基于机器学习优化AHSS贝氏体演变冷却速率

先进高强度钢（AHSS）的机械性能与其微观结构有关，受生产过程中加工技术的影响，特别是受热轧中的形变热处理的影响。在本文中，开发了一种新的自适应机器学习（ML）模型，结合热轧板的控制冷却来预测AHSS中的贝氏体。利用时间-温度-转变图的神经网络模型，预测连续-冷却-转变动力学。为了验证贝氏体比例分数，在0.1至10℃/s的速率下对AHSS试样进行了膨胀测定实验。利用实验和模拟的输入训练贝氏体的自适应ML模型，为优化AHSS处理提供了预测工具。

引言

先进高强度钢（AHSS）是一类工程钢，旨在通过控制多个结构阶段的微观组织平衡来表现出卓越的机械性能。[1,2]与传统的高强度钢不同，AHSS除了含有铁素体、珠光体或渗碳体外，还含有一种或多种组织相，如残余奥氏体、贝氏体或马氏体。这些独特的微观结构特征来自于制造过程中精确控制的热机加工处理过程，从而导致优化的相变和定制的机械响应。[1~3]由于其复杂的显微组织组成，AHSS表现出卓越的强度，延展性，成形性和加工硬化行为的组合。这些特性对于汽车应用至关重要，因为汽车应用对耐撞性、轻量化设计、燃油效率和减少温室气体排放都有严格的要求。[1]

图1  AHSS钢在强度和延性的演变[4]

根据其力学性能和合金化策略，将AHSS分为三代。第一代AHSS等级包括双相（DP）钢、相变诱导塑性（TRIP）钢、马氏体（MART）钢和复杂相（CP）钢。这些钢比传统的高强度钢提供更高的强度-塑性平衡，使其成为汽车工业中使用最广泛的AHSS。它们的高强度和轻量化潜力的良好组合使其成为在碰撞过程中需要改善能量吸收的结构部件的理想选择。[4,5]

第二代AHSS牌号，如孪生诱导塑性钢（TWIP）、奥氏体不锈钢（AUST.SS）和轻量化诱导塑性钢（L-IP），具有优异的延展性和强度。然而，昂贵的合金元素的广泛使用和先进的加工要求大大增加了它们的生产成本，限制了它们在工业上的广泛采用。[4-6]

第三代AHSS是一种新兴的钢铁材料，旨在弥合第一代和第二代之间的性能和成本差距。这些钢，目前正在广泛的研究和开发，旨在实现高强度和高的延展性，同时降低生产成本。例如，具有增强成形性的CP钢、相变诱导塑性TRIP-aided贝氏体铁素体（TBF）钢、无碳化物贝氏体（CFB）钢、淬火和碳分配（QP）钢以及高成形性DP （HFDP）钢。这些等级钢种正在开发中，为下一代汽车结构提供机械性能的最佳平衡。在AHSS的各种显微组织成分中，贝氏体因其独特的强度、韧性和应变硬化潜力的平衡而起着关键作用。它的形成和分布显著影响AHSS的整体力学行为，使其成为先进结构高性能钢开发的关键阶段。[7-11]

贝氏体是一种介于珠光体和马氏体之间的中间组织相，由铁素体板的细小聚集体和分散的渗碳体颗粒组成。该相表现出最优的力学性能平衡，包括高韧性和高的强度，超过珠光体和铁素体组合的组织。因此，贝氏体是各种应用中理想的微观结构，例如轨道部件，装甲系统，汽车结构和运动设备。贝氏体的形成始于贝氏体起始温度（Bs），其范围约为630 ~ 450℃。[9,11,12]鉴于其优越的性能，优化冷却策略和开发预测模型对于降低生产成本，同时确保钢中的目标贝氏体比率分数至关重要。

本研究旨在对连续冷却转变模型进行改进和优化，使其与实验数据更好地吻合，并建立冷却速率的预测框架，以获得特定的贝氏体体积分数。

方法

图2给出了本研究中采用的整体实验模拟方法的示意图。图2显示了实验方法，其中包括使用膨胀测定法和金相学来获得临界转变温度和微观组织相量化，然后将其与模拟得到的临界温度和微观组织相进行比较。然后采用自适应来获得与实验和模拟相分数的良好相关性。本节将描述所使用方法的具体细节。

图2  图表描述了研究的总体方法

实验

所使用的材料是在铸态条件下的工业级AHSS钢，钢的化学成分范围见表1。具体的成分是保密的。在实验分析中，采用Linseis DIL L78 Rita淬火变形膨胀仪对连续冷却过程中的相变行为进行了表征。[13-15]

