See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/361409144

Нейромодельная оценка анизотропии свойств по сечению изделий в

процессе упрочняющей обработки

Article · June 2022

CITATIONS READS

0 9

2 authors, including:

Alexey P. Prokhorov

24 PUBLICATIONS   5 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Microstructural study of specimens from of low-alloy structural steel 10KhSND and determination of the mechanical characteristics of the material after the
experimental heat treatment mode View project

Comprehensive study of the process of thermal embrittlement of low-alloy structural steel 10KhSND View project

All content following this page was uploaded by Alexey P. Prokhorov on 02 November 2022.

The user has requested enhancement of the downloaded file.

 МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ
МЕТАЛЛОВЕДЕНИЕ ОБРАБОТКА
И ТЕРМИЧЕСКАЯ ОБРАБОТКА

УДК 621.789. 004.032.2

НЕЙРОМОДЕЛЬНАЯ ОЦЕНКА АНИЗОТРОПИИ СВОЙСТВ ПО

СЕЧЕНИЮ ИЗДЕЛИЙ В ПРОЦЕССЕ УПРОЧНЯЮЩЕЙ ОБРАБОТКИ
А. П. Прохоров1, А. А. Жукова2
1
АО «Нижегородский завод 70-летия Победы» (г. Нижний Новгород, Россия),
2
ФГУП РФЯЦ – ВНИИЭФ (г. Саров, Россия)

Описывается подход к нейромодельному исследованию анизотропии механических свойств легированных сталей.

Проводится комплексное исследование прочностных характеристик исследуемых сталей с привязкой к микрострукту-
ре по сечению заготовки. По итогу работы выдвигается тезис, что при недостаточно глубоком охлаждении при закалке
распад сохранившегося аустенита будет происходить или в процессе последующей выдержки при отпуске с образо-
ванием структур перлитного типа с низкими механическими свойствами, или в процессе последующего охлаждения
после отпуска с образованием игольчатого троостита и мартенсита с высокими свойствами прочности, но с низкими
свойствами пластичности и вязкости.
Ключевые слова: анизотропия, механические свойства, отпуск, охрупчивание, искусственный интеллект, нейронные сети,
моделирование, производственная лаборатория.

