-
公开(公告)号：CN114130842A
公开(公告)日：2022-03-04
申请号：CN202111428573.0
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: B21B45/06 , B21B45/02 , C22C38/02 , C22C38/04 , C22C38/06 , C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/34 , C22C38/38 , C23G1/08
Abstract: 本发明属于金属材料加工技术领域，具体涉及一种高Cr‑Si合金化1000‑1800MPa级热成形钢氧化皮去除方法。高Cr‑Si合金化1000～1800MPa级热轧免镀层热成形用钢因为添加大量Cr、Si等合金元素提高淬透性和抗氧化性能，通过热轧方式制备的该钢种的带钢表面氧化皮更为致密，氧化皮与基体结合更为紧密，导致热轧后的氧化皮去除难度较大，同时在规避Al‑Si涂层的前提下，只是采用常规酸洗工艺难以达到后续热成形对氧化皮厚度的控制要求。针对这些问题，本发明提供一种盐酸酸洗和EPS处理相结合的氧化皮去除工艺，在无Al‑Si涂层的前提下,可完全满足后续热成形对氧化皮厚度的控制要求。
-
公开(公告)号：CN113846272B
公开(公告)日：2022-03-01
申请号：CN202111428574.5
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/02 , C22C38/04 , C22C38/06 , C22C38/38 , C22C38/28 , C22C38/34 , C22C38/26 , C22C38/24 , C22C38/20 , C21D8/04 , C21D1/26 , C21D1/74 , C23G1/08 , B21C37/02
Abstract: 本发明属于金属加工技术领域，具体涉及一种1700MPa级高Cr‑Si薄规格热成形钢的热轧制备方法。针对现有技术中存在的热成形用钢板需要加入冷轧才能制备，需要镀层才能进行热成形的问题，本发明提供一种低成本的1700MPa级高Cr‑Si合金化免镀层热成形钢，且提出了具有该成分的薄规格免镀层热成形钢的热轧制备方法。本发明的热成形钢制备工艺简单、成本低，制成的热成形钢组织均匀、力学性能和抗高温氧化性能优异。
-
公开(公告)号：CN114032473A
公开(公告)日：2022-02-11
申请号：CN202111438757.5
申请日：2021-11-29
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: C22C38/20 , C22C38/24 , C22C38/26 , C22C38/28 , C22C38/34 , C22C38/38 , C21C5/28 , C21C7/00 , C21C7/06 , C22C33/04
Abstract: 本发明属于钢铁冶炼铸造技术领域，具体涉及一种免涂层热成形钢的合金加入方法。针对免涂层热成形钢钢种要求的含硅、锰和铬合金加入量较大的问题，通过合理匹配转炉炼钢在钢包合金加入和精炼LF炉合金加入两种方式，达到准确控制用于免涂层热成形钢合金成分的目的。采用转炉和精炼LF钢包炉两工序中进行一次合金化和二次合金化，完成该钢种合金化的过程，优化其合金的加入配比关系，达到准确控制该牌号的成分。同时也能提高合金收得率，节约了成本。
-
公开(公告)号：CN111915603A
公开(公告)日：2020-11-10
申请号：CN202010816633.5
申请日：2020-08-14
Applicant: 东北大学
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：CN111915602A
公开(公告)日：2020-11-10
申请号：CN202010816423.6
申请日：2020-08-14
Applicant: 东北大学
