；根据初始参数以及热变形过程中的位错密度与应变关系公式计算出加工硬化系数k1和动态软化系数k2，给定元胞的初始状态；在经过不断循环计算之后来实现微观组织可视化。
进一步地，所述元胞自动机模拟过程具体包括如下步骤：
步骤1、给定初始元胞状态和初始位错密度，计算循环的时间步，程序循环开始，位错密度随应变累积不断增加，通过K-M位错密度增长模型计算位错密度增量；
其中，时间步公式为：
式中，Δt为时间步；LCA为元胞边长；kGB为晶界迁移率修正系数，取值范围为1～10；τ为位错线能量；M为晶界迁移率；
K-M模型为描述位错密度随应变变化这一过程的公式：
式中，ρ为材料内部的位错密度；ε为应变值；dρ+/dε为位错密度随应变上升的值；dρ-/dε为位错密度随应变下降的值；k1为材料的加工硬化系数；k2为材料的动态软化系数；
步骤2、当材料位错密度大于临界位错密度时，扫描整个元胞空间，在晶粒的晶界处符合条件的位置形核；
其中，动态再结晶形核的临界位错密度满足如下公式：
式中，ρcr为临界位错密度；γm为晶界能；为应变速率；b为伯氏矢量；l为位错平均自由程，数学表达为：l＝Kμb/σ；μ为材料的剪切模量；σ为应力值；K为与材料有关的常数，K的值为10；
动态再结晶元胞自动机模型中采用的形核率公式为：
式中，Cdynamic为材料参数；为形核率；T为形核温度；为应变速率，m为材料常数；Qa为形核激活能；R为气体常数；
步骤3、形成的新晶粒会随晶界迁移而不断长大，当累积应变超过1时，程序自动结束循环，输出所需要的再结晶分数，应力随应变变化数据，再结晶晶粒尺寸，以及微观组织拓扑图等数据。
进一步地，所述热轧包括板材、棒材、线材或型材的热轧过程。
较现有技术相比，本发明具有以下优点：
1、本发明提供的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，采用有限元计算方法分析钢材热轧过程中的物理参量分布特征，可获得钢材热轧不同空间位置的应力应变场、应变速率、变形温度等参数。
2、本发明提供的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，采用的卷积神经网络，通过数据训练获得轧制参数与钢材热轧物理参量的对应关系，在调用热轧自动化控制系统的生产数据后，可在线快速确定钢材热轧的应变、应变速率、变形温度等参数。
3、本发明提供的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，采用二维元胞自动机模型，结合Open MP并行计算策略可以快速模拟微观组织演化情况。
4、本发明提供的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，通过Fortran计算机绘图功能开发，可将元胞自动机模拟的微观组织拓扑结构在线绘制在计算机输出端，实现与生产同步的微观组织的可视化。
综上，应用本发明的技术方案能够解决现有方法存在获取数据条件复杂、模型构建时间长、无法在线应用的问题。
基于上述理由本发明可在轧钢等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于元胞自动机的钢材热轧微观组织演变在线模拟和可视化方法的流程图。
图2为本发明实施例提供的元胞自动机模拟动态再结晶组织演变过程的计算流程图。
图3为本发明实施例提供的有限元模拟离线学习获得的热轧棒材的宏观物理量参数样本图，其中(a)为应力场，(b)为应变场，(c)为应变速率场，(d)为温度场。
图4为本发明实施例提供的元胞自动机模拟棒材热轧过程组织演变可视化结果输出图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明提供了一种基于元胞自动机模拟的钢材热轧过程微观组织演变在线模拟和可视化算法，具体包括如下步骤：
步骤一，根据钢材热轧生产线代表性轧制钢种、规格、轧制规程，建立宏观有限元模型，计算得到轧制过程中的物理参量，包括应力、应变、应变速率、变形量等，随后采用卷积神经网络通过离线训练获得生产工艺参数和物理参量对应关系。热轧包括板材、棒材、线材或型材的热轧过程。
步骤二，建立二维元胞自动机模型，与热轧自动化控制系统连接并获得轧制钢种、规格、轧制温度、轧制速度等信息，通过卷积神经网络确定轧制物理参量，将轧制物理参量作为元胞自动机加载条件，在线模拟钢材热轧过程中的微观组织演化，并同时实现微观组织演变的可视化。二维元胞自动机模型采用二维模型以保证计算效率。
所述步骤一包括：
