[发明专利]一种高强韧耐高温RAFM钢及其基于机器学习的设计方法

说明书

本发明提供了一种高强韧耐高温RAFM钢，其化学成分为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％等；热处理参数为：正火温度1010～1050℃，正火时间20～55min，回火温度600～720℃，回火时间50～90min。本发明还提供了一种上述钢的基于机器学习的设计方法。本发明RAFM钢具有较高的使用温度上限，高温下也具备较好的拉伸性能；同时，本发明构建的机器学习方法的泛化能力强，能快速、高效地设计出合理的成分和热处理参数。

技术领域

本发明涉及钢铁材料技术领域，尤其涉及一种高强韧耐高温RAFM钢及其基于机器学习的设计方法。

背景技术

由传统的9Cr-1Mo钢发展而来的低活化铁素体/马氏体(RAFM)钢因其良好的热物理、热机械和抗辐照性能而被认为是非常有前途的聚变反应堆用结构材料。作为一种金属结构材料，拉伸性能是RAFM钢设计和应用评价中最重要的基本因素。在聚变反应堆中，结构材料高温力学性能的改善有利于提高核能的利用效率。目前RAFM钢的使用温度上限为550℃。为了优化RAFM钢的高温拉伸性能，已经进行了大量的实验研究。但是，随着RAFM钢体系和热处理工艺的复杂化，系统实验暴露出周期长、花费大、成功率低的劣势，这难以满足人们对材料高效研发的要求。

为了优化RAFM钢的拉伸性能，特别是高温下的性能，研究人员在优化合金成分和改变热处理条件两个方面花费了大量的精力。例如，天津大学的研究团队通过实验方法研究了Ta对低碳RAFM钢中第二相(如M₂₃C₆和MX)的影响，发现增加Ta浓度可以提高纳米级MX粒子的形成趋势，有助于高温拉伸性能的改善。在热处理优化方面，改变正火和回火条件被用于优化RAFM钢的拉伸性能。例如，比利时根特大学的研究人员发现，改变退火温度对马氏体块尺寸有很大影响，这导致RAFM钢在不同温度下的拉伸性能有一定的差异。因此，调整成分和热处理条件来优化RAFM钢的拉伸性能是一种有效的策略。然而，传统的实验试错法难以实现多组分、复杂工艺参数的同时优化。

机器学习(ML)方法在解决多维和多尺度问题方面具有很大的优势。目前，大部分研究者主要是建立从成分、工艺参数到性能的正向模型，并利用该模型在虚拟空间中预测和筛选性能优异的材料。但是，这种多维穷举搜索过程是非常复杂和耗时的。一个更具吸引力的工作是建立面向性能要求的设计模型，它能够根据目标性能快速设计出合理的成分和热处理参数。

发明内容

本发明所要解决的技术问题在于提供一种高强韧耐高温RAFM钢及其基于机器学习的设计方法，其通过调整成分、工艺参数来提高RAFM钢的使用温度上限，使之更好的进入工业化应用，同时，通过构建机器学习模型来快速、高效地设计出合理的RAFM钢成分和热处理参数。

本发明采用以下技术方案解决上述技术问题：

一种高强韧耐高温RAFM钢，所述RAFM钢的化学成分及质量百分比含量为：C：0.12～0.16％，Cr：9.5～10.5％，W：1.6～1.8％，Si：0.48～0.52％，Mn：0.6～0.7％，V：0.23～0.27％，Ta：0.10～0.26％，Zr：0.001～0.005％，Y：0.01～0.05％，Ti：0.002～0.012％，N：0.02～0.04％，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度(NT)1010～1050℃，正火时间(Nt)20～55min，回火温度(TT)600～720℃，回火时间(Tt)50～90min。

作为本发明的优选方式之一，所述RAFM钢的化学成分及质量百分比含量为：0.13％C，9.5％Cr，1.7％W，0.49％Si，0.67％Mn，0.25％V，0.14％Ta，0.002％Zr，0.014％Y，0.01％Ti，0.021％N，其余为Fe和其他不可避免的杂质元素；所述RAFM钢的热处理参数为：正火温度1010℃，正火时间36min，回火温度660℃，回火时间76min。