中心成果展示 | 热轧钢材集成学习系统开发与应用

摘要：东北大学钢铁共性技术协同创新中心（以下简称“中心”）新一轮建设启动以来，紧紧围绕铁矿资源绿色开发利用、低碳炼铁、高效炼钢-连铸、高端特殊钢、先进热轧工艺、先进冷轧工艺、短流程、数字化、汽车用钢九大研发方向，攻克了一系列行业关键共性技术难题，填补了多项行业技术空

世界金属导报

东北大学钢铁共性技术协同创新中心

2024年度成果展示

东北大学钢铁共性技术协同创新中心（以下简称“中心”）新一轮建设启动以来，紧紧围绕铁矿资源绿色开发利用、低碳炼铁、高效炼钢-连铸、高端特殊钢、先进热轧工艺、先进冷轧工艺、短流程、数字化、汽车用钢九大研发方向，攻克了一系列行业关键共性技术难题，填补了多项行业技术空白，建成了多个产业示范基地，实现了多项科技成果转化，引领行业不断向高端化、智能化、绿色化方向发展。为全面展示2024年度中心取得的创新成果，本报特组织该专题，以飨读者。

中心成果展示 | 难选铁矿资源绿色开发利用进展

中心成果展示 | 铁区一体化智能化炼铁技术开发与应用

中心成果展示 | 氢冶金关键技术与装备研发进展

中心成果展示 | 高性能宽厚板绿色制备关键连铸技术开发与应用

中心成果展示 | 绿色智能电弧炉炼钢短流程关键技术开发与应用

中心成果展示 | 电磁旋流及其多级耦合电磁驱动技术研发与应用

中心成果展示 | 特种不锈钢及镍基合金制备关键技术研发与应用

1 研究背景

热轧钢材的综合质量水平是衡量钢铁工业整体技术发展的重要指标。在国家持续科研与技术研发巨大投入的支持下，我国已在热轧钢材力学性能调控、尺寸与形状控制及表面质量优化等领域取得了重要进展。成功开发出以“新一代TMCP”为代表的热轧生产技术，改善了钢材强韧性；引进吸收并创新了自动厚度与宽度控制技术，保证了产品的尺寸精度；开发出的热轧氧化控制技术提升了钢材的表面质量。然而，上述进展属于工业时代技术进步的结晶，具有显著各自为战的独立控制特色，在提升单一性能指标的同时势必牺牲其他质量指标。因此，如何进一步改善热轧钢铁综合质量，决定了我国能否进一步提升产品竞争力、实现高效生产，从而在世界基础原材料竞争之中立于不败之地。

热轧流程是典型多场耦合的钢材成形成性过程。温度与变形的综合作用使轧件内部发生包括元素固溶、微合金元素析出、回复及再结晶软化等一系列复杂的物理冶金学过程。这些组织演变行为不仅决定了产品内部组织结构与力学性能，而且决定了轧件的变形抗力并影响着轧制过程力能参数的变化，是控制产品形状与尺寸精度的核心因素。另一方面，轧制过程中轧件始终暴露在高温与空气环境下，不可避免会发生严重的表面高温氧化。作为轧辊与轧件的界面介质，氧化铁皮厚度的变化可以改变界面摩擦系数，进而对轧制力能参数产生影响。同时，工业生产统计结果表明，产品表面质量缺陷中的70%以上是由于高温氧化行为控制不当引起的。

总之，热轧产品的组织演变、表面氧化行为和力能参数变化呈现强耦合且黑箱状态的特点，只有破解这种难题，才能实现表面质量、力学性能与尺寸精度的协调优化，进而提升产品的综合质量。但传统热轧生产控制技术已无法解决这种复杂非线性系统的强耦合黑箱问题。

2 技术路线和解决方案

项目团队通过热轧工业大数据挖掘，融合轧钢工艺机理及物理冶金机制，开发出综合考虑显微组织演变、氧化铁皮厚度演变、界面摩擦及轧制力变化的热轧钢材集成学习系统，如图1所示。在此基础上，应用多目标优化理论与方法，实现了热轧产品质量综合调控。

在热轧过程中，轧件内部显微组织演变决定了其宏观流变应力。轧制力作为工业生产中可实时、精准检测的关键参数，能够准确反映显微组织变化。以流变应力为桥梁，通过对热轧力能参数工业大数据进行机器学习，可揭示出轧制过程奥氏体再结晶及晶粒形态的演变过程。此外，热轧生产过程中在钢材表面随时生成氧化铁皮，充当轧辊与轧件界面的润滑介质而影响它们的接触状态，进而影响轧件轧制负荷变化。项目团队破解了显微组织、力能载荷、摩擦系数强耦合关系，在精准预测轧件软化行为与摩擦状态的基础上，可精确预报热轧过程轧制力变化，从而有效提升厚度和板形的控制精度。

轧制结束后，热轧钢材需经历加速冷却过程以控制其相变行为。在此期间，形变奥氏体发生诸如铁素体、珠光体、贝氏体及马氏体的连续冷却相变。影响轧件相变行为的主要因素包括：轧后奥氏体组织状态和轧件冷却路径。它们共同作用决定了相变产物、各相比例及晶粒的细化程度。在轧制工艺参数基本不变的前提下，冷却路径将直接决定钢材的相组成进而决定其最终力学性能。快速精准获得连续冷却转变曲线（CCT）有助于制定出正确的冷却路径，实现对热轧钢材性能的精准调控。为此，项目团队在建立不同钢种CCT数据库的基础上，结合物理冶金学原理开发出了动态相变的遗传性机器学习建模方法，实现了不同钢种连续冷却相变曲线的快速生成。