(1)依据实际生产钢种、规格、轧制规程在商业有限元软件中建立轧件稳态轧制模型，轧辊采用刚性体，轧件为弹性变形体；
(2)对有限元计算结果进行后处理，获得应变场、应力场、应变速率场和温度场等；
(3)创建卷积神经元网络，构建生产工艺参数和物理参量的对应关系。
所述步骤二包括：
(1)建立二维元胞空间，元胞单元采用正方形网格，模型将模拟区域划分为(100～1000)×(100～1000)的二维元胞空间，模型采用诺依曼邻居规则和周期性边界条件；
(2)模型赋予每个元胞5个状态变量：位错密度变量、晶粒取向变量、晶粒编号变量、晶界变量、再结晶标志变量；
(3)与钢材热轧自动化控制系统连接，调用轧制钢种、规格轧制温度、轧制速度等信息，利用经离线训练过的卷积神经网络确定轧制相对应的应变量、应变增量、应变速率及变形温度信息，作为加载条件导入元胞自动机模型；
(4)转变规则采用概率型形核规则和确定性长大演化规则，模拟微观组织演化，并计算再结晶分数、平均晶粒尺寸及流变应力；
(5)本发明所采用的元胞自动机方法，为fortran语言编写，并采用open mp多处理器编译方案计算二维空间内元胞的转变规律，可以大幅度提高计算效率；
(6)本发明采用fortran语言的计算机绘图功能，将元胞自动机模型的计算结果实时转化为计算机图像。
实施例1
本发明提供了一种基于元胞自动机的钢材热轧过程微观组织演变在线模拟和可视化算法，包括热轧有限元模型建立和计算、卷积神经元网络训练、热轧自动化控制系统轧制参数调用、再结晶和晶粒长大的元胞自动机模拟。
使用上述一种基于元胞自动机的钢材热轧过程微观组织演变在线模拟和可视化算法，包括以下步骤：
(1)首先选择典型钢种、规格和轧制规程，构建钢材热轧宏观有限元模型，计算获得热轧中的轧制物理量参数，包括应变量、应力场、应变速率、轧制温度等。
具体的(1)中涉及以下步骤：
(A)选取典型钢种、规格和轧制规程，在商业有限元软件中建立轧件稳态轧制模型，根据轧件的对称性建立合适的模型，轧件为弹性变形体；
(B)根据轧制工艺参数建立每道次轧制的轧辊模型，轧辊采用刚性体，忽略轧制过程中的温度变化；
(C)在轧件后设置刚性推动体，用于模拟实际生产中的传送带；
(D)设定钢材的材料参数，包括热导率、热容、杨氏模量、泊松比以及热塑性等；
(E)创建模拟所需要的初始条件，包括初始温度和环境温度等；
(F)创建模拟所需要的边界条件，包括位移限制和对流换热；
(G)规定轧件与推动体及轧辊的接触关系，输入轧件与轧辊之间的摩擦系数、摩擦生热转化率和接触换热系数；
(H)计算应变场、应力场、应变速率场和温度场等。
(2)采用卷积神经元网络对轧制参数和轧后物理量对应关系进行学习，通过训练后的卷积神经元网络快速确定轧制参数和轧后物理量对应关系。
(3)当进行组织演变的可视化模拟时，元胞自动机与钢材热轧自动化控制系统连接，调用轧制钢种、规格、轧制温度、轧制速度等信息，利用经离线训练过的卷积神经网络确定轧制相对应的应变量、应变增量、应变速率及变形温度信息，作为加载条件导入元胞自动机模型。
(4)随后进行元胞自动机对动态再结晶过程的模拟，实现组织演变可视化输出。
具体的(4)中涉及以下步骤：
(A)建立二维元胞空间，元胞单元采用正方形网格，模型将模拟区域划分为(100～1000)×(100～1000)的二维元胞空间，模型采用诺依曼邻居规则和周期性边界条件；
(B)模型赋予每个元胞5个状态变量：
(B-1)位错密度变量。位错密度变量是计算再结晶形核及应力应变曲线的重要变量。在金属热变形过程中加工硬化和动态回复过程同时进行，随着应变量增大，加工硬化使得位错密度不断升高，而动态回复则使位错密度有所降低。
(B-2)晶粒取向变量。对新生成的再结晶元胞随机取1-180作为取向值，指出其所属的晶粒，取向值相同的相邻元胞属于同一个晶粒，不同的晶粒对应不同的颜色；
(B-3)晶粒编号变量，1-50表示再结晶，101-150表示未再结晶；
(B-4)晶界变量，100表示晶界，表现为黑色；
(B-5)再结晶标志变量，0表示为再结晶，1表示为再结晶。
(C)将之前由有限元模型计算得到的应变量、应变增量、应变速率及变形温度导入模型中；
(D)确定转变规则，采用概率型形核规则和确定性长大演化规则模拟钢材热轧过程中的再结晶和晶粒长大行为；
(E)计算再结晶分数、平均晶粒尺寸及流变应力；
(F)绘制再结晶演变过程图像；
实施例2
如图1所示，本发明实施例提供了一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，包括如下步骤：
