關鍵鋼鐵材料的智慧研發路線

尚成嘉 ，王華 ，黃松 ，趙坦 ，王靜靚 ，李秀程 ，謝振家 ，王學林 ，3

（1.海洋裝備用金屬材料及其應用國家重點實驗室，遼寧 鞍山 114009；2.北京科技大學鋼鐵共性技術協同創新中心，北京 100083；3.材料科學與技術廣東實驗室陽江分中心（陽江合金材料實驗室），廣東 陽江 529500；4.鞍鋼股份有限公司，遼寧 鞍山 114021）

目前，中國鋼鐵產能和產量已居世界第一，鋼鐵材料品種相當齊全。特別是近20多年來，國內鋼鐵行業幾乎涉獵了所有領域，產品涵蓋了所有門類，國內市場占有率達97%以上，還有適當數量出口。近期，中國工程院針對國內國民經濟建設和未來發展需求，完成了“新材料強國2035戰略研究”，其中梳理了作為基礎原材料之一的鋼鐵材料的中長期發展戰略。預計到2035年，中國將進入世界領先行列。在高牌號無取向和取向硅鋼、高強度汽車板、高強高韌性板、發電用高壓鍋爐管、高性能齒輪鋼和軸承鋼、高速重載鐵路用車輪和車軸鋼等高附加值鋼材方面的自給率能夠提高到90%；鋼材品種能滿足下游行業升級要求，產品質量總體達世界先進水平，高強度、長壽命、耐腐蝕、耐候鋼材消費比例增加。

在發展綠色化、低成本、高質量量大面廣的常規鋼鐵材料的同時，重點要突破先進鋼鐵材料的創新研發能力，為中國未來建設的重大工程、重大裝備提供性能優越、質量穩定的關鍵鋼鐵材料是鋼鐵產業未來的重要任務。為了實現鋼鐵強國戰略目標，還應在鋼鐵材料基礎研究、制造核心技術、產品服役安全評價等方面由跟隨、模仿的研發模式，跨越到創新、引領的新高地。

1 關鍵鋼鐵材料的科學與技術問題

關鍵鋼鐵材料涉及以下幾個方面的需求與應用：一是應用于汽車、海洋、能源、基礎設施的低合金鋼；二是現代交通、機械行業零部件用特鋼；三是裝備與裝置用合金鋼、不銹鋼、鎳基合金和大型低合金構件等。

中國高鐵車速達到了350 km/h的商業運營水平，軸、輪、齒、軌諸多關鍵零部件用鋼鐵材料對安全性、可靠性、長壽命和環境友好性（低能耗、低排放、低噪音）等各方面都提出了極高的技術要求。

海洋用鋼方面，最主要的需求與技術挑戰在于減輕整體重量和增加安全性。海洋工程用鋼普遍要求大規格、高強度、高韌性、高服役安全性，以及易加工和易焊接性能。為了滿足海洋工程建設項目的需求，亟需解決性能穩定、規格尺寸、適應極端服役環境等關鍵問題。

隨著核電技術不斷進步，核電設備趨向大型化、一體化，對大鍛件的尺寸和重量提出了更高的要求，需要開發具有更高淬透性和更好強韌性匹配的核級低合金鋼。同時，中國核電材料配套焊材缺項或質量不穩定，現有的國產材料還不能滿足國內核級部件的需要。

隨著中國工程機械行業向高端、高技術含量、高附加值、大噸位的“三高一大”發展，工程機械裝備制造在鋼板的高強韌性匹配、易焊接、冷成型性、高平直度板形等方面提出了更高的要求。高性能、高耐磨、輕量化、長壽命、低成本制造是發展趨勢，同時，中國工程機械用鋼在產品性能穩定性方面亟待提高。

先進超超臨界機組關鍵用材性能要求包括高溫持久和蠕變強度，優異的組織穩定性，良好的冷、熱加工性能，良好的抗氧化和抗腐蝕性能以及良好的焊接性能等。在高蒸汽參數先進超超臨界機組汽輪機側關鍵用材方面，中國的研發相對滯后，大型鍛件批量生產質量不穩定，難以實現進口替代。

中國不銹鋼產業規模世界第一，但品種一直跟隨國外，質量一般，高質量不銹鋼和耐蝕合金生產起步晚，鋼鐵企業裝備水平參差不齊，先進裝備利用率低，生產工藝研究開展緩慢，導致產品冶金質量差，成品性能穩定性差，成品價格高，亟需提高材料成分設計手段和能力。