表1先进高强度钢（AHSS）钢级的化学成分，wt.%

采用Maxiem 0707水射流切割机制备试样，确保精确切割成直径为φ3 mm，长度为10 mm的圆柱形几何形状，符合膨胀测量测试标准。

在事先标定膨胀计的基础上，采用二次奥氏体化循环来增强相均匀性。试样被放置在膨胀计中，并用热电偶进行精确的热监测。然后将其加热到1200℃以获得完全的奥氏体相，然后在1000℃中保温以确保完全的奥氏体化，然后以1℃/秒的控制速率冷却到室温。为了防止氧化和确保热稳定性，加热和冷却过程都在惰性气氛中进行，保持1℃/秒的程序冷却速度。利用MATLAB对膨胀测量数据进行分析，利用位移曲线的一阶导数确定临界点。采用杠杆法则测定贝氏体相比率分数。在完成膨胀测试后，试样在其中间中心取样切片进行金相分析。标准金相程序，包括顺序抛光和与2%的硝酸腐蚀液蚀刻执行。利用光学显微镜对贝氏体相进行了显微组织表征和分析。

仿真与建模

相变的精确模拟和建模需要使用连续-冷却-转变（CCT）和时间-温度-转变（TTT）曲线，这两者对于描述贝氏体形成的动力学至关重要。Johnson-Mehl-Avrami-Kolmogorov（JMAK）方程被广泛用于TTT曲线的建模，它代表了等温条件下相分数演变作为时间的函数。为了从不同冷却速率下的TTT数据中得出CCT图，通过冷却速率的离散化方法应用了Scheil的可加性规则，如公式1所示。本研究使用JMatPro生成AHSS试样的TTT数据点，同时使用MATLAB开发基于机器学习（ML）的TTT模型。具体来说，利用从jmatpro生成的TTT数据中提取的特征，构建了一个神经网络模型。图3是通过JMatPro获取的TTT和CCT图。利用贝氏体相分数分别为1%、10%、50%、90%和100%的时间和温度等关键特征，建立了基于神经网络的时间-温度变换（NN-TTT）模型。神经网络的控制方程，包括输入特征、偏差和激活函数，如公式 2所示。

式中

S为Scheil的和（当S接近1时，认为孕育期完成）；

ti （TTT）为一定等温温度下的孕育期

ΔT_i是时间步长。

式中

X_i是输入特征，

W_i是权重，

B是偏差，

F是激活函数

Y是输出。

图3  由JMatPro获得的时间-温度-转变（TTT）和连续-冷却-变换（CCT）曲线

为了评估ML-TTT模型对未知数据的预测能力，采用均方根误差（RMSE）作为评估指标，确保准确衡量模型的泛化性能。利用神经网络方法来模拟贝氏体转变的动力学，而无需模拟瞬态Avrami系数。因此，利用机器学习方法，可以通过神经网络获得TTT。

自适应ML模型

利用得到的膨胀仪测量数据，利用杠杆原理确定了冷却速度为1℃/s时贝氏体形成的临界转变温度，并随后与由NN-TTT模型导出的模拟CCT图进行了比较。为了增强实验结果与模拟结果的一致性，采用二分法优化对TTT曲线进行了系统调整，以改进CCT曲线。虽然二分法是一种收敛速度相对较慢的优化技术，但它通过迭代地缩小搜索区间，有效地识别出解。该过程从解域中的两个初始边界点x1和x2开始。然后计算中点x3作为第一个迭代值。然后，选择一个新的区间，保证向最优解收敛，迭代重复该过程，直到满足预定义的收敛准则。

结果与讨论

膨胀测定法结果

图4显示了膨胀仪实验得到的结果，阐明了奥氏体分解成不同的相。利用杠杆原理，如图4所示，在1℃/s的冷却速率下得到的贝氏体比率分数为61%，对应的临界转变温度为548.2℃。剩余的显微组织成分包括铁素体（7%）、珠光体（19%）和马氏体（13%）。图5a和5b分别显示了冷却速度为1℃/s时金相学得到的微观组织，以及膨胀测量得到的对应的临界温度和相分数。图5a的显微照片清楚地表明，在1℃/s时，贝氏体为主要相，少量有马氏体和其他相变产物。利用JmatPro软件生成AHSS钢种的TTT图。

图4  AHSS试样的膨胀测量结果，并应用杠杆原理求相比例

图5  1℃/s冷却速率(a)和奥氏体分解(b)的显微照片

神经网络TTT模型

从JMatPro TTT数据点中提取的关键特征用于训练神经网络（NN-TTT）模型。图6给出了JMatPro获得的TTT曲线与NN-TTT模型预测的贝氏体比率分数为1%、50%和99.9%的TTT曲线的对比。结果表明，NN-TTT与JMatPro导出的TTT曲线具有很强的相关性，其决定系数（R2）为0.99，RMSE小于1。RMSE用作评估度量，指示模型对未见数据的预测准确性。在理想的情况下，一个完美的模型会产生零的RMSE。

图6  JMatPro时间-温度-转变（TTT）和基于神经网络的时间-温度-转变（NN-TTT）在贝氏体百分比为1%、50%和99.9%时的对比

由NN-TTT和Scheil可加性法则推导的CCT曲线

利用所开发的NN-TTT模型，可以使用Scheil的可加性规则生成不同冷却速率的CCT图。鉴于本研究的重点是优化AHSS钢中贝氏体形成的表征，因此在数据分析中优先考虑贝氏体相。图7显示了通过NN-TTT获得的CCT，并与JMatPro获得的1%贝氏体相进行了比较。图7显示了使用Scheil可加性规则从NN-TTT模型导出的CCT图与从JMatPro获得的CCT之间的强相关性。