步骤一：在线部分
开始时，将建立的元胞自动机与钢材热轧自动化控制系统连接，读取二级自动化控制系统轧制数据(钢种、规格、轧制参数)直接输入到样本数据库中，经数据库反馈导出对应条件下的宏观物理量参数(如钢种、应变和应变速率等)。将这些数据作为初始参数导入到元胞自动机的模拟系统中，经公式回归计算得出动态再结晶的模拟参数，然后对动态再结晶过程的组织演变进行元胞自动机模拟，计算得到再结晶过程中的晶粒尺寸、体积分数和流变应力，同时可实现微观组织结果可视化输出。
步骤二：离线部分
特别的，步骤一中的样本数据库是选取多组典型数据(如钢种、规格和轧制规程)后，经宏观有限元模拟计算，其结果经处理后再经过卷积神经网络学习，形成的生产工艺参数和物理量的对应关系的数据集。将获得的钢材材料属性参数和轧制工艺参数经宏观有限元计算得到应力、应变和应变速率场结果，经后处理之后采用卷积神经元网络对轧制参数和轧后物理量对应关系进行学习，通过训练后的卷积神经元网络快速确定轧制参数和轧后物理量对应关系，最终形成一个样本数据库。当再次需要组织演变的可视化模拟时只需将获取的数据(钢种、规格、轧制参数)反馈给样本数据库，即可快速得出对应条件下的宏观物理量参数进行元胞自动机模拟。
特别的，步骤一中的元胞自动机模拟动态再结晶的过程，首先建立合适的元胞空间，设定元胞边长，根据连接的自动化系统调出对应轧制参数下的初始参数：钢种、应变量、应变速率和变形温度。根据初始参数以及热变形过程中的位错密度与应变关系公式计算出加工硬化系数k1和动态软化系数k2，给定元胞的初始状态。在经过不断循环计算之后可以实现微观组织可视化。
如图2所示，进一步地对步骤一中的元胞自动机模拟过程进行描述，包括如下步骤：
(1)给定初始元胞状态和初始位错密度，计算循环的时间步，程序循环开始，位错密度随应变累积不断增加，通过K-M位错密度增长模型计算位错密度增量。
其中，时间步公式为：
其中，Δt表示时间步，LCA表示元胞边长，kGB表示晶界迁移率修正系数，取值范围为1～10，τ表示位错线能量，M表示晶界迁移率。
K-M模型为描述位错密度随应变变化这一过程的公式：
其中，ρ表示材料内部的位错密度，ε为应变值，dρ+/dε表示位错密度随应变上升的值，dρ-/dε表示位错密度随应变下降的值。k1、k2是材料的加工硬化系数和动态软化系数。
(2)当材料位错密度大于临界位错密度时，扫描整个元胞空间，选取晶粒的晶界处符合条件的位置形核。
其中，推导得到的动态再结晶形核的临界位错密度为：
其中，ρcr表示临界位错密度，γm表示晶界能，表示应变速率，b表示伯氏矢量，l表示位错平均自由程，数学表达为：l＝Kμb/σ；μ表示材料的剪切模量，σ表示应力值，K为与材料有关的常数，K的值通常为10。
大多数情况下，动态再结晶元胞自动机模型中采用的形核率公式为：
其中，Cdynamic表示材料参数，表示形核率，T表示形核温度，表示应变速率，m表示为材料常数，Qa表示形核激活能，R表示气体常数。
(3)形成的新晶粒会随晶界迁移而不断长大，当累积应变超过1时，程序自动结束循环，输出所需要的再结晶分数，应力随应变变化数据，再结晶晶粒尺寸，以及微观组织拓扑图等数据。
如图3所示，本发明实施例提供了有限元模拟棒材的宏观物理参量的样本图，模型采用38CrMoAl棒材，划分六面体网格，进轧速度为710mm/s，抛钢速度为941mm/s，进轧温度为1031℃，环境温度为20℃，接触换热系数为9.5，对热换热系数0.15，最终计算得到应力场、应变场、应变速率场、温度场。
如图4所示，本发明实施例提供元胞自动机模拟棒材热轧过程组织演变可视化结果输出图。设定元胞个数为500×500，正方形元胞边长为2μm，即总面积为1mm×1mm的正方形模拟区域。元胞自动机的邻居类型选用Von Neumann邻居。边界条件为周期型边界条件。输出的模拟结果是再结晶分数为61.5％，再结晶晶粒尺寸为15.1μm。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，包括如下步骤：
S1、建立第一模型，计算得到轧制过程中的物理参量；所述第一模型为根据钢材热轧生产线轧制钢种、规格和轧制规程建立的钢材热轧宏观有限元模型，所述轧制过程中的物理参量包括应力、应变、应变速率和变形量；
S2、建立第二模型，并对步骤S1得到的轧制过程中的物理参量进行离线训练，获得生产工艺参数和物理参量的对应关系；所述第二模型为卷积神经元网络；
