目录

●1 概述
1.1 钢材组织性能演变的数字解析与工艺智能优化的研究背景
1.2 钢材组织-性能演变数字孪生系统发展历程
1.3 机器学习应用于材料领域的研究现状
1.3.1 机器学习应用于材料组织演变模拟
1.3.2 机器学习应用于材料合金优化设计
1.3.3 微合金钢物理冶金学行为机器学习存在的问题
1.4 热轧过程中析出与应变、再结晶间的交互作用
1.4.1 析出与应变耦合
1.4.2 析出与静态再结晶耦合
1.4.3 准确描述微合金钢物理冶金学行为存在的问题
1.5 热轧过程表面质量-组织演变-力能参数耦合关系分析
1.5.1 显微组织演变与轧制变形的耦合关系分析
1.5.2 表面氧化与轧制变形的耦合关系分析
1.5.3 破解“组织-氧化-力能”强耦合黑箱状态的难点
1.6 热轧组织性能演变工业软件开发与应用
参考文献
2 钢材组织性能预测的典型实验方法
2.1 单道次压缩实验
2.1.1 动态再结晶数学模型
2.1.2 变形抗力模型
2.2 双道次压缩实验
2.2.1 典型实验方案
2.2.2 实验结果分析
2.2.3 静态再结晶动力学和静态再结晶激活能Qrex的确定
2.3 应力松弛实验
2.3.1 典型实验方法
2.3.2 应力松弛曲线及分析
2.4 连续冷却转变实验
2.4.1 实验材料、设备和实验方案
2.4.2 实验原理
2.4.3 连续冷却转变曲线的绘制
2.4.4 变形对实验钢连续冷却转变曲线的影响
2.4.5 变形对铁素体相变开始温度的影响
2.4.6 冷却速度对相变组织的影响
2.4.7 变形对相变组织的影响
2.4.8 变形和未变形奥氏体相变组织的硬度对比
参考文献
3 热轧钢材奥氏体组织演变和析出模型
3.1 高强度钢奥氏体化过程中的奥氏体晶粒长大及其模型
3.1.1 实验方案
3.1.2 奥氏体晶粒长大及其分布结果和讨论
3.2 机器学习微合金钢动态再结晶行为
3.2.1 预测动态再结晶行为的机器学习模型的开发
3.2.2 动态再结晶行为的机器学习模型预测结果与分析
3.3 机器学习微合金钢应变诱导析出行为
3.3.1 应变诱导析出行为的机器学习模型开发
3.3.2 应变诱导析出行为的机器学习模型预测结果与分析
3.4 基于回复.析出一再结晶交互作用的静态软化行为机器学习
3.4.1 静态软化分数的计算
3.4.2 基于回复一析出.再结晶交互作用的静态软化行为机器学习模型开发
3.4.3 静态软化行为的机器学习模型预测结果与分析
参考文献
4 热轧过程“组织-氧化-力能”的集成机器学习模型研究
4.1 引言
4.2 “组织-氧化-力能”的集成机器学习模型开发
4.2.1 破解“组织-氧化-力能”强耦合黑箱状态的难点
4.2.2 数据集构建及数据特征分析
4.2.3 破解“组织-氧化-力能”强耦合黑箱状态的集成机器学习方法
4.3 集成机器学习模型结果分析
4.4 “组织-氧化-力能”耦合状态的机器学习结果分析
4.4.1 “组织-力能”耦合状态的机器学习结果分析
4.4.2 “氧化-力能”耦合状态的机器学习结果分析
参考文献
5 “形核-长大”机制下的变温相变动力学可加性法则及机器学习求解方法
5.1 研究背景
5.1.1 等温相变理论
5.1.2 变温相变理论
5.2 广义可加性法则的理论模型推导
5.2.1 不同相变机制下的相变速率模型
5.2.2 不同相变机制下的长大速率模型
5.2.3 广义可加性法则的解析模型
5.3 基于广义可加性法则的相变动力学的数据驱动解
5.3.1 铁素体相变数据集构建
5.3.2 珠光体相变数据集构建
5.3.3 相变动力学方程的数据驱动求解方法
5.4 实验验证与结果分析
5.4.1 铁素体相变动力学分析
5.4.2 珠光体相变动力学分析
5.4.3 不同相变可加性法则的对比
5.4.4 扩散型相变的广义等动力学条件
参考文献
6 钢材生产工业大数据的挖掘技术
6.1 工业大数据平台的建立
6.1.1 数据采集
6.1.2 数据库的建立
6.2 工业数据建模存在问题及数据挖掘方法
6.2.1 工业数据建模存在的问题
6.2.2 工业大数据挖掘方法
6.3 机器学习建模方法
6.3.1 集成学习算法
6.3.2 神经网络
6.4 数据挖掘在建模过程中的典型应用
6.4.1 数据平台的搭建
6.4.2 数据处理
6.4.3 模型建立与分析
参考文献
7 人工智能算法在组织性能预测中的应用
7.1 大数据驱动的物理冶金学模型
7.1.1 大数据驱动的物理冶金学模型概述
7.1.2 大数据驱动的物理冶金学模型

7.1.3 模型预测结果讨论

……