导语：为适应未来先进钢铁材料的发展应在钢铁材料知识与理论框架下充分发挥集成计算材料工程及材料信息学的优势创建新材料的智慧研发路线实现中国先进钢铁材料的研发从跟随模仿跨越到基于人工智能创新引领的新高地
目前，中国钢铁产能和产量已居世界第一，钢铁材料品种相当齐全。特别是近20多年来，国内钢铁行业几乎涉猎了所有领域，产品涵盖了所有门类，国内市场占有率达97%以上，还有适当数量出口。近期，中国工程院针对国内国民经济建设和未来发展需求，完成了“新材料强国2035战略研究”，其中梳理了作为基础原材料之一的钢铁材料的中长期发展战略［1］。预计到2035年，中国将进入世界领先行列。在高牌号无取向和取向硅钢、高强度汽车板、高强高韧性板、发电用高压锅炉管、高性能齿轮钢和轴承钢、高速重载铁路用车轮和车轴钢等高附加值钢材方面的自给率能够提高到90%；钢材品种能满足下游行业升级要求，产品质量总体达世界先进水平，高强度、长寿命、耐腐蚀、耐候钢材消费比例增加。
在发展绿色化、低成本、高质量量大面广的常规钢铁材料的同时，重点要突破先进钢铁材料的创新研发能力，为中国未来建设的重大工程、重大装备提供性能优越、质量稳定的关键钢铁材料是钢铁产业未来的重要任务。为了实现钢铁强国战略目标，还应在钢铁材料基础研究、制造核心技术、产品服役安全评价等方面由跟随、模仿的研发模式，跨越到创新、引领的新高地。
1 关键钢铁材料的科学与技术问题
关键钢铁材料涉及以下几个方面的需求与应用：一是应用于汽车、海洋、能源、基础设施的低合金钢；二是现代交通、机械行业零部件用特钢；三是装备与装置用合金钢、不锈钢、镍基合金和大型低合金构件等。
中国高铁车速达到了350km/h的商业运营水平，轴、轮、齿、轨诸多关键零部件用钢铁材料对安全性、可靠性、长寿命和环境友好性（低能耗、低排放、低噪音）等各方面都提出了极高的技术要求。
海洋用钢方面，最主要的需求与技术挑战在于减轻整体重量和增加安全性。海洋工程用钢普遍要求大规格、高强度、高韧性、高服役安全性，以及易加工和易焊接性能。为了满足海洋工程建设项目的需求，亟需解决性能稳定、规格尺寸、适应极端服役环境等关键问题。
随着核电技术不断进步，核电设备趋向大型化、一体化，对大锻件的尺寸和重量提出了更高的要求，需要开发具有更高淬透性和更好强韧性匹配的核级低合金钢。同时，中国核电材料配套焊材缺项或质量不稳定，现有的国产材料还不能满足国内核级部件的需要。随着中国工程机械行业向高端、高技术含量、高附加值、大吨位的“三高一大”发展，工程机械装备制造在钢板的高强韧性匹配、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、轻量化、长寿命、低成本制造是发展趋势，同时，中国工程机械用钢在产品性能稳定性方面亟待提高。
先进超超临界机组关键用材性能要求包括高温持久和蠕变强度，优异的组织稳定性，良好的冷、热加工性能，良好的抗氧化和抗腐蚀性能以及良好的焊接性能等。在高蒸汽参数先进超超临界机组汽轮机侧关键用材方面，中国的研发相对滞后，大型锻件批量生产质量不稳定，难以实现进口替代。
中国不锈钢产业规模世界第一，但品种一直跟随国外，质量一般，高质量不锈钢和耐蚀合金生产起步晚，钢铁企业装备水平参差不齐，先进装备利用率低，生产工艺研究开展缓慢，导致产品冶金质量差，成品性能稳定性差，成品价格高，亟需提高材料成分设计手段和能力。
从前，国内大部分钢铁材料产品基本上沿袭了国外先进钢铁国家的经验和技术路线，由于基础研究相对滞后，在合金体系、工艺流程以及生产规范和产品标准等方面均存在一定程度认识不足，严重制约了产品质量的提升，产品可靠性的充分保障以及对国内关键钢铁产品的认可度。随着中国国民经济和社会的超速发展，在很多关键钢铁材料领域，比如高铁、航空航天、核电、大跨度桥梁、深海资源开采等，用户甚至提出了更高的要求，传统科学认识以及技术方案满足不了这些技术要求。综上所述，突破关键钢铁材料在材料科学与工程方面理论、技术、评价、标准等核心问题是未来发展的先决条件。先进钢铁材料研发突出的科学与技术问题包括：