Abstract: 本发明提供一种结合EBSD与深度学习方法的钢铁材料组织定量化方法，涉及钢铁材料显微组织识别和深度学习应用技术领域。相比于传统基于深度学习的显微组织识别方法，本方法由于高质量数据集的建立进而提高了显微组织识别模型的精度，并且使得基于深度学习的图像识别方法可以应用到具有复杂显微组织的实际工程钢种，大幅提升此类方法的实际应用价值。基于EBSD方法可以准确标定复杂显微组织，从而使得深度学习显微组织鉴别方法可以应用至含有十分复杂显微组织的实际工程钢种，大幅提升深度学习方法的实际应用价值。除此之外，当前图像识别模型建立起SEM与EBSD之间的关联，训练后的模型可以通过数据简单的SEM图像便可获得EBSD“相图”。
-
Patent Agency Ranking
公开(公告)号：CN110273095A
公开(公告)日：2019-09-24
申请号：CN201910232105.2
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供了一种抗拉强度1.5GPa中熵合金的制备方法，其步骤包括：选取CoCrNi三元中熵合金作坯料，其Co、Cr及Ni原子百分比为1：1：1；将坯料加热轧制成4～12mm的板材，然后空冷至室温；将空冷后的板材在加热炉中加热，保温，然后淬火至室温，再在-50℃的温度下进行冷轧，总变形量为75％，得到厚度为1～3mm的板材；将1～3mm板材在退火炉中加热，保温，然后淬火至室温，得到抗拉强度1.5GPa的中熵合金。本发明提供的一种抗拉强度1.5GPa中熵合金的制备方法，制得的中熵合金具有高强度与高塑性。
-
公开(公告)号：CN104238483A
公开(公告)日：2014-12-24
申请号：CN201310723376.0
申请日：2013-12-23
IPC: G05B19/418
Abstract: 本发明涉及一种基于钢铁生产工况的高炉煤气产生量和消耗量标定方法，为冶金行业煤气平衡、动态预测、优化调度等方面提供计算方法和数据支持，属于钢铁行业煤气监测和煤气平衡技术领域。本发明利用小波技术将高炉煤气发生量和消耗量历史数据分离出趋势数据和波动数据，然后对提取的趋势数据结合实际生产工况进行高炉煤气产生量和消耗量标定。本发明与现有方法相比，其具有准确评价、预测高炉煤气产生量和消耗量指标，为煤气调度人员提供煤气供需数据，提高煤气利用效率，减少煤气放散，实现节能减排。
-
公开(公告)号：CN118692583B
公开(公告)日：2024-11-22
申请号：CN202411163823.6
申请日：2024-08-23
Applicant: 中国科学院金属研究所 , 东北大学
Abstract: 本发明提供一种计算合金冶炼过程中稀土元素蒸发损耗量的方法，涉及稀土微合金化合金制备技术领域，包括以下步骤：步骤1）计算合金冶炼过程中合金熔液与冶炼设备内气体接触的表面积S；步骤2）计算第i个时间微元dt内稀土元素j的挥发速率Vj；步骤3）根据合金熔液与冶炼设备内气体接触的表面积S及稀土元素的挥发速率Vj，计算第i个时间微元dt内稀土元素的损耗量dmi：步骤4）根据时间微元dt内稀土元素的损耗量dmi，计算冶炼时间t内稀土元素的损耗量Δm。本发明通过引用元素蒸发以及熔体质量控制理论的Langmuir动力学计算法则，考虑稀土元素的挥发随时间变化，定量计算稀土元素在高温冶炼合金过程中的蒸发损耗量。
-
公开(公告)号：CN116904802A
公开(公告)日：2023-10-20
申请号：CN202310872889.1
申请日：2023-07-17
Applicant: 东北大学
Abstract: 本发明提供一种低裂纹敏感性的增材适用镍基高温合金及制备方法，属于增材制造镍基高温合金技术领域，本发明的方案为：以重量百分比计，所述增材制造镍基高温合金的化学成分如下：Al 6.0‑6.5wt%、Co 14.4‑14.8wt%、Cr 5.6‑6.0wt%、Mo 0.01‑0.05wt%、Ta 0.8‑1.5wt%、Ti 0.01‑0.05wt%、W 2.1‑2.5wt%、C 0.1‑0.3wt%、B 0.01‑0.1wt%、Nb 2.0‑2.5wt%、余量为Ni。本发明提供一种在增材加工条件下不出现微裂纹，具有低孔洞缺陷，具有高温性能、良好组织稳定性的增材制造镍基高温合金。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.028 seconds)
