带钢热轧过程中相变动力学的模拟资料下载.pdf

带钢热轧过程中相变动力学的模拟资料下载.pdf

《带钢热轧过程中相变动力学的模拟资料下载.pdf》由会员分享，可在线阅读，更多相关《带钢热轧过程中相变动力学的模拟资料下载.pdf（4页珍藏版）》请在冰点文库上搜索。

Onthebasisoftransformationkinetics,thetransformationofaustenitetoferrite,austenitetopearlite,austenitetobainitewasinvestigated.Thecalculationmethodoftransformationtemperatureandvolumefractionaregiven.Conparingwithcommonacceptedmethod,theobtainedbythismethodresultsweremoreclosetoex-perimentalresults.Keywords:

transformationkinetics;

transformationtemperature;

volumefraction;

deformation;

hotstriprollingQ一汀.一RPXe由于涉及到的参数较多，相变动力学模型的准确性影响着组织性能预报的精度。

因而开发并选择合理而准确的相变动力学模型就成为组织性能预报成功与否的关键。

笔者在大量前期工作的基础上，以Scheil的叠加法则和Cahn的相变动力学理论为基础，充分考虑了变形的影响，探索了相变温度和相变的体积分数。

T、过冷度T的关系，可以看出，随着温度的降低，过冷度的增大，孕育期缩短。

r（T）=A（T）抓

（1）1相变动力学的数学模型对于连续冷却转变，存在一个孕育期积累的过程，可以采用叠加法则处理，即满足乏At/宕=1，达到连续冷却时相变开始的温度，其中r为不同温度下的相变孕育期，At,为时间步长，上标i表示第1次迭代时的值。

以相变平衡转变温度为基础，采用该迭加法则可以计算出发生相变的温度。

考虑到变形使得相变提前发生，因而变形对相变孕育期的影响也必须被考虑，公式

（1）给出了孕育期r（T）与温度T=Ad3一T，

（2）式中，A,Q,m为常数，可采用文献1给出的方法予以确定;

Ad3为考虑变形时的相变平衡温度;

T，为开始的相变温度。

当温度达到相变温度时，相变发生。

1.1铁素体相变首先假设:

铁素体仅在奥氏体晶界（这里包括晶内产生的大量的变形带）上形核;

单位奥氏体晶界面积上铁素体的形核速率与时间无关;

铁素体各向同性长大;

铁素体相变的终止条件为发生珠光体相变或者贝氏体相变。

在y-sa相变的前期，相变以形核长大机制进行，其动力学方程为:

基金项目:

国家“863高技术研究发展计划资助项目（2001AA339030）作者简介:

周晓光（1978-），男，博士生;

E-mail:

xiaoguangzhou）sina.com;

修订日期:

2004-11-08第6期周晓光等:

带钢热轧过程中相变动力学的模拟、一（7C3）/（IiiSr）1/4（UF）3/4（In二一一二二二、1一PF/（1一厂）Ati（3）在y-a相变的后期，相变以位置饱和机制进行，其动力学方程为:

必=K,S刀F（1一莎，）At（4）式中，T为组织的体积分数;

K，为系数，这里取8.933X10-1Zexp（21100/T）;

下标F,y分别表示铁素体、奥氏体;

S，是单位体积奥氏体的有效晶界面积;

几.GF分别是第i次迭代时铁素体的形核速率21和长大速率，可分别由式（5）,（6）表示:

ATP=K4S,GP（1一TF一PF）t（9）（）At式中，K4是常数，这里取3X103;

妙是铁素体的总体积分数;

Gp是珠光体的长大速率，可用下式表示:

GB=卫Dc（x;

一xk）（10）式中，OT;

为共析点至转变温度的过冷度;

x沁为第i次迭代时碳在奥氏体/渗碳体界面处奥氏体一侧的摩尔分数，可由热力学计算得到。

1.3贝氏体相变对贝氏体相变，假设:

忽略形核长大阶段;