Ï овышение качества выпускаемой продукции, а

также снижение ее себестоимости в значитель-
ной мере обусловлены профессиональным уровнем
специалистов металлургической промышленности,
а также техническим оснащением промышленных
предприятий. Современное машиностроение требует
от металлургической отрасли конструкционных ста-
лей с более высокими механическими свойствами на
изделиях крупных сечений. Выпуск некоторых машин
отчасти тормозится из-за отсутствия высокопрочных
материалов с пределом текучести выше 700 МПа на
сечениях изделий диаметром 800-1000 мм и более.
Переход к использованию сталей с высоким пределом
текучести даст больше возможностей для создания
новых конструкций повышенной грузоподъемности
и малой металлоемкости. Например, NLMK Europe –
Plate выпускает современные суперпрочные листовые
стали с пределом текучести 700-1100 МПа под маркой
Quend (High yield strength steel). Данные стали приме-
няются для изготовления легковесных конструкций,
работающих при высоких нагрузках, обработка проис-
ходит на ультрасовременном комплексе закалки и от-
пуска [официальный (сайт компании: https://qt.nlmk.
com/ru/). Из сталей зарубежных марок можно выде-
лить Strenx 700MC и S700MC, которые производятся
по стандарту EN 10149-2, основная цель − увеличение
несущей способности путем облегчения металлокон-
струкций. В настоящее время в российской практи-
ке широко распространены никельмолибденовые,
хромомолибденовые и хромоникельмолибденовые
стали для производства поковок крупной геометрии.
Изменение свойств от края к центру нередко проис-
ходит неравномерно, наблюдается их анизотропия.
Типы моделирования свойств играют важную роль для
их измерения и прогнозирования в режиме реально-
го времени (например, размера зерна, микрострукту-
ры) механических показателей (пределов текучести
и прочности, относительных удлинения и сужения
и др.). Для решения таких сложных задач могут лег-
ко применяться нейронные сети, которые являются
мощным инструментом прогнозирования, оценки и
анализа требуемых показателей.
Цель работы – создание нейромодели для изме-
рения механических свойств высокопрочных сталей
после технологических режимов отпуска по сечению
заготовки, а также выявление зависимостей между
свойствами в сталях, анализ влияния микроструктуры
на прочностные характеристики.
Искусственный интеллект как методика проведения
исследований в условиях производственной лаборато-
рии. Искусственные нейронные сети (ИНС) − это
самообучающиеся математические модели на основе
эмпирических данных. Нейронные сети в настоящее
время применяются для глубокого анализа больших
объемов данных при помощи различных проектируе-
мых алгоритмов. Нейронные сети глубокого обучения
позволяют решать множество задач, в частности, ма-
териаловедения, металловедения (оценки показате-
лей свойств, деформации и разрушения материалов)
в области неразрушающего контроля. Ранее были
опубликованы результаты исследования, связанные
с моделированием процессов [1, 2]. В основе нейро-
модели может лежать форма математических урав-
нений, наиболее полно описывающих изучаемый
процесс. Необходимо, чтобы создаваемая экспери-
ментальная модель самостоятельно определяла зна-
чимые показатели по вводным значениям, благодаря
этому появляется возможность обработки больших
выборок данных и достижения достаточно низких
погрешностей.
Создание модели на основе нейронных сетей на-
чинается, как правило, с определения исходных дан-
ных, в частности, входных элементов модели. Итогом
обучения ИНС в данной работе должно стать модели-
рование зависимостей механических характеристик, в
том числе прочностных, для проведения оценки ани-
зотропии свойств продольных образцов от края к цен-
тру. На рис. 1 изображена четырехуровневая структура

“СТАЛЬ”. № 5. 2022 г. ISSN 0038—920X 21

МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА

Таблица 1. Геометрические размеры заготовки

Сталь d1 l1 d2 l2 d3 l3
35XM 700 1000 475 500 275 500
34ХН1М 700 1000 475 500 275 500
34ХН3М 700 1000 500 500 − −

Таблица 2. Химический состав исследуемых сталей

Сталь C Si Mn Cr Mo Ni S P
0,34 0,25 0,53 0,93 0,18 − d0,033 d0,033
35XM 0,36* 0,27* 0,55* 0,95* 0,20* − d0,035* d0,035*
0,38 0,29 0,57 0,97 0,22 d0,037 d0,037
0,33 0,25 0,63 1,48 0,23 1,48 d0,033 d0,028
34ХН1М 0,35* 0,27* 0,65* 1,50* 0,25* 1,50* d0,035* d0,03*
0,37 0,29 0,61 1,52 0,27 1,52 d0,037 d0,032
0,33 0,25 0,63 0,88 0,31 2,98 d0,033 d0,028
34ХН3М 0,35* 0,27* 0,65* 0,90* 0,33* 3,0* d0,035* d0,03*
0,37 0,29 0,61 0,92 0,35 3,02 d0,037 d0,032
*
Химический состав стали согласно ГОСТ.

нейронной сети, заложенная в экспериментальную Скрытые слои являются результатом моделирования

