2024年度成果展示
自东北大学钢铁共性技术协同创新中心（以下简称“中心”）启动新一轮建设以来，该中心始终紧密围绕铁矿资源的绿色开发与利用、低碳炼铁、高效炼钢及连铸、高端特殊钢生产、先进热轧及冷轧工艺、短流程生产、数字化技术、汽车用钢等九大研发领域，成功攻克了一系列行业内的关键共性技术难题，填补了多个技术领域的空白，并建成了多个产业示范基地。此外，中心还实现了多项科技成果的转化，推动行业持续向高端化、智能化、绿色化方向迈进。为了全面呈现2024年度中心所获得的创新成就，本报刊特此策划了这一专题，旨在奉献给广大读者。
1 研究背景
热轧钢材的整体质量状况被视为评估钢铁工业技术水平全面发展的关键标准。得益于国家在科研和技术研发方面的持续巨额投入，我国在热轧钢材的力学性能调控、尺寸和形状控制以及表面质量优化等方面实现了显著的成就。成功研发了以“新一代TMCP”为核心的热轧生产技术，从而提升了钢材的强度和韧性；同时，引进并消化吸收了自动厚度与宽度控制技术，确保了产品尺寸的精确度；此外，开发的热轧氧化控制技术也显著提高了钢材的表面品质。然而特殊钢材热轧，这些成就虽是工业时代技术进步的成果，却各自独立控制，具有明显的单一性能提升特点，在强化某一性能指标的过程中，不可避免地会影响到其他质量指标。因此，我国能否在热轧钢铁的综合质量上实现进一步的提升，直接关系到我们能否增强产品的市场竞争力，并实现生产的高效率，进而确保在全球基础原材料市场的竞争中始终占据优势地位。
热轧工艺属于一种典型的多场耦合钢材成形与性能形成过程。在这个过程中，温度和变形的综合影响导致轧制材料内部发生了一系列复杂的物理冶金学变化，如元素固溶、微合金元素析出、回复和再结晶软化等。这些组织结构的演变不仅直接决定了产品的内部组织结构和力学性能，还影响了轧件的变形抗力，进而作用于轧制过程中的力能参数变化。因此，它们是确保产品形状和尺寸精度控制的关键要素。另一方面，在轧制作业中，轧件持续暴露于高温及空气中，因而不可避免地会出现表面高温氧化现象。氧化铁皮的厚度变化，作为轧辊与轧件接触面的介质，能够调整界面摩擦系数，从而对轧制过程中的力能参数产生作用。此外，根据工业生产的统计数据，超过70%的产品表面质量缺陷，其根源在于高温氧化控制不当。
总体来看，热轧产品的微观结构变化、表面氧化过程以及力学性能参数的调整均表现出紧密的相互关联性和难以直接观测的特性。要想达到表面质量、力学性能和尺寸精度的同步提升，就必须攻克这一难题。然而，现有的传统热轧生产控制手段已不足以应对这种复杂且非线性的强耦合黑箱问题。
2 技术路线和解决方案
项目团队借助热轧工业大数据分析，结合轧制工艺原理和物理冶金原理，成功研制了一款集成了微观组织演变、氧化铁皮厚度变化、界面摩擦和轧制力变化等因素的热轧钢材集成学习系统，具体如图1所示。在此基础上，通过运用多目标优化理论和相关方法，项目团队实现了对热轧产品质量的全面调控。
在热轧作业中，轧制件内部的微观结构变化直接影响了其宏观上的流变应力。作为工业生产中一个可以实时且精确监测的关键指标，轧制力能够精确地展现出微观结构的变化。借助流变应力这一纽带，通过对热轧过程中的力能参数所涉及的工业大数据实施机器学习分析，我们能够揭示出奥氏体再结晶以及晶粒形态在轧制过程中的演变轨迹。此外，在热轧生产环节，钢材表面不断产生氧化铁皮，这种物质作为轧辊与轧件接触面之间的润滑剂，从而改变它们的接触状况，进而对轧件的轧制负荷产生变化。项目团队成功解析了显微组织、力能载荷、摩擦系数三者之间的紧密联系，基于对轧件软化行为和摩擦状态的精确预测，能够准确预知热轧过程中的轧制力变化，进而显著提高对厚度和板形的控制精度。