（1）合金成分设计原理与方法；
（2）多尺度显微结构设计理论；
（3）多维度工艺仿真；
（4）多尺度（显微）组织精准控制技术；
（5）基于大数据和人工智能的工艺-组织-性能多目标、多过程、多参量控制系统；
（6）材料生产、应用与服役数据库。
2 关键钢铁材料智慧研发路线
针对先进钢铁材料所面临的科学与技术问题，应利用积累的经验与知识，发展的理论与模型，以及建立在大数据基础之上的材料信息学［2］设计合金成分，调控多尺度组织，精准确定工艺技术参数，同时建立基于原理和理论的全链条数据库。
图 1 钢铁材料智慧研发体系
在如图1所示的钢铁材料智慧研发体系下，发展先进钢铁材料。因此，要具体突破以需求为牵引的材料逆向设计方法，建立先进钢铁材料的数据库，以开展材料信息学在先进钢铁材料研发中的示范应用。
2.1钢铁材料逆向设计方法论
现在人们已经可以利用钢铁材料所具备的基因对其进行设计，并逐渐进入智慧设计、智慧生产与智慧服务新时代。关键钢铁材料的智慧研发路线［3］如图2所示，其驱动来自于不同领域、不同环境条件下的需求，具体反映在应用领域的设计规范与标准，应用条件与方法，产品安全与经济等社会属性的多个方面。
图 2 关键钢铁材料的智慧研发路线
为了体现材料是“为人类制造有用器件的物质”的功能和社会属性［4］，应选择经济、环保、节能、节约资源和高性能等五大属性兼备的材料体系（合金成分、工艺和性质与性能）。显然，材料体系与技术条件的确立完全是由“逆向需求”确定的，同时还应利用钢铁材料标准、规范以及知识、原理和热力学数据协助完成。经验、知识和钢铁大数据在此将起到重要指导作用，它们是开展材料显微组织结构和制造工艺与流程设计的前提，是材料智慧设计的核心［3,5-6］。
利用知识与原理、理论与模型、热力学数据及对工业大数据深度挖掘所得到的知识，指导材料制造过程中的成分控制范围，显微组织精细结构和炼钢-连铸-热加工-热处理等冶金全过程的参数与指标，实现成分-工艺的正向调控，组织-性能的正向预报。
材料智慧设计体系是指导材料逆向设计的重要支柱，除此以外，材料的智慧服务体系对材料的逆向开发也起到重要作用。基于材料的应用与服役性能的数据积累，智慧服务的需求是向的，而理论基础却是正向的。材料的研发与制造应更紧密地结合重大装备、重大工程特殊环境、特殊工艺及严酷环境的客观条件，开展材料“逆向设计”，实施材料“正向制造”。在此过程中，相关的数据库及数据挖掘技术是实现材料智慧设计、智慧生产与智慧服务的重要支撑。
2.2基于理论与原理的先进钢铁材料数据库结构与大数据
钢铁材料不仅品种繁多，而且包含了冶炼、铸造、成型和热处理等多个生产模块，流程长且工艺环节复杂，不同环节相互影响，所以大数据和人工智能的结合无疑是一个理想的解决方案。大数据按照材料的组织结构和材料制备的工艺环节分成不同尺度和不同维度。每个尺度与维度均应有其基本的数据结构，数据结构的建立一方面来源于电子理论、热力学动力学理论、断裂力学理论、结构力学理论、电化学理论等多尺度关系；另一方面，数据结构的建立应与材料的制备过程、制造装备特点、标准、规范、冷加工工艺、连接技术、服役条件等存在多维度关系。因此，应在理论、原理及实验的基础上建立相应产品的数据结构，完成大数据的积累并建立机器学习模型，预报材料性能，评估材料的安全性和服役寿命；同时，利用材料信息学进一步设计和优化材料的合金成分、显微组织和工艺参数。
钢铁材料大数据系统建立将是一个庞大的系统工程，但是，基于相对完善的钢铁材料物理冶金原理［7-8］，以及多尺度的物理模型，电子尺度、原子尺度（晶体）、基于热力学/动力学的相结构大数据越来越丰富，已基本能够满足一些关键钢铁材料的正向设计［9-11］。制造过程大数据基本具备了采集的技术手段，可实现多过程、多变量在线/离线数据的采集。大数据系统意味着对海量数据的整合，这将是传统数据库无法比拟的。