модель. той или иной зависимости в процессе обучения, они
Как видно из рис. 1, модель имеет четыре слоя: являются динамически изменяющимися. Именно
2 – входной и выходной слои, 2 – скрытых слоя. В здесь происходят преобразование данных и их увязка
качестве основных характеристик и вводных были друг с другом для получения адекватных моделей экс-
выбраны следующие: предел текучести не менее 700 перимента.
МПа – Х1, химический состав исследуемых сталей – Проводя анализ источников [3 − 15], можно отме-
Х2, режим термического упрочнения (закалка) – Х3, тить, что существует множество методик обучающего
режим термического упрочнения (отпуск) – Х4. В ре- эксперимента. Например, в [3] были выбраны байе-
жимах термической обработки в качестве подвводных совские искусственные нейронные сети, так удалось
данных были выбраны: температура нагрева, время получить данные о жаропрочности исследованных
выдержки и геометрический размер заготовки соглас- сталей и выражение для описания зависимостей. Рабо-
но табл. 1. Каждый входной нейрон Х1-4 имеет свой ве- ты [5 − 10] описывают физический и математический
совой коэффициент w. На последующих слоях весовой подходы к моделированию механических характери-
коэффициент изменяется по мере обучения нейромо- стик. В статье [6] описывается метод моделирования
дели, и нейрон определенного веса передает нелиней- влияния факторов на упругие характеристики ме-
ные параметры для получения итогового результата. таллов с использованием нелинейных параметров. В
работах [11 − 14] рассмотрено влияние анизотропии
свойств на изменение физических и механических
свойств в металле, приведена математическая модель
такой оценки [12].
Таким образом, можно отметить, что нейронные
w2
сети в производственной лаборатории − это весьма
w1 w3 действенный инструмент с точки зрения экономии
X1
времени на обработку результатов испытаний, а также
X2
прогнозирования нелинейных параметров, которые
специалисту вычислить порой не под силу без прове-
Σ Yрез
дения натурных испытаний. При этом обеспечивается
X3
Слой возможность автоматизированного построения зави-
вывода данных
симостей свойств материала для дальнейшего глубо-
X4 кого анализа.
Материал и объект исследования. В качестве мате-
Входной риала исследования использовали вырезанные из за-
нейрон
Скрытые слои
готовки (рис. 2) темплеты, из которых готовили об-
нейронной сети разцы для механических испытаний (рис. 3) из стали
35ХМ, а данные механических испытаний послужили
Рис. 1. Архитектура нейронной сети для экспериментальной вводными данными для моделирования механиче-
модели ских свойств остальных исследуемых сталей 34ХН1М,

22 ISSN 0038—920X. “СТАЛЬ”. № 5. 2022 г.

 Таблица 3. Реализация работы нейромодели по режиму З + О на продольных образцах
Сталь 35ХМ 34ХН1М 34ХН3М
Время охлаждения 135 мин Время охлаждения 135 мин Время охлаждения 150 мин
Место расположения образцов σ0,2, σв, an, σ0,2, σ в, an, d, σ0,2, an,
d, мм δ5, % ψ, % d, мм δ5, % ψ, % σв, МПа δ5, % ψ, %
МПа МПа Дж/см2 МПа МПа Дж/см2 мм МПа Дж/см2
Край 759,5 960,8 14,5 52,3 5,6 868 958,8 12,3 45,9 4,2 918,3 1051 14,6 51 6,7
Ѕ 709,2 985,4 13 45,2 4,7 766,4 930,2 11,8 31,8 3,2 977,5 1134 12,5 35,1 6
Центр 665,8 979,5 13 42,9 3,9 716,1 942 11 32,7 4 1070 1217 7 19 3,5
Среднее значение 711,5 975,2 13,5 46,2 4,7 783,5 943,7 11,9 36,6 3,8 988,6 1152 12,1 34,5 5,2
Выборочная дисперсия S2 1466 109 0,5 16 0,5 3992 138 0,3 42 0,2 3897 4593 10 170 1,9
Cреднеквадратичное
38,3 10,4 0,7 4 0,7 63,2 11,7 0,5 6,5 0,4 62,4 67,8 3,2 13 1,4
отклонение S
Максимальное xmax 700 759,5 985,4 14,5 52,3 5,6 700 868,0 958,8 12,3 45,9 4,2 700 1070 1217 14,6 51 6,7
Минимальное xmin 665,8 960,8 13,0 42,9 3,9 716,1 930,2 11 31,8 3,2 918,3 1051 7 35,1 3,5
Коэффициент вариации
5,4 1,1 5,2 8,7 14,9 8,1 1,2 4,2 17,8 10,5 6,3 5,9 26,4 37,7 26,9
Кф, %