图7  由NN-TTT获得的连续-冷却-转变（CCT） CCT曲线（实线）与来自JMatPro的1%贝氏体（虚线）的对比

模拟CCT动力学对实验数据的适应

目标首先是使用NN-TTT开发一个基于NN-TTT的CCT曲线，与JMatPro密切匹配，其次是优化NN-TTT模型，使其与实验贝氏体转变参考点548.2℃在1℃/秒的冷却速率下一致。虽然JmatPro软件也提供CCT预测，展示了其广泛的计算能力，但要实现相分数的准确预测模型，需要开发一种自适应NN-TTT模型，该模型与实验CCT或膨胀测量数据密切相关。实验确定的临界转变温度作为贝氏体形成对应的CCT曲线的参考点，保证了计算结果与实验结果的一致性。为了实现这一优化，采用对分法对NN-TTT模型进行迭代调整，确保预测的CCT能准确反映实验数据。图8显示了二分法在优化CCT中与实验数据匹配和关联的应用。在1℃/s的冷却速率下，NN-TTT随温度系统地发生位移，直至贝氏体转变温度达到548.2℃。对于每个增量温度变化（ΔT），采用Scheil的可加性规则重新计算CCT曲线。总共进行了5次迭代，最终得到了一条满足收敛准则的CCT曲线，误差阈值为0.01。

图8  应用等分法优化CCT以匹配实验数据点

利用优化后的CCT模型，分别在1℃/s和10℃/s两种不同冷却速率下，以1000℃的奥氏体化温度对连续冷却条件下的相变进行了模拟和预测。图9为冷却模拟的结果。冷却速度为0.1℃/s时，相变几乎完全，得到99.9%的贝氏体。这一结果归因于本研究中的优化专门针对贝氏体的形成，并且所采用的CCT模型专门考虑了贝氏体的转变。因此，其他竞争相的存在，如铁素体和珠光体，可能会随着时间的推移影响贝氏体的演变，特别是在较慢的冷却速度下，如0.1℃/秒。当冷却速率为1℃/s和10℃/s时，贝氏体比率分数分别为58.4%和0.0%。为了验证优化后的CCT模型，在冷却速度为10℃/s的条件下，对AHSS试样进行了膨胀实验。所得到的显微照片如图10所示，证实了一个主要的马氏体结构，证实了CCT模型的预测。

图9  1℃/秒冷却速率(a)和10℃/秒冷却速率(b)使用优化的CCT模拟

图10  用10℃/s的冷却速率对膨胀测量的AHSS试样进行分析，结果显示主要的马氏体结构

优化后的CCT模型进一步用于开发预测框架，以估计达到目标的贝氏体比率分数所需的冷却速率。该模型结合了CCT曲线以及不同的冷却速率，计算了各自的贝氏体百分比。利用MATLAB建立了贝氏体比率分数与冷却速率之间的S型关系。模型中考虑的冷却速率范围为1℃/秒至10℃/秒。通过统计验证指标评估模型的准确性，得出RMSE为2.37，R-平方值为0.98。

导出的相变曲线如图11所示，显示了冷却速率与贝氏体比率分数之间的S型关系。图11显示，当冷却速率超过3℃/秒时，贝氏体的形成下降到1%以下。这种数学表示提供了一种预测模型，用于估计达到目标贝氏体百分比所需的冷却速率。利用这一S型函数，可以有效地量化贝氏体在1℃/s至10℃/s连续冷却条件下的转变行为，确保在AHSS钢热处理过程中精确控制相演变。

图11导出了冷却速率与贝氏体相百分比的关系曲线

结论

在这项研究中，使用JmatPro模拟数据训练的机器学习技术开发了一个NN-TTT模型，将时间、温度和贝氏体比率分数作为关键输入特征。NN-TTT与JmatPro推导的AHSS分级转化动力学表现出很强的一致性，RMSE小于1，决定系数（R2）为0.99。实验验证采用膨胀法进行，控制冷却速度为1℃/秒，允许确定临界贝氏体转变温度。该临界温度可作为NN-TTT适应的参考点，以生成准确表示实验数据的CCT图。

采用对分法自适应，迭代5次后收敛，误差阈值为0.01。优化后的CCT随后被用于建立一个预测框架，该框架能够估计达到目标贝氏体分数所需的冷却速率，并在1℃/秒至10℃/秒的冷却速率范围内证明了可靠的性能。由于本研究的重点是贝氏体转变，未来的工作应该扩展模型框架，纳入更多的转变产物，包括铁素体、珠光体和马氏体。一个全面的多相模型将能够精确控制不同冷却速率下的相分数，促进AHSS热机械加工参数的优化。这些进步将有助于降低生产成本，减少不良相的形成，并在工业应用中提高最终微观结构的机械性能。

（信息来源：唐杰民冶金40年 ）