数据量的扩充一方面需要不断地进行数据收集积累，这方面的工作主要取决于采集效率的提升以及工作时间的增加；而更重要的则是变量的设置，因为变量的设置从根本上决定了大数据系统能力的上限。在建立机器学习模型的过程中，关键变量的缺失会造成分析过程不稳定以及结果精度的显著降低，无论如何改进数据处理方法，关键变量的缺失都很难被弥补。但数据参量设置过多，也会影响数据库的建设效率，毕竟在目前条件下，数据的采集、传输、存储工作都要考虑效率和成本，所以如何设置好钢铁材料的数据库参量系统，将是钢铁材料大数据建设走好的第一步。
目前，可以从两个方面开展钢铁材料大数据系统变量的筛选和优化工作：一方面取决于数据系统的需求，也就是基于科学原理的认知，对成分-工艺-组织-性能各个方面特征参数进行优选，但是笔者认为人类的认知总是不断发展的，所以在起初参数的设置上还是要尽可能考虑到潜在的需求，不要轻易舍弃可以获取的参量样本；另一方面，这项工作更大程度上取决于数据采集技术与能力，也就是探测检测设备的发展。因为很多数据即使是需要的，就目前的测试分析手段而言，从分析精度、采集效率上都不符合大数据系统对数据量的需求。所以，有针对性地开发关键检测方法，同时，将其融入物联网系统中，实现数据的高效采集、传输和存储，将为钢铁材料大数据建设提供坚实可靠的基石。
2.3钢铁材料集成计算与仿真工程
2.3.1钢铁材料集成计算
集成计算材料工程是将材料制备、表征和智能化数据库等多种研究方法综合集成，其实质在于理性化地开展新材料的实验室研发和产业化，以达到快速实现关键材料性能突破的目标。钢铁材料100多年来的经验与知识的积累形成了庞大的材料信息，传统意义上描述材料成分-工艺-组织-性质-性能关系的“材料学”催生了材料信息学的迅猛发展。借助理论模型、机器学习方法以及材料数据库（大数据），针对目标需求，优化传统材料的成分与工艺，最终调控组织与性能已成为新趋势。
因此，为了适应时代发展需求，钢铁材料，尤其是特殊钢的研发方式需要逐渐从传统试错法向结合集成计算建模预测与实验验证的模式转变。集成计算材料工程的实施路线整体上是一个闭环，从材料的应用场景出发，明确材料的性能需求，进而对成分-工艺-组织-性能进行多尺度的模拟计算，进而得到材料的初步设计方案，再进行针对产品的模拟和实物验证工作，最终进行工业化生产。
2.3.2钢铁材料仿真工程
通过高通量计算可以预测新材料的结构、性能及其变化规律，为新材料的设计和传统材料的优化指出方向，从而加速材料研究，这是目前材料基因组以及集成计算材料最重要的方面。对于钢铁材料而言，这方面的理论模型和实验方法都相对比较完善「8,12-14］。
多尺度模拟大体可分为：（1）原子尺度的基本结构-性能关系的计算预测；（2）介观尺度上微结构和界面的演化及其与性能关系的研究；（3）宏观尺度上材料结构及性能演变和优化设计问题。
其中，原子尺度的计算方法主要包括第一性原理、分子动力学以及蒙特卡洛方法等；微观尺度的计算方法有热力学计算、相场模拟等；宏观尺度的计算主要应用有限元方法。通过多种尺度计算的有机串联，可以构建起从材料成分信息到宏观性能的计算模型，从而用于材料设计。此外，不同尺度的计算结果也有相应的实验方法进行验证，如：原子尺度有TEM以及3D-AP等；微观尺度有光学金相、SEM、EBSD等［15-16］；宏观尺度可以获得各种力学性能。
2.4钢铁材料工艺技术参数数据挖掘
大数据技术的战略意义其实并不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理，也就是数据挖掘。对于庞大的数据体系，人工的处理方式甚至传统的计算机处理方法已经无法应对，而人工智能是大数据系统进行数据挖掘工作的必然选择。