贝氏体相变只在奥氏体晶界发生;

相变以相对稳定的速率进行。

所以贝氏体体积分数的增量可由下式表示:

A（pB=K5SGB（I-T-一tCPF一pt）Ati式中，K5是常数，这里取4X104exp0431.5/T）,GB是第i次迭代时贝氏体的长大速率，可采用计算铁素体相变长大速率的方法进行计算。

图1给出了计算珠光体和贝氏体相变率所采用的计算流程图。

采用该方法计算得到的最终组织是铁素体+珠光体、铁素体+贝氏体以及铁素体+珠光体十贝氏体，较为全面地反映了相变的实际情况。

、，矛、.产叹d九b2.、了、K天丁;

3RTi（OG,）2广lesesJPXeIF=（p/Po）月KZD乞（护）1/2_D,U=气一于.4r（X一xi-i7）（x,-一X.）AGdG一Gv+如d（7）式中，P是在Ae。

时奥氏体的位错密度;

P。

是初始奥氏体的位错密度;

n是位错密度影响因子，在这里n取1;

K2,K3为常数，这里分别取5.57X10和1.14X109J3/mol3;

OG，为未变形条件下的铁素体形核的体积自由能变化，此处为负值，采用规则溶液亚点阵模型进行计算，由于变形使得位错密度增加，从而导致了自由能变化的增加，考虑到变形对自由能变化的影响，采用式（7）来代替式（5）中的Gv31;

如为化学势的增量，可以通过热力学计算得到;

x、X,分别为碳在y-a相界面处Y相侧和a相侧的平衡摩尔分数;

ro为a相成长端的极限曲率半径;

DL为碳在Y相中的扩散系数，可按Kaufman给出的公式计算。

式（5）考虑了变形对铁素体形核速率的影响。

热变形使奥氏体晶粒内部产生变形组织，这些组织与晶界一样都是铁素体优先形核的地点，因而变形的作用相当于增大了单位体积奥氏体的有效晶界面积。

考虑到变形的影响，采用式（8）来计算单位体积奥氏体的有效晶界面积CsS;

=（24/nD,）0.491exp（e）+0.155exp（一。

）+0.143exp（一3e）（8）式中，D。

为初始奥氏体晶粒的粒径，。

为真应变。

1.2珠光体相变随着铁素体相变的进行，使得碳在奥氏体一侧的摩尔分数得到提高，当奥氏体中碳含量达到A-线的延长线时，铁素体相变结束，同时珠光体相变开始。

珠光体体积分数的增量可由下式表示:

2实验结果及分析实验用钢HQ590的化学成分（质量分数，%）为:

C0.162，P0.018，S0.0198，N0.0105，Si0.560，Mn1.637，AL0.050，V0.070，Ti0.026，Nb0.045。

实验在Gleeble-1500热一力模拟机上进行。

具体实验步骤为:

将邦mmX15mm的圆柱体试样以200C/s的速度加热到1150，保温5min,然后以100C/s的冷速冷却到变形温度（850），保温10s后进行压缩，变形量为20%，变形速率为1/s,然后以不同的冷却速度（分别为0.1,0.2,0.5,1,2,5,10和200C/s）冷却至2000C，记录冷却过程中的膨胀量一温度曲线。

从膨胀量一温度曲线的变化可以确定出相变的开始和结束温度，得到CCT曲线如图2所示。

图2给出了实测的（已连成曲线）与计算的（考虑了变形的影响）铁素体、珠光体、贝氏体相变点的温度，显然，随着冷速的增加，铁素体的转变温度降低。

由图可见，计算出的相变温度与热模拟的实验结果吻合良好。

图3给出了计算出的（考虑了变形的影响）铁素体、珠光体、贝氏体的体积分数随冷速的变化规律。

从图中可以看出，随着冷速的升高，铁素体的体积分54钢铁研究学报第18卷图1计算W/9.的流程图Fig.1Flowchartofqrp/q%calculation尸、侧州1000数逐渐降低。

