钢材性能

关键词：技术参数钢材试验室性能

钢材性能（精选四篇）

钢材性能篇1

一、影响钢材质量的内因:钢材成分对钢材性能的影响

钢材的主要化学成分是铁和少量的碳, 另外还有一些合金元素和有害质元素, 这些元素对钢材的性能影响很大。

(一) 碳。

碳对钢材的强度、塑性、韧性和焊接性有决定性的影响, 随着碳含量的增加, 钢材的抗拉强度和屈服强度增加, 塑性、冷弯性能和冲击韧性, 特别是低温冲击韧性降低, 焊接性也变坏, 所以钢材中的碳含量不能过高。

(二) 锰。

锰是结构钢的合金元素, 当含量不多时能显著提高钢材的冷脆性能, 屈服强度和抗拉强度而又不过多地降低塑性和冲击韧性, 锰对脱钢中的有害元素的含量有作用, 能减除硫的有害作用, 但过量时会使钢材变脆和塑性降低。

(三) 硅。

硅因能使钢中纯铁体晶粒细小和均匀分布, 是一种熔炼有较好性能镇静钢的脱氧剂, 适量的硅可以提高钢的强度, 而对钢的塑性、冷弯性能和冲击韧性及焊接性无显著不良影响, 过量的硅会降低钢的塑性和冲击韧性, 恶化钢材的抗腐蚀性和焊接性。

(四) 硫。

硫和铁化合成硫化铁, 散布在纯体层中, 当温度在800~1, 200度时熔化而使钢材出现裂纹, 称为“热脆”现象, 使钢的焊接性变坏, 硫还能降低钢的塑性和冲击韧性能。

(五) 氧。

氧的有害作用与硫大体相同, 增加钢的脆性。

(六) 磷。

磷使钢材在低温时韧性降低并容易产生脆性破坏, 称为“冷脆”现象, 高温时也使钢的塑性变差。

(七) 氮。

氮作用类似于磷, 能显著降低钢的塑性和冲击韧性并增大其“冷脆”性。

(八) 铝。

铝作为脱氧剂或合金化元素加入钢中, 铝脱氧能力比硅、锰强得多, 铝在钢中的主要作用是细化晶粒、固定钢中的氮, 从而显著提高钢的冲击韧性, 降低冷脆倾向和时效倾向性。如D级碳素结构钢要求钢中酸熔铝含量不小于0.015%, 深冲压用冷轧钢板要求钢中酸熔铝含量为0.02%~0.07%。铝还可提高钢的抗腐蚀性能, 特别是钼、铜、硅、铬等元素配合使用时效果更好。

二、影响钢材质量的外因

(一) 钢材煅造条件对钢材质量的影响。

1. 钢材浇注方法对钢材质量的影响。

钢材在冶炼后因浇注方法不同可分为沸腾钢、半镇静钢、镇静钢和特殊镇静钢, 钢材冶炼缺陷越少质量越好, 主要的冶炼缺陷有:偏析、非金属夹杂、裂纹和起层等。

2. 热处理对钢材性能的影响。

经过适当的热处理可显著提高钢材的强度并保持良好的塑性和韧性。

3. 残余应力对钢材性能的影响。

残余应力是由于钢材在加工过程中温度不均匀冷却产生的, 是一种自相平衡的应力, 它不影响构件的静力强度, 但降低了构件的刚度和稳定性。

4. 温度对钢材性能的影响。

温度对钢材的有害影响主要有蓝脆现象和低温冷脆。

(二) 试验过程中的因素对钢材性能的影响。

各主要国家都有各自的钢材性能测定方法, 目前我国测定钢材拉伸和弯曲两大性能的方法分别为GB/T228.1-2010和GB232-1999。GB/T228.1-2010《金属材料拉伸试验第1部分:室温试验方法》本部分为GB/T228的第1部分, 采用国际标准ISO6892-1:2009《金属材料拉伸试验第1部分:室温试验方法》。GB232-1999《金属材料弯曲试验方法》, 本标准等效采用国际标准ISO7438:1985《金属材料—弯曲试验》。在主要技术内容上与ISO7438:1985等效。现就此两个标准的试验方法对钢材性能的影响进行探讨。