“СТАЛЬ”. № 5. 2022 г. ISSN 0038—920X

Средняя ошибка

результатов модели
22,1 6 0,4 2,3 0,4 36,5 6,8 0,3 3,8 0,2 36 39,1 1,8 7,5 0,8
среднего N

Статистическая обработка
Доверительный
35,1 9,5 0,6 3,7 0,6 58 10,8 0,5 6 0,3 57,2 62,1 2,9 11,9 1,3
интервал Хд
Край 677,7 866,0 14,2 48,8 6,5 772,4 916,4 15,5 52,3 5,3 942,0 1070 15,2 55,3 7,6
Центр 727,9 954,8 13,0 48,1 5,3 815,7 959,8 14,2 49,5 4,9 942,0 1073 14,8 51,0 4,9
Среднее значение 702,8 910,4 13,6 48,5 5,9 794 938,1 14,9 50,9 5,1 942 1072 15 53,2 6,3
Выборочная дисперсия S2 630 1971 0,4 0,1 0,4 468 470 0,4 1,9 0,04 0 2,3 0,04 4,6 1,8
Cреднеквадратичное
25 44,4 0,6 0,3 0,6 21,6 21,7 0,6 1,4 0,2 0 1,5 0,2 2,1 1,3
отклонение S
Максимальное xmax 475 727,9 954,8 14,2 48,8 6,5 475 815,7 959,8 15,5 52,3 5,3 500 942 1073 15,2 55,3 7,6
Минимальное xmin 677,7 866 13 48,1 5,3 772,4 916,4 14,2 49,4 4,9 942 1070 14,8 51,0 4,9
Коэффициент вариации
3,6 4,9 4,4 0,6 10,1 2,7 2,3 4 2,8 3,9 0 0,1 1,3 3,9 20,6
Кф, %
Средняя ошибка

результатов модели
14,4 25,6 0,3 0,2 0,3 12,5 12,5 0,3 0,8 0,1 0 0,9 0,1 1,2 0,8
среднего N

Статистическая обработка
Доверительный
22,9 40,7 0,5 0,3 0,5 19,9 19,9 0,5 1,3 0,2 0 1,4 0,2 1,9 1,3
интервал Хд
Край 779,3 986,4 13,5 58,2 6,6 772,4 956,8 14,2 53,7 5,4
Центр 777,3 966,7 14,5 54,4 5,9 805,9 980,5 11,0 45,9 4,8
Среднее значение 778,3 976,6 14 56,3 6,3 789,2 973,2 12,6 49,8 5,1
Выборочная дисперсия S2 1 97 0,3 3,6 0,1 280 140 2,6 15,2 0,1
Cреднеквадратичное
1 9,8 0,5 1,9 0,3 16,7 11,8 1,6 3,9 0,3
отклонение S
Максимальное xmax 275 779,3 986,4 14,5 58,2 6,6 275 805,9 980,5 14,2 53,7 5,4
Минимальное xmin 777,3 966,7 13,5 54,4 5,9 772,4 956,8 11 45,9 4,8
Коэффициент
0,1 1 3,6 13,6 4,8 2,1 1,2 12,7 7,8 5,9
вариации Кф, %
Средняя ошибка

результатов модели
0,6 5,7 0,3 1,1 0,2 9,6 6,8 0,9 2,3 0,2
среднего N

Статистическая обработка
Доверительный
1 9,1 0,5 1,7 0,3 15,3 10,8 1,4 3,7 0,3
интервал Хд

23
МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА
 Таблица 4. Реализация работы нейромодели по режиму З+О+О на продольных образцах