轧制作业完成后，热轧钢材必须经过一个快速降温阶段，这一步骤旨在调节其相变过程。在这一阶段，原本的变形奥氏体会经历铁素体、珠光体、贝氏体和马氏体等连续的冷却相变。影响轧制产品相变特性的关键因素主要有：轧制后的奥氏体组织结构和轧材的冷却路径。这两个因素相互作用，共同决定了相变产物的种类、各相的占比以及晶粒的细化程度。在轧制工艺参数保持稳定的情况下，冷却流程的设定将直接影响钢材的相变结构，从而进一步影响其最终的力学特性。通过快速准确地获取连续冷却转变曲线（CCT），我们可以有效地确定合适的冷却路径，实现对热轧钢材性能的精确控制。为此，项目团队在构建了涵盖多种钢种的CCT（连续冷却转变）数据库之后，依托物理冶金学的理论，成功研发了一套用于动态相变的遗传算法机器学习模型，从而能够迅速生成各类钢种的连续冷却相变曲线。
高强钢在冷却过程中会经历一系列复杂的相变反应，这一过程对冷却路径的改变极为敏感。传统的建模手段主要依赖于静态的数字化数据，这种做法难以全面体现冷却路径的波动对产品微观结构和性能可能产生的影响，因而预测结果与实际性能之间往往存在较大的差异。为此，项目团队精心研发了一种新型的动态深度学习模型。该模型通过引入卷积神经网络技术，不仅成功解决了传统数据驱动机器学习模型在处理非结构化数据时容易出现的特征丢失问题，而且极大地增强了对于复杂物理现象的多模态信息整合能力。这使得模型能够全面感知并分析影响钢材最终显微组织与力学性能的众多复杂因素。此建模技术能够自主地学习并挖掘冷却过程对微观结构变化规律的关联，从而实现对力学性能因工艺参数变动而产生的波动状态的精确识别。
3 落实产线与实施效果
3.1 热连轧及连退产线的推广应用
针对特定热连轧及连退生产线，选取了低合金高强度钢以及IF钢等广泛应用的钢种系列作为研究重点，依托工业大数据资源，构建了集成的机器学习系统，同时实现了该系统关键影响因素的自动优化。对生产的Nb、Nb-Ti微合金钢和IF钢，我们实现了轧制与连续退火过程中组织结构演变的全流程温度场模拟，并对奥氏体再结晶、相变以及析出行为进行了精确的计算。此外，我们还以M3A45、M3A21等型号为例，成功预测了其组织演变的具体过程。对DC04、DC06、St13等型号钢材进行力学性能的实时预测，在屈服强度和抗拉强度方面，预测的钢卷强度值与实际值之间的误差控制在±20MPa以内，超过90%；而在延伸率方面，预测的钢卷延伸率值与实际值之间的误差则保持在±3%以内，同样超过90%。
3.2 热连轧产线的推广应用
借助该热连轧生产线，结合轧钢工艺学、大数据分析以及人工智能技术，以工业大数据为动力，借助物理原理和知识学习，成功研发了热轧钢材的集成学习系统。该系统深入解析了工序、工艺、设备等关键参数与组织结构之间的复杂联系，从而实现了热轧产品工艺的智能化设计。采用“基础学习、深化学习、精炼学习”的学习路径，结合工业大数据的驱动力量与机器学习技术，对热轧过程中的再结晶、析出、表面氧化等物理现象进行了精确分析，成功实现了对Q235B、Q420B、600XL以及700XL等20多种钢材性能的实时预测。强度预测的准确率可达±6%，延伸率预测的准确率在±4%之间，有效降低了力学性能检测的工作量，并显著提升了市场反应速度。除此之外，成功实现了热轧氧化行为的动态软测量技术，使得产品的氧化铁皮厚度预测的准确性达到了±2微米，结构预测的精度也达到了±10%；在此基础上，进一步研发了氧化铁皮结构的柔性化控制技术，并成功推出了免酸洗钢、SPHC等易酸洗钢系列的新品种。