從前，國內大部分鋼鐵材料產品基本上沿襲了國外先進鋼鐵國家的經驗和技術路線，由于基礎研究相對滯后，在合金體系、工藝流程以及生產規范和產品標準等方面均存在一定程度認識不足，嚴重制約了產品質量的提升，產品可靠性的充分保障以及對國內關鍵鋼鐵產品的認可度。隨著中國國民經濟和社會的超速發展，在很多關鍵鋼鐵材料領域，比如高鐵、航空航天、核電、大跨度橋梁、深海資源開采等，用戶甚至提出了更高的要求，傳統科學認識以及技術方案滿足不了這些技術要求。綜上所述，突破關鍵鋼鐵材料在材料科學與工程方面理論、技術、評價、標準等核心問題是未來發展的先決條件。先進鋼鐵材料研發突出的科學與技術問題包括：

（1）合金成分設計原理與方法；

（2）多尺度顯微結構設計理論；

（3）多維度工藝仿真；

（4）多尺度（顯微）組織精準控制技術；

（5）基于大數據和人工智能的工藝-組織-性能多目標、多過程、多參量控制系統；

（6）材料生產、應用與服役數據庫。

2 關鍵鋼鐵材料智慧研發路線

針對先進鋼鐵材料所面臨的科學與技術問題，應利用積累的經驗與知識，發展的理論與模型，以及建立在大數據基礎之上的材料信息學設計合金成分，調控多尺度組織，精準確定工藝技術參數，同時建立基于原理和理論的全鏈條數據庫。在如圖1所示的鋼鐵材料智慧研發體系下，發展先進鋼鐵材料。因此，要具體突破以需求為牽引的材料逆向設計方法，建立先進鋼鐵材料的數據庫，以開展材料信息學在先進鋼鐵材料研發中的示范應用。

圖1 鋼鐵材料智慧研發體系Fig.1 Intelligent Research and Development System for Steels

2.1 鋼鐵材料逆向設計方法論

現在人們已經可以利用鋼鐵材料所具備的基因對其進行設計，并逐漸進入智慧設計、智慧生產與智慧服務新時代。關鍵鋼鐵材料的智慧研發路線如圖2所示，其驅動來自于不同領域、不同環境條件下的需求，具體反映在應用領域的設計規范與標準，應用條件與方法，產品安全與經濟等社會屬性的多個方面。

圖2 關鍵鋼鐵材料的智慧研發路線［3］Fig.2 Intelligent Research and Development Roadmap for Key Steels［3］

為了體現材料是 “為人類制造有用器件的物質”的功能和社會屬性，應選擇經濟、環保、節能、節約資源和高性能等五大屬性兼備的材料體系（合金成分、工藝和性質與性能）。顯然，材料體系與技術條件的確立完全是由“逆向需求”確定的，同時還應利用鋼鐵材料標準、規范以及知識、原理和熱力學數據協助完成。經驗、知識和鋼鐵大數據在此將起到重要指導作用，它們是開展材料顯微組織結構和制造工藝與流程設計的前提，是材料智慧設計的核心。利用知識與原理、理論與模型、熱力學數據及對工業大數據深度挖掘所得到的知識，指導材料制造過程中的成分控制范圍，顯微組織精細結構和煉鋼-連鑄-熱加工-熱處理等冶金全過程的參數與指標，實現成分-工藝的正向調控，組織-性能的正向預報。

材料智慧設計體系是指導材料逆向設計的重要支柱，除此以外，材料的智慧服務體系對材料的逆向開發也起到重要作用。基于材料的應用與服役性能的數據積累，智慧服務的需求是逆向的，而理論基礎卻是正向的。材料的研發與制造應更緊密地結合重大裝備、重大工程、特殊環境、特殊工藝及嚴酷環境的客觀條件，開展材料“逆向設計”，實施材料“正向制造”。在此過程中，相關的數據庫及數據挖掘技術是實現材料智慧設計、智慧生產與智慧服務的重要支撐。

2.2 基于理論與原理的先進鋼鐵材料數據庫結構與大數據

鋼鐵材料不僅品種繁多，而且包含了冶煉、鑄造、成型和熱處理等多個生產模塊，流程長且工藝環節復雜，不同環節相互影響，所以大數據和人工智能的結合無疑是一個理想的解決方案。

