-
公开(公告)号：CN113857448A
公开(公告)日：2021-12-31
申请号：CN202111438770.0
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: B22D11/111 , C22C38/02 , C22C38/04 , C22C38/06 , C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/34 , C22C38/38
Abstract: 本发明涉及钢铁冶炼和铸造技术领域，具体涉及一种低碱度免涂层热成形钢连铸用保护渣。本发明的保护渣用于一种免涂层高Cr‑Si的热成形钢，该钢种的气隙和坯壳不均匀等问题相比普通钢种更加严重。本发明提供一种具有均匀传热和良好润滑的用于该钢种连铸用的低碱度保护渣，既满足裂纹敏感性钢种连铸保护渣传热和润滑性能，减少空气和水中的氟含量，减少污染降低含氟水对设备的腐蚀，并且不采用价格较高的Li2O，B2O3等成分，造价较低，节约使用成本。
-
公开(公告)号：CN110396633B
公开(公告)日：2020-11-27
申请号：CN201910420629.4
申请日：2019-05-20
Applicant: 东北大学
Abstract: 本发明公开了一种超细晶双峰组织中熵合金的制备方法，包括：1)选取CoCrNi中熵合金，其Co、Cr及Ni的原子百分比为1:1:1；2)热轧：将1)步中的中熵合金加热至880～900℃，进行多道次热轧，总变形量为50～60％，热轧后淬火至室温；3)冷轧：将热轧后的中熵合金进行深冷轧，冷轧轧制温度为‑75～‑70℃，总变形量为60～70％，冷轧后放置室温；4)退火：将冷轧后的中熵合金板材放入加热炉中，加热至780～820℃，保温120～150min后淬火至室温。本发明提供的制备方法，在无相变条件下，使最终产品获得微米与纳米双峰晶粒尺寸的分布特征。
-
公开(公告)号：CN113033106B
公开(公告)日：2023-09-19
申请号：CN202110368798.5
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02 , G06F119/14
Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。
-
公开(公告)号：CN113032909B
公开(公告)日：2023-09-05
申请号：CN202110368791.3
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/15 , G06F30/17 , G06F30/27 , G06F119/14 , G06F119/22
Abstract: 本发明提供一种分子动力学指导的机器学习的激光制孔结果预测方法，涉及激光制孔和机器学习应用技术领域。本发明应用分子动力学微观物理模型指导的支持向量回归(SVR‑MD)建立起飞秒激光制孔工艺参数与目标性能之间的关系，形成了完整的飞秒激光制孔效率及质量的预测平台。通过将与目标性能高度相关的微观物理参量添加数据集中，参与模型训练及设计过程，使机器学习过程富有物理意义，相比于单纯的机器学习模型，分子动力学指导下的机器学习预测精度更高，成功构建了飞秒激光在金属镍靶材上冲击制孔效率及质量的预测模型。
-
公开(公告)号：CN116426846A
公开(公告)日：2023-07-14
申请号：CN202310476749.2
申请日：2023-04-28
Applicant: 东北大学
IPC: C22C38/52 , C22C38/44 , C22C38/46 , C22C38/06 , C22C33/04 , C21D1/28 , C21D1/26 , C21D6/00 , C21D1/18 , C21D6/04
Abstract: 本发明提供一种复相析出的2.4GPa含铝高钴镍二次硬化钢及其制备方法，属于合金钢技术领域。这种基于性能优良的二次硬化型超高强度钢，在目前的高钴镍二次硬化钢M54合金成分基础上，加入1％的Al元素以引入能带来显著析出强化效果的纳米级NiAl相，实现与M2C碳化物的复相析出，以复合析出强化的方式达到高的屈服强度和抗拉强度，其制备方法拓宽了其回火热处理窗口，一次回火在所述温度范围内可任意选择，两种析出相的峰时效都在这个温度范围内，温度更高或更低都会严重削弱析出强化效果，最终的强度均可达到2400MPa，第二次回火使析出相强化作用更稳定，强塑性匹配更好，一定程度上解决了单一析出相对过时效敏感的问题。
-
Patent Agency Ranking
公开(公告)号：CN111915603B
公开(公告)日：2023-07-11
申请号：CN202010816633.5
申请日：2020-08-14
Applicant: 东北大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464 , G06T3/40
Abstract: 本发明提供一种含噪声EBSD数据中无噪声相图的人工智能预测方法，涉及EBSD数据处理及人工智能应用技术领域。通过深度学习方法建立EBSD的Band Contrast map(BC图)与phase map(相图)之间的对应关系。为使模型可以通过输入含噪声的BC图预测其对应的无噪声相图，模型训练时将噪声人工引入到训练数据中，应用深度学习建立起噪声BC图像与无噪声相图之间的关系。该方法大幅提升了EBSD噪声数据的可利用价值，相比于EBSD处理软件，该方法预测的相图具有更高的精度。基于此模型可以通过输入含噪声BC图像直接预测得到无噪声的相图，使低质量高噪声的EBSD数据具有更高的可利用价值，提升了EBSD方法对于噪声的鲁棒性，降低了由于噪声造成无效数据带来的时间和经济损失。
-
公开(公告)号：CN113033106A
公开(公告)日：2021-06-25
申请号：CN202110368798.5
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F30/27 , G06F119/02 , G06F119/14
Abstract: 本发明提供一种基于EBSD与深度学习方法的钢铁材料性能预测方法，涉及钢铁材料性能预测和深度学习应用技术领域。本发明以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。以EBSD的BC图为基础，利用深度学习方法卷积神经网络Convolutional Neural Network(CNN)建立钢铁材料组织(BC图)与性能间的对应关系，实现钢铁材料的性能预测。
-
公开(公告)号：CN110442954A
公开(公告)日：2019-11-12
申请号：CN201910698771.5
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理冶金学指导下机器学习的超高强不锈钢设计方法，涉及钢铁材料设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得超高强不锈钢，对不锈钢的成分及热处理条件进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、硬度。该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。
-
公开(公告)号：CN110428876A
公开(公告)日：2019-11-08
申请号：CN201910698739.7
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的支持向量机模型；将基于物理冶金学指导的支持向量机模型的相关系数大于90％的作为遗传算法中的目标函数；得到优化后的成分、工艺及最佳目标性能的材料；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、目标性能。本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理。
-
公开(公告)号：CN110415769A
公开(公告)日：2019-11-05
申请号：CN201910698854.4
申请日：2019-07-31
Applicant: 东北大学 , 本钢板材股份有限公司
Abstract: 本发明提供一种基于物理冶金学指导下机器学习的低活化钢的设计方法，涉及材料计算设计技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的集成学习算法模型；将集成学习算法模型的相关系数大于90％的作为遗传算法中的目标函数；遗传算法被用于优化设计成分及工艺获得最佳强度的低活化钢，对低活化钢的成分及工艺进行设计；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、屈服强度。该方法使基于统计学的机器学习富有了物理冶金学含义，并且该方法可以提升模型泛化能力，使设计更为高效，设计结果更加符合物理冶金学原理。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.02 seconds)