S3、建立第三模型，所述第三模型为基于钢铁材料热加工物理冶金学原理建立的元胞自动机模型；利用第三模型与钢材热轧自动化控制系统连接获得轧制钢种、规格、轧制温度和轧制速度信息，通过经离线训练过的第二模型确定对应的轧制物理参量，将轧制物理参量作为元胞自动机模型加载条件，在线模拟钢材热轧过程中的微观组织演化，同时实现微观组织演变的可视化；所述轧制物理参量包括轧制相对应的应变量、应变增量、应变速率及变形温度信息。
2.根据权利要求1所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述步骤S1的具体步骤如下：
S11、根据实际生产钢种、规格和轧制规程在商业有限元软件中建立轧件稳态轧制模型，进行有限元计算，其中，轧辊采用刚性体，轧件为弹性变形体；
S12、对有限元计算结果进行后处理，获得应变场、应力场和应变速率场和温度场。
3.根据权利要求2所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述步骤S11的具体步骤如下：
S111、选取典型钢种、规格和轧制规程，在商业有限元软件中建立轧件稳态轧制模型，根据轧件的对称性建立模型，轧件为弹性变形体；
S112、根据轧制工艺参数建立每道次轧制的轧辊模型，轧辊采用刚性体，忽略轧制过程中的温度变化；
S113、在轧件后设置刚性推动体，用于模拟实际生产中的传送带；
S114、设定钢材的材料参数，包括热导率、热容、杨氏模量、泊松比以及热塑性；
S115、创建模拟所需要的初始条件，包括初始温度和环境温度；
S116、创建模拟所需要的边界条件，包括位移限制和对流换热；
S117、规定轧件与推动体及轧辊的接触关系，输入轧件与轧辊之间的摩擦系数、摩擦生热转化率和接触换热系数；
S118、进行有限元计算。
4.根据权利要求1所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述步骤S2中，通过训练后的卷积神经元网络确定的生产工艺参数和物理参量的对应关系可形成一个样本数据库，当再次需要组织演变的可视化模拟时，只需将读取的钢材热轧自动化控制系统轧制数据直接输入到样本数据库中，经数据库反馈即可导出对应条件下的宏观物理量参数，以进行元胞自动机模拟。
5.根据权利要求1所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述第三模型为二维元胞自动机模型，采用二维模型以保证计算效率。
6.根据权利要求1或5所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述步骤S3的具体步骤如下：
S31、建立元胞自动机模型，利用元胞自动机模型建立二维元胞空间，设定元胞边长，其中，元胞单元采用正方形网格，元胞自动机模型将模拟区域划分为(100～1000)×(100～1000)的二维元胞空间，元胞自动机模型采用诺依曼邻居规则和周期性边界条件；
S32、元胞自动机模型赋予每个元胞5个状态变量：位错密度变量、晶粒取向变量、晶粒编号变量、晶界变量、再结晶标志变量；
S33、元胞自动机模型与钢材热轧自动化控制系统连接，调用轧制钢种、规格轧制温度和轧制速度信息，利用经离线训练过的卷积神经网络确定轧制相对应的应变量、应变增量、应变速率及变形温度信息，作为加载条件导入元胞自动机模型，进行元胞自动机模拟；
S34、转变规则采用概率型形核规则和确定性长大演化规则，模拟微观组织演化，并计算再结晶分数、平均晶粒尺寸及流变应力；
S35、采用的元胞自动机方法为fortran语言编写，并采用open mp多处理器编译方案计算二维空间内元胞的转变规律，以大幅度提高计算效率；
S36、采用fortran语言的计算机绘图功能，将元胞自动机模型的计算结果实时转化为计算机图像，实现微观组织结果可视化输出。
7.根据权利要求6所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，根据连接的钢材热轧自动化系统调出对应轧制参数下的初始参数：钢种、应变量、应变速率和变形温度，根据初始参数以及热变形过程中的位错密度与应变关系公式计算出加工硬化系数k1和动态软化系数k2，给定元胞的初始状态；在经过不断循环计算之后来实现微观组织可视化。
8.根据权利要求7所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述元胞自动机模拟过程具体包括如下步骤：
步骤1、给定初始元胞状态和初始位错密度，计算循环的时间步，程序循环开始，位错密度随应变累积不断增加，通过K-M位错密度增长模型计算位错密度增量；
其中，时间步公式为：