1. 试验速度对钢材屈服强度、抗拉强度及伸长率的影响。

根据GB/T228.1-2010《金属材料拉伸试验第1部分:室温试验方法》的要求, 钢材的试验速度的控制分为应变速率控制和应力速率控制, 试验室常用应力速率控制, 通常为6~60MPa/s。通过大量试验发现, 对于液压式机械万能试验机如果加荷速度过快, 较粗的钢材屈服现象明显, 主动针回摆现象比较剧烈, 导致所测出钢材的下屈服强度比真实值偏小;而由于惯性的作用, 钢材虽断裂, 但主动针仍前行, 导致钢材抗拉强度比真实值偏大;由于加荷速度过快, 钢材来不及充分延伸即断裂, 从而导致伸长率偏低;如果加荷速度过慢, 下屈服强度不易发现, 抗拉强度比真实值偏小, 这一点对于直径较小屈服现象不太明显的钢材尤为明显。

2. 标距标识对钢材性能的影响。

(1) 标距标识对钢材强度的影响。试验室中为了测定钢材的伸长率, 通常都是用钢筋标距仪或刻刀等在拉伸前的钢材上刻划标识, 原则上无论是何种标识方式, 均破坏了钢材原有的结构, 降低了钢材强度。

(2) 钢材断裂的位置对伸长率的影响。钢材的伸长率为钢材试件拉断后, 标距的伸长与原标距长度的百分率。钢材在断裂前会产生颈缩现象, 使塑性变形在试件标距内的分布不均匀, 越靠近颈缩处钢材的变形越大, 反之则越小, 理论上钢材的断裂位于标距的中间位置所测的伸长率最接近真值, 然而钢材断裂的位置不是人为能够控制的, 大部分是偏离标距的中点位置, 因而所测的钢材断后伸长率均比真值偏小。原则上只有断裂处与最接近的标距标记的距离不小于原始标距的三分之一, 该伸长率试验结果有效。而试验室中所测的钢材断后伸长率大都为合格性检测, 因此断后伸长率大于或等于该钢材产品伸长率标准的要求时, 不管断裂位置处于何处测量均为有效。

3. 试验温度对钢材性能的影响。

GB/T228.1-2010《金属材料拉伸试验第1部分:室温试验方法》中规定, 除非另有规定, 试验一般在室温10℃~35℃范围内进行, 对于温度要求严格的试验, 试验温度应为23℃±5℃。试验表明, 在钢材力学性能试验中如温度过低, 钢材容易发生脆断, 伸长率下降, 强度降低, 冷弯性能下降。

4. 试验设备对钢材性能的影响。

试验机的精度对钢材的性能影响很大, 因此液压万能试验机应按照要求经常校准;夹具不牢也会对钢材的性能造成影响, 特别是直径较小的钢材拉伸中容易打滑, 多次打滑会造成冲击疲劳, 而使钢材未达到抗拉强度而断裂, 因而抗拉强度会偏低、伸长率也偏低。在反复弯曲试验过程也会因夹具不牢, 多次打滑造成冲击疲劳, 而使反复弯曲次数降低。

5. 试验人员操作对钢材性能的影响。

熟练操作的试验员与长期不操作的试验员所做的比对试验, 或者是同一长期不操作的试验员所做的两组比对试验, 所得的结果误差比较大, 分析原因主要体现在两个方面:一是读数引起的误差:不同试验人员观察试验机指针的角度不同, 因而会造成试验值的误差, 特别是在测定屈服强度试验时, 如果试验人员加荷速度控制不当或观察不当造成的误差会更大。因此在试验中尽量使用电子控制压力试验机, 减少因加荷速度和试验人员读数造成的影响。二是冷弯冲头选择不当:由于计算不当, 试验人员对冷弯冲头选用不当。如选用的冲头偏小, 试验要求过严, 易造成将冷弯试验结果合格的试件错判为不合格;如选用的冲头偏大, 则试验要求放松, 易造成将冷弯试验结果不合格的试件错判为合格。冷弯间距计算不当:如冷弯间距计算距离偏大, 易造成冷弯角度不够, 如冷弯间距偏小, 易挤压钢材, 造成钢材不合格, 甚至有可能损坏压力试验机。

三、结语

当然, 影响钢材性能的因素还不仅仅这些, 还需要我们在试验中不断地摸索、总结, 在钢材锻造过程中消除内部不利因素的影响, 努力提高钢材的性能, 消除外部因素不利因素的影响使试验结果更贴近于标准值。