大數據按照材料的組織結構和材料制備的工藝環節分成不同尺度和不同維度。每個尺度與維度均應有其基本的數據結構，數據結構的建立一方面來源于電子理論、熱力學動力學理論、斷裂力學理論、結構力學理論、電化學理論等多尺度關系；另一方面，數據結構的建立應與材料的制備過程、制造裝備特點、標準、規范、冷加工工藝、連接技術、服役條件等存在多維度關系。因此，應在理論、原理及實驗的基礎上建立相應產品的數據結構，完成大數據的積累并建立機器學習模型，預報材料性能，評估材料的安全性和服役壽命；同時，利用材料信息學進一步設計和優化材料的合金成分、顯微組織和工藝參數。

鋼鐵材料大數據系統建立將是一個龐大的系統工程，但是，基于相對完善的鋼鐵材料物理冶金原理，以及多尺度的物理模型，電子尺度、原子尺度（晶體）、基于熱力學/動力學的相結構大數據越來越豐富，已基本能夠滿足一些關鍵鋼鐵材料的正向設計。制造過程大數據基本具備了采集的技術手段，可實現多過程、多變量在線/離線數據的采集。大數據系統意味著對海量數據的整合，這將是傳統數據庫無法比擬的。數據量的擴充一方面需要不斷地進行數據收集積累，這方面的工作主要取決于采集效率的提升以及工作時間的增加；而更重要的則是變量的設置，因為變量的設置從根本上決定了大數據系統能力的上限。

在建立機器學習模型的過程中，關鍵變量的缺失會造成分析過程不穩定以及結果精度的顯著降低，無論如何改進數據處理方法，關鍵變量的缺失都很難被彌補。但數據參量設置過多，也會影響數據庫的建設效率，畢竟在目前條件下，數據的采集、傳輸、存儲工作都要考慮效率和成本，所以如何設置好鋼鐵材料的數據庫參量系統，將是鋼鐵材料大數據建設走好的第一步。

目前，可以從兩個方面開展鋼鐵材料大數據系統變量的篩選和優化工作：一方面取決于數據系統的需求，也就是基于科學原理的認知，對成分-工藝-組織-性能各個方面特征參數進行優選，但是筆者認為人類的認知總是不斷發展的，所以在起初參數的設置上還是要盡可能考慮到潛在的需求，不要輕易舍棄可以獲取的參量樣本；另一方面，這項工作更大程度上取決于數據采集技術與能力，也就是探測檢測設備的發展。因為很多數據即使是需要的，就目前的測試分析手段而言，從分析精度、采集效率上都不符合大數據系統對數據量的需求。所以，有針對性地開發關鍵檢測方法，同時，將其融入物聯網系統中，實現數據的高效采集、傳輸和存儲，將為鋼鐵材料大數據建設提供堅實可靠的基石。

2.3 鋼鐵材料集成計算與仿真工程

2.3.1 鋼鐵材料集成計算

集成計算材料工程是將材料制備、表征和智能化數據庫等多種研究方法綜合集成，其實質在于理性化地開展新材料的實驗室研發和產業化，以達到快速實現關鍵材料性能突破的目標。鋼鐵材料100多年來的經驗與知識的積累形成了龐大的材料信息，傳統意義上描述材料成分-工藝-組織-性質-性能關系的“材料學”催生了材料信息學的迅猛發展。借助理論模型、機器學習方法以及材料數據庫（大數據），針對目標需求，優化傳統材料的成分與工藝，最終調控組織與性能已成為新趨勢。因此，為了適應時代發展需求，鋼鐵材料，尤其是特殊鋼的研發方式需要逐漸從傳統試錯法向結合集成計算建模預測與實驗驗證的模式轉變。

集成計算材料工程的實施路線整體上是一個閉環，從材料的應用場景出發，明確材料的性能需求，進而對成分-工藝-組織-性能進行多尺度的模擬計算，進而得到材料的初步設計方案，再進行針對產品的模擬和實物驗證工作，最終進行工業化生產。

2.3.2 鋼鐵材料仿真工程

通過高通量計算可以預測新材料的結構、性能及其變化規律，為新材料的設計和傳統材料的優化指出方向，從而加速材料研究，這是目前材料基因組以及集成計算材料最重要的方面。對于鋼鐵材料而言，這方面的理論模型和實驗方法都相對比較完善。