这主要是由于冷速的增大抑制了铁素体的生成，同时降低了相变的温度，且使相变的结束时刻提前。

而贝氏体的体积分数则随着冷速的升高而升高。

当冷速小于1C/s时，组织主要为铁素体与珠光体，当冷速大于17.50C/s时，组织主要为铁素体与贝氏体，而当冷速大于10C/s小于7.5C/s时，组织为铁素体、珠光体与贝氏体的混合物。

这与图2的CCT曲线吻合良好。

时间/s图2用热膨胀法确定的CCT曲线Fig.2CCTdiagramsmeasuredbythemaldilationmethod3结论铁素体珠光体贝乒体5.010.015.0冷速/（C.s）图3各相体积分数随冷速的变化Fig.3Volumefractionchangedwithcoolingrate

（1）以相变热力学和Cahn的相变动力学理论为基础，针对HQ590钢建立了预测铁素体、珠光体和贝氏体的相变温度和相变体积分数的数学模型。

（2）由计算结果可以看出，铁素体的相变温度随冷速的增加而降低，铁素体的体积分数随冷速的增大而降低，贝氏体的体积分数随冷速的增大而增大。

（3）本模型不仅考虑了铁素体与珠光体、铁素体与贝氏体两种相变产物的相变，还考虑了铁素体、珠光体和贝氏体3种相变产物的相变，在计算相变温度和相变的体积分数时充分考虑了变形的影响，且计算结果与实验结果吻合较好。

（下转第62页）62钢铁研究学报第18卷第卷参考文献:

王英睿，刘宏民.精确接触边界条件下热轧带钥轧制力的仿真研究J.钢铁研究学报，2004,16

（1）:

34-39.胡贤磊，邱红雷，刘相华，等.中厚板弹跳曲线零点漂移对轧制力自适应的影响J.钢铁研究学报，2003,15

（1）:

24-26.李元.神经网络在热连轧精轧机组轧制力预报的应用J.钢铁，1996,31

（1）:

54-57.王国栋，刘相华.金属轧制过程人工智能优化M.北京:

冶金工业出版社，2000.王秀梅.人工神经网络和数学模型在热连轧机组轧制力预报中的综合运用J.钢铁，1999,34（3）:

37-40.，J刁，上，厂L厂L1习|习刁qJ盛任5尸，L厂LFIL点，另外，采用自适应的结果作为人工神经元网络的输人项，大大提高了网络学习的速度，降低了输人数据的噪声干扰，提高了轧件换规格轧制或钢种成分变化时的轧制力预测精度，减少了产品的公差。

在某中板厂的轧制力在线应用结果表明，将结合自适应的人工神经网络用于中厚板轧机轧制力预报，其精度要优于单纯采用自适应或神经元网络的预报精度，预报的相对误差基本可以控制在士3%以内，完全能满足中厚板轧机在线轧制的要求。

ISIJInternational,2001,4102）:

1510-1516.许云波，王国栋，刘相华.奥氏体低温变形相变铁素体晶粒尺寸的预测模型JJ.金属学报，2002,38;

123-126.OrrRL,ChipmanJ.ThermodynamicFunctionsofIronJ.TMS-AIME,1967,239:

630-634.YoshieA,etal.ModellingofMicrostructuralEvolutionandMechanicalPropertiesofSteelPlatesProducedbyThermo-Me-chanicalControlProcess仁JJ.1992,32:

395-340.门J门J，esl八J吐孟5厂LrL厂L（上接第54页）参考文献:

1PhamTT,HawboltEB,BrimacombeJK.PredictingtheOnsetofTransformationUnderNoncontinuousCoolingCon-ditions:

Part1,TheoryJ.MetallMaterTrans,1995,26A:

1987-1990.2LIUJ,etal.TheAnalysisPredictionofMicrostructureofPhaseTransformtionfortheChangeAfterHotFormingJ.