式中，Δt为时间步；LCA为元胞边长；kGB为晶界迁移率修正系数，取值范围为1～10；τ为位错线能量；M为晶界迁移率；
K-M模型为描述位错密度随应变变化这一过程的公式：
式中，ρ为材料内部的位错密度，ε为应变值；dρ+/dε为位错密度随应变上升的值；dρ-/dε为位错密度随应变下降的值；k1为材料的加工硬化系数；k2为材料的动态软化系数；
步骤2、当材料位错密度大于临界位错密度时，扫描整个元胞空间，选取晶粒的晶界处符合条件的位置形核；
其中，动态再结晶形核的临界位错密度满足如下公式：
式中，ρcr为临界位错密度；γm为晶界能；为应变速率；b为伯氏矢量；l为位错平均自由程，数学表达为：l＝Kμb/σ；μ为材料的剪切模量；σ为应力值；K为与材料有关的常数，K的值为10；
动态再结晶元胞自动机模型中采用的形核率公式为：
式中，Cdynamic为材料参数；为形核率；T为形核温度；为应变速率，m为材料常数；Qa为形核激活能；R为气体常数；
步骤3、形成的新晶粒会随晶界迁移而不断长大，当累积应变超过1时，程序自动结束循环，输出所需要的再结晶分数，应力随应变变化数据，再结晶晶粒尺寸，以及微观组织拓扑图数据。
9.根据权利要求1所述的基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法，其特征在于，所述热轧包括板材、棒材、线材或型材的热轧过程。
CN202210001973.1A 2022-01-04 2022-01-04 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法 Active CN114417664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210001973.1A CN114417664B (zh) 2022-01-04 2022-01-04 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210001973.1A CN114417664B (zh) 2022-01-04 2022-01-04 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法

Publications (2)

Publication Number Publication Date
CN114417664A CN114417664A (zh) 2022-04-29
CN114417664B true CN114417664B (zh) 2024-09-20

Family

ID=81270664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210001973.1A Active CN114417664B (zh) 2022-01-04 2022-01-04 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法

Country Status (1)

Country Link
CN (1) CN114417664B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925584B (zh) * 2022-07-21 2022-09-20 华中科技大学 变向锻造成形的金属晶粒尺寸和取向的智能协同调控方法
WO2024189790A1 (ja) * 2023-03-14 2024-09-19 株式会社Tmeic 圧延製品の材質特性予測装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101591729A (zh) * 2009-06-19 2009-12-02 东北大学 预测板带钢热变形中奥氏体动态再结晶组织演变的方法
CN110287512A (zh) * 2019-05-09 2019-09-27 江苏大学 一种求解制造约束下变厚度薄壁结构最优厚度分布的混合元胞自动机算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4269778B2 (ja) * 2003-05-22 2009-05-27 大同特殊鋼株式会社 圧延加工の金属組織予測方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101591729A (zh) * 2009-06-19 2009-12-02 东北大学 预测板带钢热变形中奥氏体动态再结晶组织演变的方法