人工智能的一种重要实现方式就是机器学习，而机器学习已经发展出了很多适用于不同场景的方法，诸如决策树、支持向量机、贝叶斯学习、随机森林、人工神经网络以及最近发展迅速的深度学习等。在目前数据水平下，可能针对不同的研究主题和研究条件，在机器学习的方法上存在优选的问题，但是可以预见，随着数据量的不断增加，深度学习将展现出越来越显著的优势，而且也会将数据挖掘引入到更加智能化的方向。
数据挖掘工作和传统的科研研发工作是相辅相成的，虽然理论上，完全没有钢铁研究背景的从事数据挖掘研究的科研工作者也可以根据数据获得钢铁材料领域的相关知识，但是在目前数据和计算能力的条件下，这种认知的知识在很大程度上还依赖于“人”，或者“专家”来进行判别和实证。在已有的报道中，已经发现数据挖据工作可以为科学研究工作带来有效的指引，特别是针对目前人类尚未知晓的知识的启示；同时，在进行数据挖掘的工作中，人类已有的对科学原理的认知也可以有效地对机器学习进行引导。
3 多目标智慧化关键钢铁材料设计与生产
实现集成计算材料工程，建立大数据系统的最终目的是实现产品的智能化研发以及智能化生产。基于集成计算材料工程和大数据的智能化研发，其特点在于避免了大量盲目的重复性实验尝试，以数据挖掘的成果为依托增加研发效率以及降低研发成本。基于目前集成材料计算工程和大数据的智能化研发还存在一些挑战，主要集中在对产品性能的规范性量化，大数据体系的去实验化以及智能化生产管控。
（1）产品性能的规范性量化要实现基于材料计算、仿真和大数据系统的智能化产品设计，必须首先针对产品的性能需求建立模型，而就目前以及可预见的模型智能化水平而言，一个大数据系统很难满足不同钢铁产品的研发需求，所以对不同产品的性能需求进行有目的地遴选，并分别建立模型可能是比较现实的实现方式。这方面的工作有必要与用户进行充分沟通，明确性能需求的量化方式，进而形成研发目标，建立机器学习模型。
（2）大数据体系的去实验化就目前的科技水平而言，实物验证，包括实验室试制、中试、工业试制仍然是产品研发不可或缺的环节。但是对于智慧研发系统而言，尽可能提升其可靠性，减少工业试制环节将是重要的发展方向。这方面的工作主要将基于实际研发和生产的积累，进而对系统进行反馈和优化。
（3）智能化生产管控产品的最终质量不仅取决于产品的精准设计，更取决于工艺方案的精准落实，所以智能化研发离不开智能化的生产流程管控。如何将生产过程中的工艺波动有效地识别，并反馈到系统中进行更高一级的判别，将是设计系统建设的一项重要工作。
3.1厚规格超高强度钢合金成分筛选数据库及机器学习模型
以高强度低合金钢的成分设计为例，建立了基于JMatPro软件计算数据的屈服强度、抗拉强度和洛氏硬度的机器学习力学性能预测模型。利用JMatPro总共计算了660组“成分-不同厚度硬度-不同厚度对应的冷却速度的相变组织拉伸性能”数据。每组数据的输入变量为C、Si、Mn、Ni、Cr、Mo、B含量，输出变量为厚度方向上距表面不同距离处（5~90mm）的屈服强度、抗拉强度和洛氏硬度作为输出变量。以50mm厚度的高强度低合金钢板为例，把50mm厚度的高强度低合金钢钢板心部位置（距离表面25mm）处的屈服强度、抗拉强度和洛氏硬度三种性能作为机器学习模型预测的输出变量，其中数据库中钢的化学成分和力学性能见表1。
表 1 数据库中钢的化学成分及力学性能
对比了神经网络（ANN）、支持向量机（SVR）、随机森林（RF）、梯度提升机（GBR）4种不同机器学习模型在淬透性［9］、屈服强度和抗拉强度［17］预测上的表现。结果表明ANN模型在计算数据以及GBR模型在文献数据上的预测精度、拟合度优于其他模型，GBR模型在处理数据异常值和实验误差值方面表现更佳［17］。不同机器学习模型在训练集和验证集上的表现［17］见图3。
