邢 釗,梁曉軍,郝英敏

(寶山鋼鐵股份有限公司中央研究院,上海 201999)

1 概述

在流程型過程中,基于深度分析大生產工藝—性能數據,可以獲得很好的工藝優(yōu)化設計的基礎。這種工藝優(yōu)化設計首先是基于大量的實際數據,通過機器學習,以條件概率分布等方式為基礎,結合信息熵表達,直接建立起工藝(Process)—性能(Property)之間的關聯,然后通過這種關聯來實現工藝—性能的預測(如圖1所示),最終實現工藝優(yōu)化設計。這種優(yōu)化設計方式往往內聚性比較好,對于某些產量大、要求單一的鋼種,通過獲取到的足量且準確的數據,借助大數據分析模型計算,預測變化趨勢,對于一些工藝參數、性能提升的完善均有一定的輔助作用。但是這種方法也存在一定的局限性,首先是許多模型以黑匣子的形式存在,對于內部參數含義及調節(jié)后的影響并非顯而易見,調整參數具有一定的難度;其次擬合出的產品工藝相對于當前產線可能具有優(yōu)良的預測性,尤其是對于模型內插值數據表現出良好的預測性,但是鋼鐵組織性能的影響因素較多,各因素之間也可能存在強相關性,一旦參數選擇不當可能會出現模型收斂不佳,造成擬合結果較差或是由于過擬合造成泛化能力不足,無法得到廣泛應用。尤其是在新產品、新工藝研發(fā)階段,原大生產數據外延推測不一定起到良好的預測效果,而在初始研發(fā)階段,也無法獲取到大量的生產數據,通過大量的大生產過程去獲取機器學習所需的數據也不現實,風險性很大。因此,在材料產品性能控制上,尤其是在研發(fā)階段,大數據、機器學習應該與專業(yè)知識結合起來進行預測。由基本層次的數據概率分布預測,上升到更高層次的知識預測層,形成知識層面的數據循環(huán)反饋系統,以數據學習獲取知識,以獲取知識指導研發(fā)試驗,以研發(fā)試驗獲取新的數據并進行學習,逐漸形成一種具有自我優(yōu)化能力的智慧研發(fā)輔助系統。

圖1 基于工藝—性能的預測方式流程圖

具體而言,對于材料產品研發(fā)的專業(yè)知識主要體現在材料組織方面。材料性能的改變其本質是組織的變化,而組織的變化依賴于工藝在材料本身的體現,新的預測手段是在工藝—性能中間加入了顯微組織特征,結合傳統材料學專家經驗以及材料的組織特征量化提取尋找組織與工藝和性能的對應關系,通過調整工藝改善組織以改進材料性能的過程(如圖2所示)。多年來,材料圖像數據在科學研究中的應用主要依賴于人工經驗性的分析和信息提取,遺漏了大量的材料學信息和隱含的知識,缺乏科學定量的描述,成為構建材料本構關系的短板[1]。

圖2 基于工藝—組織—性能的材料工藝改進及性能預測過程

2 研究目的

本研究開發(fā)的新型管線鋼產品,除了必須具備常規(guī)管線鋼的強度、塑性、韌性等要求外,-10 ℃ DWTT性能也是其關鍵性能指標。該新型的管線鋼因一些特定性能的要求,采用了有別于常規(guī)管線采用的工藝,但由于缺乏有效的數據支撐,結合圖1所示的過程,基于PIDAS積累的大量歷史數據,結合專業(yè)知識、特殊的約束條件設計了新鋼種的基本工藝路徑。第一次進行了兩塊鋼板的試制,兩塊鋼板在工藝上有所區(qū)別以做對比。

試制后的新型管線鋼強度、塑性和韌性等性能滿足要求。在生產結束后在每塊鋼板在距離頭部100 mm區(qū)域的寬度方向1/4處各取2塊制成壓制缺口試樣并按照《GB/T 8363—2018鋼材撕裂落錘試驗方法》進行試驗[2],結果如表1所示,典型斷口形貌如圖3所示。數據表明試驗料的DWTT性能無法滿足使用需求,這與前述的基于大數據模型預測面臨的問題基本一致。作為機器學習的工藝—性能直接預測手段,由于這兩塊鋼板的一部分工藝數據落在了原來學習數據集之外,而且計算機基于歷史學習的數據,對于新工藝可能產生的失敗可能性基本沒有預見性,因此出現了預測大幅偏離的情況。

表1 鋼板1和2在-10 ℃的DWTT性能實績

圖3 DWTT斷口照片

第一次生產試制的結果表明,原生產工藝設計模式不能很好地解決DWTT性能問題,存在明顯的偏差。該鋼種基本工藝參數超出了常規(guī)的大生產數據所涵蓋的范圍,由于工藝參數范圍的大幅度改變,其從加熱到冷卻過程各個工藝階段對最終產品的組織貢獻就有了顯著變化,必然影響到最終的性能。本研究在分析影響DWTT性能關鍵組織特征的基礎上,結合前期開發(fā)的組織特征的定量分析結果,確定影響性能的工藝因素,從而改進工藝以得到良好的DWTT性能。

3 基于PSP的分析與優(yōu)化

3.1 材料組織分析

此類管線鋼的組織類型主要為針狀鐵素體、粒狀貝氏體、部分多邊形鐵素體以及M/A島組織。通過強化材料的低溫抗撕裂能力可以提升DWTT試驗的剪切面積百分比(SA),較高的剪切面積百分比意味著材料在低溫下的韌性越好,抗撕裂能力越強。在基體組織中,M/A島的含量及尺寸對韌性有一定的影響,當其含量較高并且集中在晶界處呈鏈狀分布時會促使裂紋擴展,嚴重惡化材料的抗撕裂能力,而當組織中有少量彌散的M/A島組織并伴以較小的針狀鐵素體、粒狀貝氏體存在時,由于界面增加,在裂紋擴展時發(fā)生滑移的晶粒數目增多,不易造成應力集中而形成裂紋[3]。

