多道次变形条件下V-N微合金钢的流变应力模型

doi:10.12068/j.issn.1005-3026.2025.20230261

摘要/Abstract

摘要：

为建立多道次变形条件下V-N微合金钢的流变应力模型，采用DIL805热膨胀相变仪对实验钢进行了多道次压缩实验，并绘制了应力-应变曲线.Hensel-Spittel模型高精度地模拟了实验钢在单道次变形条件下的流变应力.当变形温度和应变速率不变时，采用遗传算法优化了多道次变形条件下Hensel-Spittel模型参数.基于支持向量机（support vector machine，SVM）算法建立了变形前静态再结晶体积分数、变形前奥氏体晶粒尺寸、位错密度、变形温度和应变速率与模型参数的对应关系.结果表明，多道次变形条件下流变应力预测值与实测值吻合良好.研究结果为精准描述多道次变形条件下V-N微合金钢的流变应力提供了有力的支持.

关键词: 流变应力, 遗传算法, 静态再结晶, 位错密度, 支持向量机算法

Abstract:

In order to establish the flow stress models of V-N microalloyed steel under multi-pass deformation conditions， multi-pass compression experiments were conducted on experimental steel using a DIL805 thermal expansion phase transformation tester， and the stress-strain curves were plotted. The flow stress of experimental steel was simulated with high accuracy by Hensel-Spittel model under single-pass deformation conditions. When the deformation temperature and strain rate remained constant， genetic algorithm was used to optimize the parameters of the Hensel-Spittel model under multi-pass deformation conditions. The support vector machine（SVM） algorithm was used to establish the corresponding relationships between the static recrystallization volume fraction before deformation， austenite grain size before deformation， dislocation density， deformation temperature， strain rate and the model parameters. The results show that the predicted flow stress under multi-pass deformation conditions is in good agreement with the measured values. The research results can provide strong support for accurately describing the flow stress of V-N microalloyed steel under multi-pass deformation conditions.

Key words: flow stress, genetic algorithm, static recrystallization, dislocation density, support vector machine algorithm

中图分类号:

TG 142.1

周晓光, 赵金帆, 姜珊, 曹光明. 多道次变形条件下V-N微合金钢的流变应力模型[J]. 东北大学学报（自然科学版）, 2025, 46(2): 35-41.

Xiao-guang ZHOU, Jin-fan ZHAO, Shan JIANG, Guang-ming CAO. Flow Stress Model for V-N Microalloyed Steel Under Multi-pass Deformation Conditions[J]. Journal of Northeastern University(Natural Science), 2025, 46(2): 35-41.

图/表 12

图1 奥氏体淬火实验示意图

Fig. 1 Schematic diagram of the austenite quenching experiment

表1 流变应力模型的回归参数

Table 1 Regression parameters of the flow stress model

a₀	a₁	a₂	a₃	a₄
8 119.545	-2.567	0.098	0.402	-1.171

图2 Hensel-Spittel模型预测的流变应力与实测值对比

Fig. 2 Comparison of flow stress predicted by the Hensel-Spittel model with measured values

图3 静态软化率计算示意图

Fig. 3 Schematic diagram for calculating static softening rate

表2 t0.5公式中的参数

Table 2 Parameters of t0.5 equation

A	n₁	n₂	n₃	Q/（J·mol^-1）
6.58×10^-34	-12.27	-1.058	3.720 97	423 057

图4 静态再结晶体积分数对比

Fig. 4 Comparison of static recrystallization volume fraction

图5 实验钢各道次变形前的奥氏体组织（a）— 第一道次；（b）— 第二道次；（c） —第三道次.

Fig. 5 Austenite microstructure of experimental steel before deformation in each pass

图6 遗传算法优化预测的流变应力与实测值的对比

Fig. 6 Comparison of predicted flow stress adopting genetic algorithm optimization and measured values

图7 采用SVM算法预测流变应力的流程图

Fig. 7 Flow chart of predicting flow stress adopting SVM algorithm

图8 双道次变形条件下流变应力预测值与实测值的对比

Fig. 8 Comparison of predicted flow stress and measured values under double-pass deformation

图9 三道次变形流变应力预测值与实测值的对比（a）— 950 °C变形；（b）— 1 050 °C变形.

Fig. 9 Comparison of predicted flow stress and measured values for three passes deformation

图10 第三道次变形预测的流变应力与实测值的对比

Fig. 10 Comparison of predicted flow stress and measured values for the 3rd deformation

参考文献 18

1	Zhao B C， Zhao T， Huang L， et al. Effect of nitrogen content on the static recrystallization and precipitation behaviors of vanadium-titanium microalloyed steels［J］. International Journal of Materials Research， 2024， 115（6）：411-420.
2	Li N， Li L X， Wang C F， et al. Study of precipitation in the heavy plate of VN micro-alloyed HSLA steel［J］. Advanced Materials Research， 2013， 712/713/714/715： 65-69.
3	Chumanov I V， Sedukhin V V. Effect of vanadium alloying on the phase composition of super duplex steel［J］. Russian Metallurgy（Metally）， 2023（8）：1165-1169.
4	Kawamura M， Ogawa T， Sun F， et al. Evaluation of the tensile properties of vanadium-added steels with different ferrite and pearlite hardness ratios［J］. Journal of Materials Engineering and Performance， 2024， 33（13）：6816-6824.
5	Ashtiani H R R， Shahsavari P. Constitutive modeling of flow behavior of precipitation-hardened AA7022-T6 aluminum alloy at elevated temperature［J］. Transactions of Nonferrous Metals Society of China， 2020， 30（11）： 2927-2940.
6	Gong B， Duan X W， Liu J S， et al. A physically based constitutive model of as-forged 34CrNiMo6 steel and processing maps for hot working［J］. Vacuum， 2018， 155： 345-357.
7	Phatiwach V， Angkurarach L， Juijerm P. Effect of intercritical annealing on deformation behavior and flow stress predictive models of AISI 8620 steel［J］. Journal of Materials Science， 2023， 58（33）： 13488-13501.
8	Chalimba S A J， Mostert R J， Stumpf W E， et al. Modeling of high-temperature flow stress of VN and Nb-Ti microalloyed steels during hot compressive deformation［J］. Journal of Materials Engineering and Performance， 2020， 29（1）： 330-341.
9	杨浩，周晓光，刘振宇，等. EH36船板钢的动态再结晶和变形抗力［J］. 东北大学学报（自然科学版）， 2012， 33（4）： 504-508.
	Yang Hao， Zhou Xiao-guang， Liu Zhen-yu， et al. Dynamic recrystallization and deformation resistance of EH36 ship plate steel［J］. Journal of Northeastern University （Natural Science）， 2012， 33（4）： 504-508.
10	汪雅婷，黎俊良，袁楷峰，等. 基于GA改进BP神经网络预测热变形流变应力模型的建立［J］. 材料工程， 2022， 50（6）： 170-177.
	Wang Ya-ting， Li Jun-liang， Yuan Kai-feng， et al. Establishment of hot deformation flow stress prediction model based on GA improved BP neural network［J］. Journal of Materials Engineering， 2022， 50（6）： 170-177.
11	肖罡，杨钦文，许征兵，等. 基于克里金方法的6013铝合金多道次降温热压缩变形行为建模［J］. 机械工程材料， 2016， 40（3）： 89-92.
	Xiao Gang， Yang Qin-wen， Xu Zheng-bing， et al. Modeling for multi-pass temperature-drop hot compression behavior of 6013 aluminum alloy based on Kriging method［J］. Materials for Mechanical Engineering， 2016， 40（3）： 89-92.
12	Chen R C， Zeng J， Yao G C， et al. Flow-stress model of 300M steel for multi-pass compression［J］. Metals， 2020， 10（4）：438-453.
13	冯耀耀，王庆娟，杜忠泽，等. 曲轴用非调质钢49MnVS3的变形抗力模型研究［J］. 热加工工艺， 2018， 47（18）： 45-48.
	Feng Yao-yao， Wang Qing-juan， Du Zhong-ze， et al. Study on deformation resistance model of 49MnVS3 non-quenched and tempered steel for crankshaft［J］. Hot Working Technology， 2018， 47（18）： 45-48.
14	Elwazri A M， Wanjara P， Yue S. Metadynamic and static recrystallization of hypereutectoid steel［J］. ISIJ International， 2003， 43（7）： 1080-1088.
15	Stewart G R， Jonas J J. Static and dynamic strain aging at high temperatures in 304 stainless steel［J］. ISIJ International， 2004， 44（7）： 1263-1272.
16	周晓光. 含Nb钢FTSR热轧板带组织性能预测的研究［D］. 沈阳：东北大学，2007.
	Zhou Xiao-guang. Research on prediction of microstructure and mechanical properties of hot rolled Nb bearing steels in FTSR ［D］. Shenyang： Northeastern University， 2007.
17	Cho S H， Kang K B， Jonas J J. Mathematical modeling of the recrystallization kinetics of Nb microalloyed steels［J］. ISIJ International， 2001， 41（7）： 766-773.
18	李治华，许云波，吴迪，等. C-Mn钢高温变形过程再结晶及位错密度的研究［J］. 钢铁研究， 2004， 32（4）： 35-38.
	Li Zhi-hua， Xu Yun-bo， Wu Di， et al. Investigation on recrystallization and dislocation density in high temperature deformed of C-Mn steel［J］. Research on Iron and Steel， 2004， 32（4）： 35-38.

[1]	单泉, 张顺, 黄建聪, 陈砚. 上肢康复机器人模糊自适应交互控制研究[J]. 东北大学学报（自然科学版）, 2024, 45(7): 974-983.
[2]	李杰，贾长旺，乔斌，刘佳勇. 汽车转向非线性平衡点遗传算法求解及其改进[J]. 东北大学学报（自然科学版）, 2023, 44(12): 1726-1733.
[3]	支卫军，姚赞，姜周华. 高碳镀锌钢丝组织差异性精细表征研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 501-508.
[4]	丁山，臧仕义，曹殿明，佘黎煌. 基于动态ID跳变的CAN总线安全调度算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 350-358.
[5]	叶翠丽，王娜，庞硕，闫航. 基于改进遗传算法的秸秆还田机刀片功耗优化[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1290-1298.
[6]	丁山，暴林慧，高梦宁，佘黎煌. 一种基于安全性的CAN-FD信号打包方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 775-781.
[7]	刘军，杨青文，王金涛，刘华伟. 基于改进遗传算法的空间信息网恢复策略[J]. 东北大学学报（自然科学版）, 2021, 42(4): 524-530.
[8]	裴玉龙，杨世军，潘恒彦. 考虑车内拥挤状态的公交弹性发车间隔优化[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1663-1672.
[9]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[10]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[11]	刘芳，刘欣怡，苏卫星，林辉. 电动汽车动力电池健康状态在线估算方法[J]. 东北大学学报:自然科学版, 2020, 41(4): 492-498.
[12]	王新刚，徐馷悉，李尚杰，马瑞敏. 不确定结构的区间可靠性优化设计[J]. 东北大学学报:自然科学版, 2020, 41(4): 521-527.
[13]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[14]	刘芳，马杰，苏卫星，何茂伟. 基于模型参数在线辨识技术的SOC估算方法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1543-1549.
[15]	茹敬雨，贾子熙，吴成东. 一种基于阳光的运动轨迹简化算法[J]. 东北大学学报:自然科学版, 2019, 40(8): 1070-1075.