冷轧钢板和冷轧钢板的制造方法
    2.
    发明公开

    公开(公告)号:CN117043374A

    公开(公告)日:2023-11-10

    申请号:CN202280020985.7

    申请日:2022-03-29

    Abstract: 本发明提供一种冲裁性优异的冷轧钢板。一种冷轧钢板,具有规定的成分组成,并且,具有如下钢组织:铁素体的平均粒径为10μm以下,存在于铁素体晶界的渗碳体的平均粒径为5μm以下,存在于铁素体晶粒内包含Nb、Ti、V中的至少一个的NaCl型碳化物的平均粒径为0.5μm以下,并且上述NaCl型碳化物的平均间隔为710nm以下。

    材料特性值预测系统及金属板的制造方法

    公开(公告)号:CN116056813A

    公开(公告)日:2023-05-02

    申请号:CN202180061689.7

    申请日:2021-08-16

    Abstract: 本发明提供一种能够高精度地预测材料特性值的材料特性值预测系统。并且,提供一种能够基于该材料特性值预测系统所预测的材料特性值而适当地变更后续工序的制造条件,从而使产品的成品率提升的金属板的制造方法。材料特性值预测系统(100)具备材料特性值预测部,该材料特性值预测部取得包括制造金属板的设备的设备输出因素、干扰因素以及制造中的金属板的成分值在内的输入数据,使用被输入输入数据的预测模型,预测被制造的金属板的材料特性值,预测模型包括:机器学习模型,被输入输入数据并输出制造条件因素,该机器学习模型通过机器学习而生成;和金属学模型,被输入制造条件因素并输出材料特性值。

    高强度钢板及其制造方法

    公开(公告)号:CN115087754B

    公开(公告)日:2023-09-22

    申请号:CN202080096035.3

    申请日:2020-12-25

    Abstract: 本发明的目的在于提供一种具有1180MPa以上的拉伸强度且具有良好的弯曲加工性且在焊接时不易产生液体金属脆化的高强度钢板及其制造方法。一种高强度钢板,具有规定的成分组成,钢组织是铁素体的面积率为5%以下,马氏体的面积率为2%~10%,贝氏体的面积率为5%~37%,回火马氏体的面积率为42%~65%,残留奥氏体的体积率为3%~15%,铁素体和贝氏体的平均粒径为3μm以下,从钢板表面起向板厚方向50μm的区域的、旧奥氏体晶粒的平均粒径为10μm以下,旧奥氏体晶粒的板厚方向的平均粒径为轧制方向的平均粒径的0.9以下,旧奥氏体晶粒的晶界的80%以下是方位差为15°以上的大角晶界,从钢板表面起向板厚方向200μm的区域的、析出物的平均粒径为1.0μm以下,旧奥氏体晶粒的平均粒径为15μm以下,旧奥氏体晶粒的板厚方向的平均粒径为轧制方向的平均粒径的0.9以下,拉伸强度为1180MPa以上。

    高强度钢板及其制造方法

    公开(公告)号:CN115087754A

    公开(公告)日:2022-09-20

    申请号:CN202080096035.3

    申请日:2020-12-25

    Abstract: 本发明的目的在于提供一种具有1180MPa以上的拉伸强度且具有良好的弯曲加工性且在焊接时不易产生液体金属脆化的高强度钢板及其制造方法。一种高强度钢板,具有规定的成分组成,钢组织是铁素体的面积率为5%以下,马氏体的面积率为2%~10%,贝氏体的面积率为5%~37%,回火马氏体的面积率为42%~65%,残留奥氏体的体积率为3%~15%,铁素体和贝氏体的平均粒径为3μm以下,从钢板表面起向板厚方向50μm的区域的、旧奥氏体晶粒的平均粒径为10μm以下,旧奥氏体晶粒的板厚方向的平均粒径为轧制方向的平均粒径的0.9以下,旧奥氏体晶粒的晶界的80%以下是方位差为15°以上的大角晶界,从钢板表面起向板厚方向200μm的区域的、析出物的平均粒径为1.0μm以下,旧奥氏体晶粒的平均粒径为15μm以下,旧奥氏体晶粒的板厚方向的平均粒径为轧制方向的平均粒径的0.9以下,拉伸强度为1180MPa以上。

    钢带及其制造方法
    7.
    发明公开

    公开(公告)号:CN116057189A

    公开(公告)日:2023-05-02

    申请号:CN202180062243.6

    申请日:2021-08-16

    Abstract: 提供可提供精度高的材质信息的钢带及其制造方法。钢带(9)包括提供材质信息的介质,该材质信息包括将长度方向及宽度方向的二维方向上的位置与材料特性值建立了关联的材质分布。材质信息使用输入包括制造钢带的设备的设备输出因子、干扰因子以及制造中的钢带的成分值的输入数据的预测模型来预测,预测模型包括:输入输入数据来输出制造条件因子的、通过机器学习而生成的机器学习模型;和输入制造条件因子来输出材料特性值的金属学模型。

Patent Agency Ranking