在DWTT試樣近斷口端10 mm切取金相試樣,經拋磨及4%硝酸酒精腐蝕后,在卡爾蔡司Image.M2m型顯微鏡進行金相觀察,對金相照片通過插值縮放以及中值濾波的方式進行預處理,以改善拍攝圖像的邊緣特征,降低拍攝噪聲造成的影響,提升圖片處理速度。經過處理后的鋼板1典型金相圖片如圖4所示。

圖4 鋼板1 典型金相圖片

結合前期開發(fā)的機器學習方法對M/A島組織進行識別。選取鋼板1、2典型金相組織照片中的M/A島進行了識別(如圖5所示),并對鋼板1、2的M/A島識別后的二值化圖片進行含量統計,如圖6所示。

圖5 對鋼板1和2 M/A島組織識別及分布圖

從識別結果及分布情況看,與鋼板2相比,鋼板1組織中M/A島的含量相對較多,約占5.5%左右,同時組織內M/A島在晶界處分布較為集中,并且呈現鏈狀分布,在變形過程中易產生裂紋擴展,劣化材料韌性,導致DWTT性能惡化。結合鋼板實際冷卻工藝可知,出現M/A島粗大并且成大片鏈狀分布的主要原因是冷速過慢以及終冷溫度過高造成[4]。

圖6 鋼板1和2 M/A島含量統計

除上述M/A島含量有所區(qū)別外,在對鋼板2金相典型組織進行分析的過程中出現了與鋼板1明顯的不同,如圖7所示,鋼板2組織中出現了較粗大的晶粒,組織均勻性較鋼板1差(如圖4所示)。利用機器學習進行邊界識別的方式將大尺寸晶粒進行標識,如圖8所示。

圖7 鋼板2典型組織圖片

通過對封閉邊界內的像素數進行統計,依據像素尺寸與比例尺的關系進行面積計算,可以得出基于像素區(qū)分的大顆粒尺寸信息,鋼板2大晶粒的等效直徑尺寸接近鋼板1平均晶粒尺寸的1.5～2.0倍,出現了比較明顯的混晶情況。結合前述經驗可以得出,由于大尺度粒狀貝氏體晶粒的出現減少了晶界間的接觸界面,在發(fā)生外力作用的時候對于裂紋擴展的阻隔作用將大大降低,劣化了DWTT性能。對兩塊板的軋制道次進行了對比,鋼板2單道次壓下量較工藝1減少了約10%～20%,造成組織均勻性較差的原因是在軋制過程中單道次壓下量較小造成的原始晶粒破碎不完全出現大晶粒,在較快的冷速下大晶粒被保留下來而造成混晶組織。

3.2 生產工藝優(yōu)化

通過上節(jié)第一次試制兩組工藝下組織進行量化分析與實際生產工藝的對照關系可知,鋼板1組織相對均勻,但由于冷卻異常造成大量呈鏈狀M/A島的產生,鋼板2由于軋制過程中道次壓下量不足造成晶粒粗大,使組織中出現混晶的情況。結合兩塊鋼板的組織與工藝差異,在制定第二輪兩塊鋼板(鋼板3、4)的軋制工藝3時進行了有針對性的改進,首先保持較大的壓下量,保證晶粒破碎充分,提高組織均勻性,同時結合M/A島組織與冷卻速度、終冷溫度的對應關系,通過降低終冷溫度提高冷卻速度保證控制基體以及晶界處的M/A島含量[5]。

經過工藝3生產后的典型金相組織圖片如圖9所示,M/A島的分布如圖10所示,含量的識別統計如圖11所示。相較于第一次試驗生產的兩塊鋼板,第二次軋制鋼板的M/A島含量有較為顯著的下降,說明控制冷卻后對M/A島組織有明顯的改善。

圖9 鋼板3和4典型組織圖片

圖10 M/A島分布圖

圖11 鋼板3、4 M/A島含量統計與鋼板1、2對比

鋼板3和4通過對典型組織中較大晶粒的識別得到如圖12所示結果,針對圖中6顆較大晶粒進行基于像素換算的等效晶粒直徑尺寸晶粒度接近鋼板1的水平,組織更均勻,符合管線鋼使用條件,同時從金相照片上也可以看出通過道次的壓下量控制使組織均勻性得到顯著提升。在隨后的-10 ℃ DWTT試驗中也得到了SA接近100%,如表2所示,性能指標滿足使用的需要。

4 結論

本研究是在傳統工藝—性能預測模型無法給出有效預測的情況下,基于對組織特征進行識別量化并結合專家經驗建立組織與工藝、性能之間關系的探索性嘗試,結合PIDAS系統的工藝—性能數據,通過組織數據的量化分析進行反饋修正,經過少量試驗實現新設計材料DWTT性能優(yōu)化與控制。研究表明,基于材料組織的數據結構化與量化分析可以更直觀準確地發(fā)現組織間的差異,工藝—性能中加入組織結構特征分析進行材料開發(fā)與性能預測,解決了傳統數據驅動模型由于過于依賴樣本以及權重參數的選擇等造成的工藝—性能預測偏差的問題,從組織結構機理上解決工藝優(yōu)化問題,形成組織—工藝—性能學習的循環(huán)反饋預測系統,大幅減少純物理模擬及大量試驗所造成的時間浪費以及開發(fā)成本的上升,通過該路徑可望大大降低材料新試的研制周期與成本。

圖12 鋼板3和4典型組織大晶粒識別結果

表2 鋼板3和4的-10 ℃ DWTT性能實績