摘要：影响钢材性能的因素可分为内因 (即钢材本身的质量问题) 和外因 (即环境和操作误差及仪器设备等) , 本文主要针对影响钢材性能的内因和试验室中影响性能 (钢材强度、伸长率两种技术参数) 的外部因素, 提出了一些观点。

钢材性能篇2

钢材中除主要化学成分fe以外，还含有少量的碳(c)、硅(si)、锰(mn)、磷(p)、硫(s)、氧(o)、氮(n)、钛(ti)、钒(v)等元素，这些元素虽含量很少，但对钢材性能的影响很大。

碳是决定钢材性能的最重要元素。

钢中有益元素有锰、硅、钒、钛等，控制掺入量可冶炼成低合金钢。

钢中主要的有害元素有硫、磷及氧，要特别注意控制其含量。

磷是钢中很有害的元素之一，主要溶于铁素体起强化作用。磷含量增加，钢材的强度、硬度提高，塑性和韧性显著下降。特别是温度愈低，对塑性和韧性的影响愈大，从而显著加大钢材的冷脆性。磷也使钢材可焊性显著降低，但磷可提高钢的耐磨性和耐蚀性。

硫也是很有害的元素，呈非金属硫化物夹杂物存在于钢中，降低钢材的各种机械性能。由于硫化物熔点低，使钢材在热加工过程中造成晶粒的分离，引起钢材断裂，形成热脆现象，称为热脆性。硫使钢的可焊性、冲击韧性、耐疲劳性和抗腐蚀性等均降低。

氧是钢中有害元素，主要存在于非金属夹杂物中，少量熔于铁素体内。非金属夹杂物降低钢的机械性能，特别是韧性。氧有促进时效倾向的作用。氧化物所造成的低熔点亦使钢的可焊性变差。

例题：钢中主要的有害元素是指()。

a、氧

b、锰

c、硫

d、磷

e、硅

答案：a、c、d

例题：使钢材在热加工过程中造成晶体的分离，引起钢材断裂，形成热脆现象的元素是()。

a、pb、s

c、od、mn

钢材性能篇3

钢材轧制系统是一个非常复杂的非线性系统, 相关工艺参数数据量巨大。传统的生产实践中, 往往依赖工程师的个人经验, 通过统计方法进行预报, 花费大量的时间和精力, 而且生产过程又不断受各种随机因素的干扰, 无法通过对生产工艺参数的调整对产品的力学性能进行精确的预测。通过人工神经网络模型在线预报产品力学性能, 可省去繁琐的传统数学模型的建立过程, 利用大量在线采集的产品数据和各种参数实际值, 使得产品在线预报力学性能达到的较高的精度, 从而有效的降低了生产成本, 提高了产品最终力学性能。

本文根据某钢铁公司Q235钢种的化学成分和轧制工艺同最终成品的力学性能之间的关系, 基于BP神经网络模型, 构建预测钢材力学性能算法。在节省投资、节约能源、保护环境及可持续发展等方面具有重要的经济意义和战略意义。

2 BP网络算法

1986年Rinehart等人提出了多层前馈网络误差反向传播 (Error Back Propagation, 简称BP) 算法。他们通过对BP算法在数学上的详细分析和完整推导, 系统地解决了多层神经网络中隐含层单元连接权的学习问题。

理论上单隐层BP网络可以任意精度逼近任意非线性曲线, 因此本系统采用了单隐层BP网络构建神经网络模型, 如图3.1所示。

网络输入为钢材的化学成分和工艺参数。钢材化学成分包括:碳、硅、锰、磷、硫等15个成分参数。工艺参数选用F4-F6三道次参数、终轧温度、卷曲温度、上冷却水温度、下冷却水温度、中间坯厚度等参数作为神经网络候选输入参数。神经网络采用单输出层, 分别为:屈服强度、抗拉强度、延伸率。

BP神经网络是有导师类型的神经网络, 采用误差梯度下降规则训练网络, 导致网络学习速度慢且易陷入局部极值。由于网络结构的选择尚无完整的理论指导, 初始权值阈值的选取和隐层节点的确定等都存在一定的盲目性, 因此网络预测能力与训练能力的矛盾, 易出现“过拟合”现象。为了加速收敛和防止震荡以及改善网络泛化能力, 应采取相应的优化策略。