高强钢在冷却阶段发生复杂的相变行为，受冷却路径影响十分敏感。传统方法仅依赖静态数字化数据的建模方法无法充分反映冷却路径波动对产品显微组织及性能的影响，导致预测结果与实际性能间存在显著偏差。为此，项目团队开发出动态深度学习模型，通过引入卷积神经网络不仅有效克服了传统数据驱动机器学习模型在处理非结构化数据时特征丢失问题，还显著提升了对复杂物理现象的多模态信息整合能力，从而能够感知影响钢材最终显微组织与力学性能的各种复杂因素。这一建模方法可自动学习并提取冷却路径对微观结构演变的影响规律，进而精准感知力学性能随工艺参数变化的波动情况。

3 落实产线与实施效果

3.1 1580mm热连轧及连退产线的推广应用

针对某1580mm热连轧及连退产线，以低合金高强钢和IF钢等量大面广的钢种系列为研究对象，以工业大数据为基础，开发集成机器学习系统，并实现系统关键影响因子的自主优化。针对生产的Nb、Nb-Ti微合金钢、IF钢，实现轧制和连退过程组织演变的全流程温度场计算以及奥氏体再结晶行为、相变行为、析出行为精准计算，并以SAPH440、QstE380TM、S420MC、QstE460TM、S500MC、M3A45、M3A21为例实现了组织演变过程的精准预测。针对SAPH440、S420MC、QStE420TM、DC04、DC06、St13等牌号实现力学性能在线预测，针对屈服强度和抗拉强度，有90%以上的钢卷强度预测值与实际值误差在±20MPa以内；针对延伸率，有90%以上的钢卷延伸率预测值与实际值误差在±3%以内。

3.2 2250mm热连轧产线的推广应用

依托某2250mm热连轧产线，通过融合轧钢工艺学、大数据挖掘、人工智能技术，以工业大数据为牵引，通过物理机制及知识学习，开发出热轧钢材集成学习系统，解构了工序、工艺、设备等关键参数与组织结构的复杂关系，实现热轧产品工艺智能设计。通过“初步学习-加强学习-优化学习”的学习策略，通过融合工业大数据驱动和机器学习算法，实现热轧过程再结晶、析出、表面氧化等物理过程的精准解析，实现了包括Q235B、Q420B、600XL和700XL等20余个钢种的性能在线预测，强度预测精度达到±6%，延伸率预测精度在±4%，大幅减少力学性能检验量，提高市场响应能力。此外，实现了热轧氧化行为动态软测量，产品的氧化铁皮厚度和结构预测精度分别达到了±2μm及±10%；在此基础上，开发出了氧化铁皮结构柔性化控制技术，实现了700MPa级别免酸洗钢、SPHC为代表的易酸洗钢系列新品种的开发。

3.3 5500mm宽厚板产线的推广应用

面对新型工业化带来的生产与消费结构改变，宽厚板生产过程所具有的品种结构复杂、小批量订单多等特点更加突出，产生的大量余坯给企业造成了巨大经济损失，而且过多的钢种造成了炼钢工序的复杂化，严重影响了生产效率和产品质量的持续提高。针对上述难题，项目团队依托5500mm宽厚板产线，开发出了针对典型宽厚板产线的热轧钢材集成学习系统，可根据实际生产状态、工艺和环境变化，进行模型自学习，实现模型参数的自动调优，成功的实现了包括A、AH32、AH36、DH36、Q355MD等多个牌号产品力学性能的高精度预测。在此基础上，建立了余坯工艺柔性设计对象库，提出了余坯生产最优组织结构和性能指标的评价函数，开发出智能化匹配寻优算法，建立了余坯“成分-工艺-组织-性能”的预判模型。在综合考虑细晶、析出、位错及相变等强化机制综合作用的基础上，提出了轧制工艺的柔性化设计方法，实现C-Mn、管线、低合金三大类系列钢种跨厚度和跨强度工艺柔性化设计。

3.4 5000mm宽厚板产线的推广应用

近几年，海上风电用钢异军突起，需求量猛增。据权威机构调研，每兆瓦海上风电约使用200吨中厚板，“十四五”海上风电新增装机容量超过44GW，预计中厚板需求量≥880万吨。其中，大厚度（60-150mm）海上风电塔筒和管桩用钢板需求巨大。成分设计上，常规特厚板一般采用高C高Mn+Cr\Ni\Cu等贵金属，以及少量的Nb、V、Ti细化晶粒元素设计，主要通过合金元素的固溶强化和晶粒细化来保证特厚钢板的力学性能。原设计不仅成本偏高，且因特厚连铸板坯合金元素的中心偏析严重，导致特厚板心部性能下降明显，尤其是心部低温冲击韧性难以满足特厚板的性能需求。项目团队针对355-460MPa级别风电用钢，结合5000mm宽厚板生产线特点，采用超低C、N成分路线，对特厚钢板成分体系进行重新设计，提高钢中铌含量，降低碳锰及其它贵金属合金含量，改善特厚板坯中心偏析。在此基础上，结合热轧钢材集成机器学习系统，通过对厚板厚度梯度方向温度及组织分布进行计算，实现60-150mm厚风电用钢轧制工艺设计。批量生产结果表明，355MPa强度级别钢板力学性能合格率为100%，心部冲击一次性能合格率达到98%以上。

4 结语

项目团队综合利用机器学习、深度学习及物理冶金学原理等，融合具有多模态结构的数据，创新性地提出了钢材集成机器学习系统，并已成功应用于我国多条产线。该系统实现轧件显微组织演变、表面氧化行为和轧制力的高精度预测。同时，也为工艺参数优化、新钢种和新工艺开发提供有力支持，进而提高整体生产效率。