2.4 鋼鐵材料工藝技術參數數據挖掘

大數據技術的戰略意義其實并不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理，也就是數據挖掘。對于龐大的數據體系，人工的處理方式甚至傳統的計算機處理方法已經無法應對，而人工智能是大數據系統進行數據挖掘工作的必然選擇。人工智能的一種重要實現方式就是機器學習，而機器學習已經發展出了很多適用于不同場景的方法，諸如決策樹、支持向量機、貝葉斯學習、隨機森林、人工神經網絡以及最近發展迅速的深度學習等。在目前數據水平下，可能針對不同的研究主題和研究條件，在機器學習的方法上存在優選的問題，但是可以預見，隨著數據量的不斷增加，深度學習將展現出越來越顯著的優勢，而且也會將數據挖掘引入到更加智能化的方向。

數據挖掘工作和傳統的科研研發工作是相輔相成的，雖然理論上，完全沒有鋼鐵研究背景的從事數據挖掘研究的科研工作者也可以根據數據獲得鋼鐵材料領域的相關知識，但是在目前數據和計算能力的條件下，這種認知的知識在很大程度上還依賴于“人”，或者“專家”來進行判別和實證。在已有的報道中，已經發現數據挖據工作可以為科學研究工作帶來有效的指引，特別是針對目前人類尚未知曉的知識的啟示；同時，在進行數據挖掘的工作中，人類已有的對科學原理的認知也可以有效地對機器學習進行引導。

3 多目標智慧化關鍵鋼鐵材料設計與生產

實現集成計算材料工程，建立大數據系統的最終目的是實現產品的智能化研發以及智能化生產。基于集成計算材料工程和大數據的智能化研發，其特點在于避免了大量盲目的重復性實驗嘗試，以數據挖掘的成果為依托增加研發效率以及降低研發成本。基于目前集成材料計算工程和大數據的智能化研發還存在一些挑戰，主要集中在對產品性能的規范性量化，大數據體系的去實驗化以及智能化生產管控。

（1）產品性能的規范性量化

要實現基于材料計算、仿真和大數據系統的智能化產品設計，必須首先針對產品的性能需求建立模型，而就目前以及可預見的模型智能化水平而言，一個大數據系統很難滿足不同鋼鐵產品的研發需求，所以對不同產品的性能需求進行有目的地遴選，并分別建立模型可能是比較現實的實現方式。這方面的工作有必要與用戶進行充分溝通，明確性能需求的量化方式，進而形成研發目標，建立機器學習模型。

（2）大數據體系的去實驗化

就目前的科技水平而言，實物驗證，包括實驗室試制、中試、工業試制仍然是產品研發不可或缺的環節。但是對于智慧研發系統而言，盡可能提升其可靠性，減少工業試制環節將是重要的發展方向。這方面的工作主要將基于實際研發和生產的積累，進而對系統進行反饋和優化。

（3）智能化生產管控

產品的最終質量不僅取決于產品的精準設計，更取決于工藝方案的精準落實，所以智能化研發離不開智能化的生產流程管控。如何將生產過程中的工藝波動有效地識別，并反饋到系統中進行更高一級的判別，將是設計系統建設的一項重要工作。

3.1 厚規格超高強度鋼合金成分篩選數據庫及機器學習模型

以高強度低合金鋼的成分設計為例，建立了基于JMatPro軟件計算數據的屈服強度、抗拉強度和洛氏硬度的機器學習力學性能預測模型。利用JMatPro總共計算了660組 “成分-不同厚度硬度-不同厚度對應的冷卻速度的相變組織拉伸性能”數據。每組數據的輸入變量為 C、Si、Mn、Ni、Cr、Mo、B含量，輸出變量為厚度方向上距表面不同距離處（5～90 mm）的屈服強度、抗拉強度和洛氏硬度作為輸出變量。以50 mm厚度的高強度低合金鋼板為例，把50 mm厚度的高強度低合金鋼鋼板心部位置（距離表面25 mm）處的屈服強度、抗拉強度和洛氏硬度三種性能作為機器學習模型預測的輸出變量，其中數據庫中鋼的化學成分和力學性能見表1。

表1 數據庫中鋼的化學成分及力學性能Table 1 Chemical Compositions and Mechanical Properties of the Steels in the Database

對比了神經網絡（ANN）、支持向量機（SVR）、隨機森林（RF）、梯度提升機（GBR）4 種不同機器學習模型在淬透性、屈服強度和抗拉強度預測上的表現。結果表明ANN模型在計算數據以及GBR模型在文獻數據上的預測精度、擬合度優于其他模型，GBR模型在處理數據異常值和實驗誤差值方面表現更佳。不同機器學習模型在訓練集和驗證集上的表現見圖 3。

圖3 不同機器學習模型在訓練集和驗證集上的表現［17］Fig.3 Performance of Different Machine Learning Models on Training Set and Validation Set［17］