3 遗传算法优化BP网络

遗传算法是一种基于生物进化原理共享出来的搜索最优解的仿生算法。遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值, 使优化后的BP神经网络能够更好的预测函数输出。遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作、和变异操作。

(1) 种群初始化。个体编码方法为实数编码, 每个个体均为一个实数串, 由输入层与隐含层连接权值、隐含层阈值、隐含层于输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值, 在网络结构已经已知的情况下, 就可以构成一个结构、权值、阈值确定的神经网络。

(2) 适应度函数。根据个体得到BP神经网络的初始权值和阈值, 用训练数据训练BP神经网络后预测系统输出, 把预测输出和期望输出的误差绝对值之和作为个体适应度值。

(3) 选择操作。遗传算法选择操作有轮盘赌法、锦标赛法等多种方法, 本案例选择轮盘赌法, 即基于适应度比例的选择策略。

(4) 交叉操作。由于个体采用实数编码, 所以交叉操作方法采用实数交叉法。

(5) 变异操作。选取第i个个体的第j个基因进行变异。

4 优化算法性能比较

将基于自适应学习因子和附加动量项的BP神经网络应用于屈服强度力学性能建模。实际问题中, 选用260组样本数据进行网络的训练, 100组数据对训练好的网络进行测试。选定网络输入层单元16, 网络输出层单元数为1, 根据经验公式确定单隐层节点数的分别为13、14、15、16、17、18、19、20, 然后用试凑法确定最佳的节点数18。网络中学习率自动调整[51、52], 学习速率的调整准则是:在每个迭代步上考察所有样本的误差平方和较上次迭代是否有所下降, 再对学习率加以调整。学习因子取0.15, 动量因子取0.3, 期望输出与实际输出的误差平方和作为代价函数。

遗传算法参数设置为:种群规模为10, 进化次数为50次, 交叉概率为0.4, 变异概率为0.2。把最优初始权值和阈值赋给神经网络, 用训练数据训练100次后预测抗拉强度值, 预测误差曲线如图3.3所示。从图3.3可以看出遗传算法优化的BP网络预测更加精确, 并且遗传算法优化BP网络预测的均方误差为5.3704×10-5, 而未优化的BP网络均方误差为1.8876×10-4, 预测均方误差也得到了很大提高。

遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值, 其基本思想是用个体代表网络的初始权值和阈值, 个体值初始化的BP神经网络的预测误差作为该个体的适应度值。通过选择、交叉、变异操作寻找最优个体, 即最优的神经网络初始权值。

将基于PSO优化算法获得权值作为BP网络的初始权值训练网络并对抗拉强度强度力学性能建模, 将训练后的网络应用于140组测试数据, 结果如图3.5所示。

图3.5中 (a) 表示传统BP算法训练结果; (b) 表示经过优化后的预测结果。由图3.5可以看出, 经过优化后的神经网络, 预测数据多分布在自适应曲线两侧, 网络表现出较好的预测性能, 并且优化后的网络训练速度也得到加快。

5 结语

本文针对BP神经网络采用梯度下降算法, 导致的学习速度慢, 算法容易陷于极小点及个别网络参数难以确定等缺陷, 提出两种优化BP网络的方法:遗传优化算法和粒子群优化算法。分别应用两种算法优化BP网络初始权值和阈值, 与传统的单隐层BP算法比较, 验证了改进的BP网络预测效果较好。通过对比两种优化算法, 粒子群算法优化神经网络可以达到更好的钢材性能预测效果。

摘要：本文根据某钢铁公司Q235钢种的化学成分和轧制工艺同最终成品的力学性能之间的关系, 基于BP神经网络模型, 提出两种优化BP网络的方法:遗传优化算法和粒子群优化算法。并通过实验, 与传统的单隐层BP算法相比, 粒子群优化算法的BP网络在钢材力学性能预测方面效果更好。

关键词：BP神经网络,遗传算法,粒子群优化算法

参考文献

[1]刘维群, 李元臣.BP网络中隐层节点优化的研究[D].洛阳:洛阳师范学院, 2000, 23-28.

[2]焦李成.神经网络计算[M].西安:西安电子科技大学出版社, 2006, 20-65.