金属材料的喷丸强化原理及其强化机理综述

摘要:在喷丸强化机理中,除了“应力强化机制”之外,还存在另外一种“组织结构强化机制”。为了证明这一种新强化机制的存在,采用了XRD、喷丸残余应力、显微硬度以及疲劳等各种试验方法,对喷丸靶材表层的组织结构改性后的力学行为进行了试验测定。结果表明:喷丸引入靶材的残余压应力是一种改善疲劳断裂抗力的“应力强化机制”,但是它只能改善正断型模式而不能用来改善切断型模式的疲劳断裂抗力。对改善切断型模式的疲劳断裂抗力起决定性作用的是“组织结构强化机制”。因此作者认为,喷丸强化机理中至少存在上述两种强化机制。

高钢级管道焊缝材料应力应变本构关系确定方法

摘要:高钢级管道环焊缝作为油气管道关键薄弱环节一直受到工程界与科研界的关注,它作为一种典型的焊接结构具有明显的非均质性,这会导致环焊缝材料轴向力学性能无法准确测试,严重影响管道环焊缝安全评价的准确性。基于MATLAB-PYTHON-ABAQUS联合仿真提出了一种高钢级管道焊缝区材料应力应变本构关系优化反演方法。开展了4组不同缺口尺寸的单轴拉伸试验,得到了各试样的载荷位移曲线;利用贝叶斯正则化反向传播(BRBP)神经网络与灰狼优化算法(GWO)得到了焊缝区材料真实应力应变本构关系,并通过试验数据充分验证了本构关系的准确性,结果表明相对误差小于1%。所提出的反演思路同样适用于均质金属材料大应变范围应力应变曲线的测定。该反演方法的提出可为高钢级管道环焊缝安全评价提供准确的应力应变本构关系及强度匹配关系,进一步保障了油气管道的安全运行。

螺纹加工顺序对A286紧固件室温疲劳性能的影响

摘要:采用轴向疲劳试验机、金相显微镜、显微硬度计和扫描电镜等方法,通过对不同螺纹加工顺序的A286合金耐热紧固件进行高频拉-拉疲劳测试,并对疲劳断口和螺纹的金相进行分析。结果表明,在经过720℃-12 h时效后加工螺纹,有利于提高紧固件疲劳性能的稳定性,对疲劳中值强度略有影响,对疲劳断裂方式无影响。时效前加工螺纹,会在紧固件表面形成大量的孪晶,时效过程中强化相会在孪晶界以大尺寸颗粒析出。时效前加工螺纹的紧固件其螺纹根部硬度值波动大,可能是造成疲劳性能波动大的原因。

耐磨钢生产研究现状与分析

摘要:概述了耐磨钢的主要技术要求、生产工艺以及国内外研究现状,重点介绍了准贝氏体高强耐磨钢、奥氏体耐磨钢及马氏体耐磨钢的成分、性能、强化机理及生产工艺,并指出耐磨钢开发应注重系列化和经济性。

不锈钢材料的钝化技术及其研究进展

摘要:不锈钢材料性能优越,应用广泛,钝化处理是其成型过程中重要的一种后处理工艺。参照近年来不锈钢钝化的研究成果,总结梳理了不锈钢钝化的机理、检测与工艺方法,并展望了其未来的发展方向。

管线钢氢脆的研究进展

摘要:氢能是一种绿色低碳二次能源,提高氢能的利用率可以促进节能减排,减少环境污染。现阶段高效率的输氢方式主要为管道运输,管线钢的氢脆影响着运输安全,如何提高管线钢抗氢脆能力一直受到广泛关注,但目前没有合适的理论可以完整解释氢脆现象。从管线钢的发展和氢脆机理等方面分析了不同等级管线钢的综合性能和发展趋势,主要介绍了氢压力理论、氢增强局部塑性理论(HELP)和氢致弱键理论(HEDE)3种氢脆机理。从合金元素、微观组织、加工工艺、氢浓度和氢环境的角度探讨了影响管线钢氢脆的因素。最后结合现阶段研究现状,分析了管线钢发展中的重点难点,为抗氢脆管线钢的开发与应用提供参考,同时展望了管线钢未来需要关注的研究方向。

我国宽厚板轧机现状及品种需求

摘要:简要介绍了我国套宽厚板轧机的现况。指出我国宽厚板轧机存在整体装备水平低且能力发挥不足等问题。提出应采用现代化的测试等新技术才能确保产品质量。并概述了我国造船、锅炉、电站、压力容器、工程机械、模具及采油平台等用钢板的规格、数量、品种、需求情况。

特殊钢发展新趋势与工艺创新

摘要: 根据国内外文献总结提出21世纪特殊钢质量提升的重点从洁净钢冶炼转移到大型夹杂物控制,特别应加强硫化物控制。最大夹杂物尺寸对钢材疲劳性能有明显影响,当w(T.O)≦5×10-6时硫化物影响最大。大型夹杂物主要来源于渣钢反应产生的MgO-Al2O3和CaO-Al2O3夹杂以及卷渣形成的CaO-SiO2-Al2O3系夹杂。控制大型夹杂物必须改进生产工艺: 降低炉外精炼负荷、改变脱氧工艺、严格控制卷渣和促进连铸过程夹杂物上浮。

钢轧制过程中非金属夹杂物变形研究进展

摘要:针对轧制过程中非金属夹杂物变形的研究方法、表征参数以及影响因素进行了综述。研究表明冷轧过程中弹性模量小的夹杂物具有更好的变形能力,热轧过程中黏度小的夹杂物更利于变形,轧制温度在钢基体、夹杂物的流动应力曲线交点温度左右的温度区间内有较大的影响。还分析了夹杂物尺寸、轧制压下量等因素对夹杂物变形的影响。不同种类夹杂物的物性参数与变形能力之间的定量研究将会成为将来的研究重点。

基于深度学习钢中非金属夹杂物图像识别

摘要:炼钢过程中钢水易和炉渣、耐火材料、气氛等相互作用形成非金属夹杂物,非金属夹杂物会破坏钢基体的连续性,增加钢组织的不均匀性,进而影响钢铁材料的塑性、韧性、抗疲劳强度等力学性能,成形过程中也易引起产品缺陷。夹杂物的定性检测一般通过扫描电子显微电镜(SEM)和能谱仪(EDS),但耗时较长、随机性也较大。因此,非金属夹杂物的快速检测和识别对改进炼钢工艺至关重要。近年来,随着计算机视觉技术的日渐成熟,基于区域的卷积神经网络(RCNN,region-basedconvolutionalneuralnetwork)算法经过多代演化,并添加了掩码分支网络,形成了Mask-RCNN。Mask-RCNN既能实现夹杂物边框的准确定位,也能实现图像分割和识别分类,可有效应用于夹杂物分割和识别。采用计算机视觉(CV)任务中Mask-RCNN目标检测算法,对低密度钢中典型AlN、Al2O3、MnS和AlN-MnS4类非金属夹杂物的SEM 图片进行训练,经过10000次的迭代训练后,对各类型夹杂物进行边框定位、图像分割及识别分类,并对测试集进行验证,实现了4类夹杂物边框的准确定位和图像分割。所选用模型对夹杂物检测识别效果较好,准确率高,4类目标夹杂物中,MnS和AlN-MnS夹杂物识别准确率达到100%,AlN夹杂物的识别准确率为95.91%,Al2O3夹杂物的识别准确率为83.33%。