對建立的ANN模型進行實驗驗證，結果表明洛氏硬度淬透性曲線的預測值與實驗值非常接近，最大誤差不超過3 HRC（如圖4），屈服強度、抗拉強度的預測值和實驗值誤差不超過100 MPa（如表2），這表明JMatPro軟件計算出的淬透性結果具有較高可靠性。將材料計算數據與機器學習結合可以實現對硬度和強度的預測，且具有較高精度。將機器學習模型與優化算法（如遺傳算法）結合，可以實現針對目標性能的成分逆向設計。

圖4 某一成分鋼淬透性曲線的實驗值、計算值和預測值的比較［17］Fig.4 Comparison of Experimental Values，Calculated Values and Predicted Values of Hardenability Curves of a Steel［17］

表2 屈服強度和抗拉強度的實驗值、計算值和預測值的比較 ［17］Table 2 Comparison of Experimental Values，Calculated Values and Predicted Values of Yield Strength and Tensile Strength ［17］

3.2 基于工業生產數據的合金成分與工藝設計

根據工業生產數據建立數據集，經數據清洗及預處理后，針對屈服強度、抗拉強度、斷后延伸率及沖擊功4種性能目標，采用ANN建立了355 MPa級鋼板的性能預測模型。基于多目標遺傳算法NSGA-Ⅱ，實現了針對指定屈服強度、抗拉強度、斷后延伸率及沖擊功目標的成分及工藝設計方法，ANN模型使用的特征參數如表3所示。

表3 355 MPa級鋼板的性能預測模型特征參數Table 3 Features of the Prediction Model for Properties of 355 MPa Steel Plates

基于建立的ANN模型，計算不同特征參數的特征重要性，結果如圖5所示。圖中縱坐標為不同特征參數，橫坐標代表訓練過程不包括某一特征參數時均方誤差變化量。某一特征參數未引入模型時導致的均方誤差變化越大，則代表該參數在模型中的重要性越強。

圖5 355 MPa級鋼板的性能預測模型特征參數重要性Fig.5 Feature Importance of the Prediction Model for Properties of 355 MPa Steel Plates

使用遺傳算法進行成分、工藝優化，為保證優化目標具有可實施性，添加約束條件以使其符合中厚板廠的工藝水平。具體優化目標及約束條件如下：

式中，f為屈服強度預測值，MPa；f為抗拉強度預測值，MPa；f為延伸率預測值，%；D為平均粗軋單道次變形率；D為平均精軋單道次變形率；ΔT為平均粗軋單道次溫度變化，℃；ΔT為平均精軋單道次溫度變化，℃；T為終軋溫度，℃。

設定種群規模為500，遺傳代數為200，為保證優化結果未陷入局部最優，重復執行5次優化過程，最終獲得的355 MPa級39 mm厚鋼板的成分和工藝參數見表4。

表4 355 MPa級39 mm厚鋼板成分和工藝參數優化結果Table 4 Optimized Chemical Compositions and Process Parameters of 355 MPa Steel Plates with Thickness of 39 mm

4 結語

2035年中國將實現鋼鐵強國的目標。重大裝備、重點領域、重點工程所需的關鍵鋼鐵材料在材料設計、材料制備、材料評價、材料應用等諸多方面都力爭達到世界領先水平。目前，在關鍵鋼鐵材料領域還存在許多挑戰，需要攻克許多科學與技術難題。為了實現先進鋼鐵材料戰略強國目標，應在以下幾個方面實現突破。

（1）加速先進鋼鐵材料數據庫的搭建，應根據不同領域關鍵鋼鐵材料的特點，建立相應的數據庫結構，迅速積累充實大數據，形成企業、行業、上下產業鏈共享的大數據系統。

（2）推廣關鍵鋼鐵材料的集成計算材料工程，應針對不同類型的關鍵鋼鐵材料，實施不同尺度、維度的材料設計與制備的模擬、仿真。通過實驗驗證與工業驗證，建立針對性的集成計算材料工程體系。

（3）應在現代交通、能源裝備、海洋工程等應用領域，實現設備、裝備、工程業主，建設、承建單位，關鍵鋼鐵材料研發與制造企業，規范、標準制定機構全產業鏈的基于集成計算材料工程和材料數據庫的合作與實踐，開展關鍵鋼鐵材料智慧研發的示范應用，建立完善的智慧研發體系，加速攻克關鍵鋼鐵材料的“卡脖子”問題和核心技術。

致謝

感謝中央高校基本科研業務費專項資金資助（FRF-IC-20-04）。