CN110287512A (zh) * 2019-05-09 2019-09-27 江苏大学 一种求解制造约束下变厚度薄壁结构最优厚度分布的混合元胞自动机算法

Also Published As

Publication number Publication date
CN114417664A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114417664B (zh) 一种基于元胞自动机的钢材热轧微观组织演化在线模拟和可视化方法
JP3412384B2 (ja) 制御モデル構築支援装置
Li et al. Dynamic time features expanding and extracting method for prediction model of sintering process quality index
CN112170501B (zh) 一种轧辊磨损凸度和热凸度的预测方法
CN113373295B (zh) 基于多层感知器的退火炉数字孪生智慧报警系统及方法
CN106055844A (zh) 基于bp神经网络的镍基高温合金微观组织预测控制方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
Peng et al. A collaborative design platform for new alloy material development
CN109492335A (zh) 一种退火炉炉温预测方法及系统
CN116127760A (zh) 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法
Cetinel et al. Artificial neural networks modeling of mechanical property and microstructure evolution in the Tempcore process
CN114764547A (zh) 融合机理与深度学习的加热炉钢坯温度预测方法及装置
Zhao et al. Predicting flatness of strip tandem cold rolling using a general regression neural network optimized by differential evolution algorithm
Qazani et al. Multiobjective optimization of roll-forming procedure using NSGA-II and type-2 fuzzy neural network
CN101221437B (zh) 网络信息交换模式下的工业生产全过程优化控制方法
CN115015318A (zh) 一种大型构件热锻全流程宏微观分析方法及平台
Ding et al. Deep stochastic configuration networks with different distributions for crown prediction of hot-rolled non-oriented silicon steel
CN118821397A (zh) 一种连铸坯空冷温度获取方法及系统
CN106094513A (zh) 在线模糊最小二乘支持向量机的烧结过程动力学建模算法
CN117132170B (zh) 一种数字化窑炉生产能耗智能预测方法
Pholdee et al. Efficient hybrid evolutionary algorithm for optimization of a strip coiling process
CN113011068A (zh) 一种步进梁式板坯加热三维模拟仿真方法
Zhang et al. Multi-task prediction of hot rolled steel mechanical properties based on CA-MMCE
CN118052086A (zh) 加热炉钢坯三维传热温度场预测模型及其构建方法
CN111368402A (zh) 一种管材挤压工艺优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant