《Materials Chemistry and Physics》:Predicting Grain Boundary Evolution via Evolutionary Deep Neural Network and mechanistic Insights into Dynamic Recrystallization of high Al Fe-11Al-5Mn-1C-1Nb low-density steel
编辑推荐:
动态再结晶预测与机制研究,基于高Al Fe-11Al-5Mn-1C-1Nb钢的热变形实验与ANN模型分析,揭示了不同温度应变率下CDRX/DDRX主导规律及微观机理。
印度北方邦鲁尔基印度理工学院(Indian Institute of Technology Roorkee)冶金与材料工程系,邮编247667
摘要
本研究旨在构建一个深度人工神经网络(DNN)模型,该模型基于机器学习方法,用于预测高铝含量的Fe-11Al-5Mn-1C-1Nb低密度钢在热变形过程中的晶界演变。热变形温度范围为900至1200°C,应变速率范围为1至0.001 s-1,真应变达到0.69。这一研究旨在解决这些钢材热加工过程中动态再结晶所面临的挑战。所开发的ANN模型表现出较高的预测能力,准确率约为83%。同时,本文还报告了模型存在的一些差异。此外,通过电子背散射衍射(EBSD)和透射电子显微镜(TEM)对样品进行了深入的微观结构表征,以揭示动态再结晶(DRX)的机制,并区分了在不同热变形条件下发生的连续动态再结晶(CDRX)和不连续动态再结晶(DDRX)。研究结果表明:在较高应变速率(1至0.01 s-1)下,900和1000°C时铁素体中的DRX主要通过CDRX发生;而在1100和1200°C时,铁素体和奥氏体中的DRX均主要通过DDRX发生。这项工作可为工业热加工过程中的工艺设计、优化和控制提供参考。
引言
由于汽车行业的温室气体排放持续增加,这已成为全球性问题。减轻车辆整体重量可以提高燃油效率,从而减少排放。一种可行的方法是添加铝(Al),因为铝的原子量较低,其加入会导致晶格膨胀,从而降低钢材的密度[1]、[2]。此外,热机械加工在细化微观结构和提高机械性能方面起着重要作用,动态再结晶(DRX)有助于在变形合金中形成无应变的晶粒。
金属合金中的DRX现象可进一步分为不连续动态再结晶(DDRX)和连续动态再结晶(CDRX),这两种现象在钢铁领域已有大量研究[3]。然而,针对低密度钢材的此类研究相对较少[4]、[5]、[6]、[7]、[8]、[9]。大多数研究集中在双相和奥氏体低密度钢材上。Mishra等人[10]研究了Fe-15Mn-9Al-0.9C和Fe-15Mn-9Al-0.9C-5Ni奥氏体低密度钢材在900-1150°C温度范围和0.005-5 s-1应变速率范围内的动态回复和再结晶行为。无Ni合金完全为奥氏体相,而含Ni合金在奥氏体基体中形成了细小的kappa碳化物沉淀物和有序的Fe(Ni)Al相带。研究还表明,奥氏体基体的动态软化是通过DDRX机制实现的,而B2相的DRX则是通过CDRX机制进行的,这可能是由于这两种相的应变激活能(SFE)不同所致。Liu等人[7]研究了Fe-28Mn-11Al-1.5C-5Cr奥氏体低密度钢材在900、1050和1150°C下的热变形行为,应变速率为0.01 s-123C6沉淀物抑制了晶界移动,限制了奥氏体基体的DDRX;但在这些沉淀物处位错积累促进了部分CDRX晶粒的形成。在1050和1150°C的较高温度下,奥氏体主要通过DDRX再结晶。Mozumder等人[4]在固定应变速率0.001 s-1下,研究了不同变形温度(950-1150°C)下金属间硬化双相Fe-9Al-10.8Mn-4.5Ni-0.7C低密度钢材的热变形行为。在950-1150°C的所有变形温度下,铁素体主要通过CDRX再结晶;在较高温度(1050–1150°C)下,CDRX作为次要机制通过变形在奥氏体/铁素体界面附近积累而得到促进。在奥氏体相中,初期阶段以DDRX为主,而在较低温度(950-1050°C)下则以CDRX为主。在1150°C的较高变形温度下,B2沉淀物在晶界的溶解促进了晶界迁移,从而增强了DDRX和孪晶形成。Xu等人[8]研究了Fe-4Al-1Ni铁素体低密度钢材在700-950°C温度范围和0.01-10 s-1应变速率下的热变形行为。在900°C以下的热变形过程中,微观结构主要表现出加工硬化和动态回复(DRV)。随着变形温度和应变速率的增加,不连续动态再结晶(DDRX)开始发生。在950°C和1 s-1的变形温度下,DDRX成为主导的动态恢复机制。Castan等人[9]研究了温度、应变速率和应变对Fe-8Al铁素体低密度钢材的影响。研究表明,在铁素体基体中通常观察到DDRX和CDRX两种机制。有趣的是,在较高温度和应变速率下,钢材的DRX主要通过DDRX进行;而在较低温度和应变速率下,则发生连续动态再结晶(CDRX)。
在高铝含量的Fe-Al-Mn-C铁素体低密度钢材中,即使经过过度热轧,铁素体基体的DRX也不完全[11]、[12],即使添加了晶粒细化剂[13]也是如此。这也限制了通过DRX诱导的晶粒细化来提高机械性能。铝的添加会增加Fe-Al-Mn-C体系的应变激活能(SFE)[14],这可能是铁素体在热变形后未发生再结晶的原因之一。然而,需要进一步研究以了解高铝含量钢材的热变形行为及其背后的DRX机制(即CDRX或DDRX)。因此,低密度钢材中的DRX主要取决于热变形条件,其他因素如第二相颗粒、界面不均匀性等也起着关键作用,使得DRX成为一个复杂的现象。
由于传统的实验方法耗时且成本高昂,基于机器学习的人工神经网络(ANN)可以通过学习大型数据集来高效预测DRX行为。研究表明,遗传算法优化的ANN(GA-BP ANN)在流动应力预测方面的准确率高于其他基于物理的模型[15]、[16]、[17]。此外,基于ANN的模拟能够成功捕捉晶粒尺寸演变、再结晶比例以及应力-应变关系[18]、[19],从而优化加工参数并减少实验次数。因此,它能够捕捉冶金过程中的复杂非线性关系。
本研究旨在深入了解高铝含量的Fe-11Al-10Mn-1Nb-1C低密度钢材中的DRX及其机制。热压缩实验在铁素体+粗kappa碳化物区域(900和1000°C)以及铁素体+奥氏体区域(1100和1200°C)进行,应变速率范围为0.001-1 s-1,真应变达到0.69。压缩样品中的晶界比例数据被用于训练ANN模型,并用于预测不同参数下的热压缩过程中的晶界演变。本文还报告了模型存在的一些差异。同时,通过X射线衍射(XRD)、电子背散射衍射(EBSD)和透射电子显微镜(TEM)对热压缩样品进行了详细的微观结构表征。
材料与热变形细节
采用电弧熔炼法在氩气气氛中合成了Fe-11Al-5Mn-1Nb-1C(所有成分均为重量百分比)的铁素体低密度钢材。制备了直径100毫米、厚度12毫米的盘状样品。热压缩试验使用直径10毫米、长度15毫米的圆柱形试样,这些试样是通过线切割电火花加工(EDM)制成的。试验在Gleeble 3800R热机械模拟器中进行。
EvoDN2训练与模型生成
此处使用的进化深度神经网络(EvoDN2)是一个密集的、分层的神经网络,具有复杂的子网架构,详细信息见方法部分。EvoDN2通过进化调优从初始参数逐步训练至优化配置,旨在捕捉实验数据中的细微模式。该模型包含多个工作子模型,共同通过追踪实验数据趋势来提高预测精度。
结论
对高铝含量的Fe-11Al-5Mn-1C-1Nb低密度钢材进行了热变形研究,温度范围为900至1200°C,应变速率范围为1至0.001 s-1
CRediT作者贡献声明
Swagata Roy: 数据整理、概念构思。
Prince Setia: 数据整理、概念构思。
Jogender Singh: 验证、研究。
Surendra Kumar Chourasiya: 形式分析、数据整理。
Bashista Kumar Mahanta: 文章撰写——审稿与编辑、初稿撰写、监督、软件开发、方法论研究、调查、形式分析、数据整理、概念构思。
Pankaj Rawat: 文章撰写——审稿与编辑、初稿撰写、验证、监督、软件开发、方法论研究。
数据可用性
数据属于一个正在进行的项目,无法共享。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本项工作得到了ER&IPR和DRDO(新德里)的支持。