机器学习预测退火温度和时间对SUS321不锈钢力学性能的影响

doi:10.13251/j.issn.0254-6051.2025.01.041

金属热处理 ›› 2025, Vol. 50 ›› Issue (1): 266-271.DOI: 10.13251/j.issn.0254-6051.2025.01.041

机器学习预测退火温度和时间对SUS321不锈钢力学性能的影响

王欢欢^1,2, 卢苏君^1,2, 李渊³, 徐宁^1,2, 朱廷贤³, 王旭^1,2, 魏宁⁴, 吴大莉^1,2, 彭威中^1,2

1.镍钴共伴生资源开发与综合利用全国重点实验室, 甘肃金昌 737100;
2.金川镍钴研究设计院有限责任公司, 甘肃金昌 737100;
3.金川集团镍合金有限公司, 甘肃金昌 737100;
4.金川集团信息与自动化工程有限公司, 甘肃金昌 737100

收稿日期:2024-07-29 修回日期:2024-11-12 出版日期:2025-01-25 发布日期:2025-03-12
作者简介:王欢欢(1998—),女,工程师,硕士,主要研究方向为金属冶炼,E-mail:annwanghuanhuan@163.com

Machine learning to predict effect of annealing temperature and time on mechanical properties of SUS321 stainless steel

Wang Huanhuan^1,2, Lu Sujun^1,2, Li Yuan³, Xu Ning^1,2, Zhu Tingxian³, Wang Xu^1,2, Wei Ning⁴, Wu Dali^1,2, Peng Weizhong^1,2

1. National Key Laboratory of Ni & Co Associated Minerals Resources Development and Comprehensive Utilization, Jinchang Gansu 737100, China;
2. Jinchuan Nickel & Cobalt Research and Engineering Institute, Jinchang Gansu 737100, China;
3. Jinchuan Group Nickel Alloy Co., Ltd., Jinchang Gansu 737100, China;
4. Jinchuan Group Information and Automation Engineering Co., Ltd., Jinchang Gansu 737100, China

Received:2024-07-29 Revised:2024-11-12 Online:2025-01-25 Published:2025-03-12

摘要/Abstract

摘要： 为揭示SUS321不锈钢的力学性能与其热处理工艺之间的复杂关系,基于随机森林模型,通过机器学习方法建立了退火温度、退火时间与SUS321不锈钢力学性能的预测模型。结果表明,模型对SUS321不锈钢抗拉强度、屈服强度和伸长率的预测性能指标R²均超过0.8,表现出较好的预测效果。基于部分依赖图和个体条件期望图的分析表明,随退火温度和退火时间的增加,SUS321不锈钢的抗拉强度和屈服强度呈现下降趋势,而伸长率呈现上升趋势,且退火温度为主要特征参数。

关键词: SUS321不锈钢, 退火处理, 力学性能, 机器学习, 模型解释

Abstract: In order to reveal the complex relationship between mechanical properties and heat treatment process of SUS321 stainless steel, a prediction model between annealing temperature, annealing time and mechanical properties of the SUS321 stainless steel was established by machine learning method based on random forest model. The results show that the prediction validity parameter R² of the model for the tensile strength, yield strength and elongation of the SUS321 stainless steel exceeds 0.8, showing a good prediction effect. The analysis based on partial dependence plots and individual conditional expectation plots shows that with the increase of annealing temperature and annealing time, the tensile strength and yield strength of the SUS321 stainless steel decrease, while the elongation increases, and the annealing temperature is the main feature parameter.

Key words: SUS321 stainless steel, annealing treatment, mechanical properties, machine learning, model interpretation

中图分类号:

TG162.86

王欢欢, 卢苏君, 李渊, 徐宁, 朱廷贤, 王旭, 魏宁, 吴大莉, 彭威中. 机器学习预测退火温度和时间对SUS321不锈钢力学性能的影响[J]. 金属热处理, 2025, 50(1): 266-271.

Wang Huanhuan, Lu Sujun, Li Yuan, Xu Ning, Zhu Tingxian, Wang Xu, Wei Ning, Wu Dali, Peng Weizhong. Machine learning to predict effect of annealing temperature and time on mechanical properties of SUS321 stainless steel[J]. Heat Treatment of Metals, 2025, 50(1): 266-271.