图3 不同机器学习模型在训练集和验证集上的表现
表 2 屈服强度和抗拉强度的实验值、计算值和预测值的比较
对建立的ANN模型进行实验验证，结果表明洛氏硬度淬透性曲线的预测值与实验值非常接近，最大误差不超过3HRC（如图4），屈服强度、抗拉强度的预测值和实验值误差不超过100MPa（如表2），这表明JMatPro软件计算出的淬透性结果具有较高可靠性。将材料计算数据与机器学习结合可以实现对硬度和强度的预测，且具有较高精度。将机器学习模型与优化算法（如遗传算法）结合，可以实现针对目标性能的成分逆向设计［17］。
图 4 某一成分钢淬透性曲线的实验值、计算值和预测值的比较
3.2基于工业生产数据的合金成分与工艺设计
根据工业生产数据建立数据集，经数据清洗及预处理后，针对屈服强度、抗拉强度、断后延伸率及冲击功4种性能目标，采用ANN建立了355MPa级钢板的性能预测模型。基于多目标遗传算法NSGA-Ⅱ，实现了针对指定屈服强度、抗拉强度、断后延伸率及冲击功目标的成分及工艺设计方法，ANN模型使用的特征参数如表3所示。
表 3 355 MPa 级钢板的性能预测模型特征参数
基于建立的ANN模型，计算不同特征参数的特征重要性，结果如图5所示。图中纵坐标为不同特征参数，横坐标代表训练过程不包括某一特征参数时均方误差变化量。某一特征参数未引入模型时导致的均方误差变化越大，则代表该参数在模型中的重要性越强。
图 5 355 MPa 级钢板的性能预测模型特征参数重要性
使用遗传算法进行成分、工艺优化，为保证优化目标具有可实施性，添加约束条件以使其符合中厚板厂的工艺水平。具体优化目标及约束条件如下：
式中，fYS为屈服强度预测值，MPa；fUTS为抗拉强度预测值，MPa；fEL为延伸率预测值，%；DR为平均粗轧单道次变形率；DF为平均精轧单道次变形率；ΔTR为平均粗轧单道次温度变化，℃；ΔTF为平均精轧单道次温度变化，℃；TF为终轧温度，℃。设定种群规模为500，遗传代数为200，为保证优化结果未陷入局部最优，重复执行5次优化过程，最终获得的355MPa级39mm厚钢板的成分和工艺参数见表4。
表 4 355 MPa 级 39 mm 厚钢板成分和工艺参数优化结果
4 结语
2035年中国将实现钢铁强国的目标。重大装备、重点领域、重点工程所需的关键钢铁材料在材料设计、材料制备、材料评价、材料应用等诸多方面都力争达到世界领先水平。目前，在关键钢铁材料领域还存在许多挑战，需要攻克许多科学与技术难题。为了实现先进钢铁材料战略强国目标，应在以下几个方面实现突破。
（1）加速先进钢铁材料数据库的搭建，应根据不同领域关键钢铁材料的特点，建立相应的数据库结构，迅速积累充实大数据，形成企业、行业、上下产业链共享的大数据系统。
（2）推广关键钢铁材料的集成计算材料工程，应针对不同类型的关键钢铁材料，实施不同尺度、维度的材料设计与制备的模拟、仿真。通过实验验证与工业验证，建立针对性的集成计算材料工程体系。
（3）应在现代交通、能源装备、海洋工程等应用领域，实现设备、装备、工程业主，建设、承建单位，关键钢铁材料研发与制造企业，规范、标准制定机构全产业链的基于集成计算材料工程和材料数据库的合作与实践，开展关键钢铁材料智慧研发的示范应用，建立完善的智慧研发体系，加速攻克关键钢铁材料的“卡脖子”问题和核心技术。
致谢感谢中央高校基本科研业务费专项资金资助（FRF-IC-20-04）。
本文刊发于《鞍钢技术》2021年第2期 作者：尚成嘉 王华 黄松 赵坦 王静靓 李秀程 谢振家 王学林
本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。
暂无评论,等你抢沙发
对话侯康选： 从“抢修”到“预防”，智能IT运维的正确打开方式
中小企业数字化转型框架与总路线图