3.3 宽厚板产线的推广应用
新型工业化的发展导致了生产与消费结构的变革，这使得宽厚板生产在品种结构上显得尤为复杂，且小批量订单数量众多。这些特点使得产生的余坯数量庞大，给企业带来了巨大的经济损失。同时，钢种繁多也使得炼钢工序变得更加复杂，这不仅严重影响了生产效率，还阻碍了产品质量的持续提升。面对这一挑战，项目组利用宽厚板生产线，成功研发了一套适用于典型宽厚板生产线的热轧钢材综合学习系统。该系统能够根据生产实际情况、工艺流程以及环境条件的变化，自主进行模型学习，并对模型参数进行自动优化调整。通过这一创新，项目组成功实现了对A、AH32、AH36、DH36等多个牌号产品力学性能的高精度预测。在此背景下，构建了余坯工艺的柔性设计数据库，并确立了余坯生产的最优组织形式及性能指标评估的函数模型，同时研发了智能化的匹配与优化算法特殊钢材热轧，并形成了对余坯“成分、工艺、组织、性能”的预测模型。在全面评估细晶强化、析出强化、位错强化以及相变强化等多种强化机制相互作用的背景下，创新性地提出了一种轧制工艺的柔性化设计方案，此方案成功实现了C-Mn、管线钢、低合金钢等三大系列钢种在厚度和强度方面的工艺柔性化设计。
3.4 宽厚板产线的推广应用
近年来，海上风电领域的用钢需求迅猛增长，呈现出强劲的发展势头。根据相关权威机构的调查分析，每兆瓦的海上风电项目大约需要消耗200吨的中厚钢板。在“十四五”规划期间，海上风电新增的装机容量预计将超过44吉瓦，这预示着中厚钢板的需求量将不少于880万吨。尤其是对于大厚度（60-150毫米）的海上风电塔筒和管桩用钢板，其需求量尤为巨大。在成分设计方面，常规特厚板通常选用高碳、高锰、铬、镍、铜等贵重金属，并加入少量的铌、钒、钛等晶粒细化元素，这些设计旨在通过合金元素的固溶强化和晶粒细化手段，确保特厚钢板的力学性能得到有效保障。原设计不仅费用较高，而且由于特厚连铸板坯合金元素在中心部分发生严重偏析，这直接导致了特厚板心部的性能显著降低，特别是在低温冲击韧性方面，难以达到特厚板所需的标准。项目组对355级风电用钢进行了研究，并针对宽厚板生产线的特性，选用了极低C、N含量的路径，对特厚钢板的成分体系进行了重新规划。他们提升了钢中铌的含量，同时减少了碳锰以及其他贵金属合金的比例，以此改善了特厚板坯的中心偏析状况。在此前提下，借助热轧钢材集成机器学习系统，我们计算了厚板厚度梯度方向上的温度和组织分布，成功实现了60至150毫米厚风电用钢的轧制工艺设计。大量生产数据表明，强度等级钢板力学性能的合格率达到了100%，而中心部位的冲击一次性能合格率更是超过了98%。
4 结语
项目团队巧妙结合了机器学习、深度学习以及物理冶金学的理论，整合了具备多元结构的数据，独创性地研发了一套钢材综合机器学习系统，并且该系统已在我国众多生产线中得到实际应用。此系统能够对轧制件的微观组织变化、表面氧化现象以及轧制力度进行高精度的预测。此外，它还为工艺参数的优化、新型钢材及新工艺的研发提供了强有力的支撑，从而显著提升了整体的生产效率。
《世界金属导报》
2025年第10期 B05