参考文献

[1]康永海, 李具仓. 304L和321不锈钢耐腐蚀性能研究[J]. 热加工工艺, 2015, 44(6): 81-82, 88.
Kang Yonghai, Li Jucang. Corrosion resistance of 304L and 321 stainless steel[J]. Hot Working Technology, 2015, 44(6): 81-82, 88.
[2]魏杰, 郭振, 冯凯, 等. 固溶处理和稳定化处理对321不锈钢性能的影响[J]. 铸造技术, 2011, 32(12): 1652-1653.
Wei Jie, Guo Zhen, Feng Kai, et al. Effects of solution and stabilizing treatments on properties of stainless steel 321[J]. Foundry Technology, 2011, 32(12): 1652-1653.
[3]王畅. TP321奥氏体不锈钢晶间腐蚀与晶界特征分布研究[D]. 南京: 东南大学, 2022.
Wang Chang. Study on intergranular corrosion and grain boundary characteristic distribution of TP321 austenitic steel[D]. Nanjing: Southeast University, 2022.
[4]杨柳青. 321不锈钢极薄带轧制实验及组织性能研究[D]. 沈阳: 东北大学, 2020.
Yang Liuqing. Study on rolling experiment and microstructure and properties of 321 stainless steel foil[D]. Shenyang: Northeastern University, 2020.
[5]程洪, 葛美伶, 司天宇, 等. 机器学习辅助金属材料力学性能预测[J]. 材料研究与应用, 2023, 17(6): 1070-1077.
Cheng Hong, Ge Meiling, Si Tianyu, et al. Machine learning-assisted prediction of mechanical properties of metallic materials[J]. Materials Research and Application, 2023, 17(6): 1070-1077.
[6]李丰范, 匡健隆, 季佳浩, 等. 机器学习在金属材料服役性能预测中的应用[J]. 工程科学学报, 2024, 46(1): 120-136.
Li Fengfan, Kuang Jianlong, Ji Jiahao, et al. Application of machine learning for predicting the service performance of metallic materials[J]. Chinese Journal of Engineering, 2024, 46(1): 120-136.
[7]雷雨田, 王庆凯, 王旭. 基于动态随机森林算法的铜浮选精矿品位预测[J]. 矿冶, 2022, 31(6): 110-113.
Lei Yutian, Wang Qingkai, Wang Xu. Grade prediction of copper flotation concentrate based on dynamic random forest algorithm[J]. Mining and Metallurgy, 2022, 31(6): 110-113.
[8]张东坤. 316L不锈钢增材制造工艺与力学性能相关性大数据研究[D]. 芜湖: 安徽工程大学, 2023.
Zhang Dongkun. Study on preparation process and mechanical performance correlation big data of additive manufacturing 316L stainless steel[D]. Wuhu: Anhui Polytechnic University, 2023.

[1]	李建国, 贾冬生, 赵银虎, 刘玉宝, 王旭, 赵磊城, 兰岳光. 稀土Ce对32MnMoNiCu铸钢微观组织与力学性能的影响[J]. 金属热处理, 2025, 50(1): 47-52.
[2]	黄威明, 周海安, 赵秋红, 许文兵, 于鑫泓, 冯以盛, 张云山, 赵而团. 热处理对51CrMnV弹簧钢力学性能和疲劳性能的影响[J]. 金属热处理, 2025, 50(1): 75-80.
[3]	高鑫, 李明东, 苏杰, 姜庆伟, 夏世洪, 张永强, 宁静. 两相区淬火温度对Cr-Mn-Si低合金钢组织及性能的影响[J]. 金属热处理, 2025, 50(1): 119-125.
[4]	郝莹, 王明伟. 时效处理对石墨烯/Al-Zn-Mg-Cu合金复合材料性能的影响[J]. 金属热处理, 2025, 50(1): 133-139.
[5]	滕宏胤, 王银军, 吴索团. 不同材料夹送辊堆焊层退火处理后的组织及性能对比[J]. 金属热处理, 2025, 50(1): 155-161.
[6]	赵晓宇, 张铮, 杨慧君, 石晓辉, 张敏, 乔珺威. 300M钢等温淬火相变特性及力学性能[J]. 金属热处理, 2025, 50(1): 173-179.
[7]	朱晓龙, 王争辉, 王文焱, 谢敬佩, 刁晓刚, 张飞扬. TiC纳米颗粒强化9Cr耐热钢的微观组织及力学性能[J]. 金属热处理, 2025, 50(1): 187-194.
[8]	刘锦润, 郎宇平, 陈海涛, 冯翰秋, 高智君, 张正富. 氮对冷轧022Cr18Ni8N亚稳奥氏体不锈钢组织及力学性能的影响[J]. 金属热处理, 2025, 50(1): 195-200.
[9]	王成, 刘亚军, 陈志辉, 童善康, 甘晓龙. 冷却温度对热轧双相钢组织和力学性能的影响[J]. 金属热处理, 2025, 50(1): 213-218.
[10]	张英凡, 陈慧琴, 党淑娥, 陈娟, 徐全, 房晓天, 石腾龙, 代云云. 基于机器学习与遗传算法的Cu-Ni-Co-Si合金性能预测及机理[J]. 金属热处理, 2025, 50(1): 255-265.
[11]	周浩, 王帅, 曾燕屏, 马志宝, 周德, 郭德瑞, 董树青. 长时在役Inconel 783高温合金螺栓的显微组织和力学性能[J]. 金属热处理, 2024, 49(9): 36-42.
[12]	陈子健, 林业佳, 李传强, 邓仁昡, 董勇, 章争荣. 微合金化调控7075铝合金的微观组织与力学性能[J]. 金属热处理, 2024, 49(9): 58-63.
[13]	任广笑, 王超, 曹喜娟, 王凯, 王红霞, 程伟丽, 牛晓峰. 时效处理对Mg-Y-Gd-Zn-Zr合金中LPSO相演变及性能的影响[J]. 金属热处理, 2024, 49(9): 96-102.
[14]	任鹏帅, 秦凤, 周骞, 赵雷杰, 崔护, 彭子奥, 武常生. 等温淬火对含铝无碳化物贝氏体钢组织和性能的影响[J]. 金属热处理, 2024, 49(9): 103-109.
[15]	张宇, 李圣阳, 魏晓蓼, 柴志松, 李泳. 铬合金化Q&P钢的热处理工艺优化与碳配分行为[J]. 金属热处理, 2024, 49(9): 110-116.

机器学习预测退火温度和时间对SUS321不锈钢力学性能的影响

Machine learning to predict effect of annealing temperature and time on mechanical properties of SUS321 stainless steel

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价