铸造合金熔体非平衡状态测评介绍

在平衡状态下，液态物质的特性只决定于成分与温度两个参数(假设压力不变)。但是，实际生产和科学试验中所碰到的液态金属往往是远离平衡态的。因此，经常出现成分与温度相同的液态金属，在同样的凝固条件下得到的组织与性能相差很大的情况。这就提出了非平衡条件下液态金属质量的表征与评测问题。如果我们把液态金属质量定义为对凝固过程和凝固组织与性能有影响的特性，那么它就一定会受以下因素的影响： 
　　·熔炼所用的原材料，即所谓的遗传性；·微量元素，指一般不作分析或难于精确分析的痕量杂质元素；·熔炼历程，包括熔炼过程所经历的最高温度及高温停留时间；·熔炼方法，高炉，电阻炉，感应电炉、电弧炉等；·炉前处理，精练、变质处理，球化、孕育处理，电、磁处理等。
　　所有这些影响因素的共同特征是他们都是动态不平衡参量。所以，液态金属的质量特性不可能用一个或几个平衡参数来表示。
　　几十年来，人们采用了一系列方法来评测液态金属的质量，如相同凝固条件下的金相检测，液态金属的电子输运特性测量，热分析等。其中热分析法具有一系列优点，研究最多，发展也最快。
　　随着电子技术的迅速发展，热分析法也逐步实现电子化、数字化和微机化。电子式热分析仪和微机化热分析仪等产品的问世，大大推动了热分析法的发展。国外将计算机和热分析仪结合起来，发展了一种计算机辅助热分析技术(Computer-Aided Thermal Analysis)，简称CATA，或称为计算机辅助冷却曲线分析(CA-CCA)。利用这种技术，人们可以评测铁水的孕育效果。微机热分析设计接口电路将热分析仪与微机连接起来，通过微机能够方便地根据现场生产条件和测试条件方便地修正数学模型及其系数，从而大大提高了热分析仪的适应性和测试效果。
　　1996年，对于灰铸铁和球墨铸铁，国外发展了一种基于热分析并结合人工智能的系统。这种系统可以根据稳定系统来分析试样的凝固过程并预测各种铸造缺陷的可能性，同时也可以估计出物理性能。该系统利用计算机辅助热分析技术，编制了软件程序来评测铁水的微观结构和孕育效果。研究人员从热分析曲线的特征值中选择了10个作为控制参数，并且给每一个参数都定义了阈值。如果10个点都满足阈值要求，则认为铁水质量合格。该方法简单方便，一目了然。
　　然而，即使随着热分析的发展，选取的特征值数目由少到多，通过选取特征值进行铁水质量评估仍然在一定程度上受到主观因素的影响。这是因为，热分析技术的应用只限于更清楚、更直观地显示冷却曲线上的特征值，并在这些特征值与铁水的预测参量之间建立一定的回归关系。而热分析特征值的寻取准确性和数学模型的回归精度是受到限制的。即使增加一阶微分和二阶微分，考虑对结晶潜热的分析，其特征值的选取仍是基于现有经验及主观因素之上的。而且对微分曲线和冷却曲线进行分析需要非常专业的知识，更加增加了分析带来的难度和主观因素的作用。
目前，国内已有人运用人工智能神经网络在预测灰铁铸件的性能。人工神经网络是模拟生物神经传递信息的方法而建立的一种人工智能模式识别方法，具有并行、适应能力强等优点。神经元作为神经网络的基本要素，由于计算速度快而得到广泛应用。由于神经网络模型良好的自学习功能，随着模式对样本的不断增加与更新，系统具有较强的适应性，为此，可以设计建立动态综合数据库，其中存有大量模式对，并随着系统的在线运行而不断存入新的事实样本，以此作为新增模式对而使神经网络进行自学习，从而不断提高神经网络模型的适应性和预报命中率。可以将模式识别方法用于多因素影响的灰铸铁的生产过程；运用自组织人工神经网络对受到多因素控制的生产过程进行模式识别与分类，根据生产状态代表点在空间的分布结构，寻找与控制目标之间的联系，将输入与输出间难以描述的函数关系转化为对模式识别的分类与判别，可以建立对灰铁质量合格与不合格两类状态进行识别的计算机智能专家系统，从而预测样品性能所属牌号。上海冶金研究所的张兆春等人利用最小二乘法并结合预报残差平方和S检验，从影响铸件性能的几个主要方面(如铁水化学成分和浇注工艺参数)抽提出几个作为影响铸件性能的主要因素(CE、Mn、Cr、Sn、Si)，运用逆映照方法确定在现有的生产工艺基础上这几个变量的变化趋势以及优化范围。以这几个影响铸件性能的主要变量作为人工神经网络的输入特征量，经已知样本集训练，可以对铸件的两个指标进行双目标预报。