24
Сталь 35ХМ 34ХН1М 34ХН3М
Место расположения образцов Время охлаждения 135 мин Время охлаждения 135 мин Время охлаждения 150 мин
σ0,2, σв, an, σ0,2, σв, an, σ0,2, an,
d, мм δ5, % ψ, % d, мм δ5, % ψ, % d, мм σв, МПа δ 5, % ψ, %
МПа МПа Дж/см2 МПа МПа Дж/см2 МПа Дж/см2
Край 637 841,8 15,8 56,4 7,6 657,7 832,9 18,5 54,3 6,9 726,6 911,7 19 60 14,5
Ѕ 667,5 930,4 14,6 49,5 5,2 643,9 789,6 14,0 51 6,8 701 901,9 16,2 52,8 8,8
Центр 620,3 827 9,3 29 5,5 633 795,6 15,5 51 6,4 747,3 905,8 16,1 50 8,4
Среднее значение 641,6 866,4 13,2 44,9 6,1 645 806 16 52,1 6,7 725 906 17 54,3 10,6
2
Выборочная дисперсия S 381 2085 7,9 135 1,1 102 367 3,5 2,4 0,05 359 16 1,8 17,7 7,8
Cреднеквадратичное
19,5 45,7 2,8 11,6 1 10,1 19,2 1,9 1,5 0,2 18,9 4 1,3 4,2 2,8
отклонение S
Максимальное xmax 700 667,5 930,4 15,8 56,4 7,6 700 657,7 832,9 18,5 54,3 6,9 700 747,3 911,7 19 60 14,5
Минимальное xmin 620,3 827 9,3 29 5,2 633 789,6 14 51 6,4 701 901,9 16,1 50 8,4
Коэффициент вариации
3 5,3 21,2 25,8 16,4 1,6 2,4 11,9 2,9 3 2,6 0,4 7,6 7,7 26,4
Кф, %
МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА

Средняя ошибка

результатов модели
11,3 26,4 1,6 6,7 0,6 5,8 11,1 1,1 0,9 0,1 10,9 2,3 0,8 2,4 1,6
среднего N

Статистическая обработка
Доверительный
17,9 41,9 2,5 10,7 1 9,2 17,6 1,7 1,4 0,2 17,3 3,7 1,3 3,8 2,5
интервал Хд
Край 613,4 787,7 16,2 53,4 7,2 657,7 832,9 18,5 58,3 9,1 737,5 915,7 18,4 63,8 15,2
Центр 613,4 839,9 14,5 52,3 7 676,4 851,7 17,5 57,7 8,8 746,3 924,5 19,8 62,2 14,5
Среднее значение 613,4 813,8 15,3 52,9 7,1 667,1 842,3 18 58 9 741,9 920,1 19,1 63 14,9
2
Выборочная дисперсия S 0 681 0,7 0,3 0,01 87,4 88,4 0,3 0,9 0,02 19,4 19,4 0,5 0,64 0,1
Cреднеквадратичное
0 26,1 0,8 0,5 0,1 9,3 9,4 0,5 0,9 0,1 4,4 4,4 0,7 0,8 0,3
отклонение S
Максимальное xmax 475 613,4 839,9 16,2 53,4 7,2 475 676,4 851,7 18,5 58,3 9,1 500 746,3 924,5 19,8 63,8 15,2
Минимальное xmin 613,4 787,7 14,5 52,3 7 657,7 832,9 17,5 57,7 8,8 737,5 915,7 18,4 62,2 14,5
Коэффициент вариации
0 3,2 5,2 0,9 1,4 1,4 1,1 2,8 1,6 1,1 0,6 0,5 3,7 1,3 2
Кф, %
Средняя ошибка

результатов модели
0 15,1 0,5 0,3 0,06 5,4 5,4 0,3 0,5 0,06 2,5 2,5 0,4 0,5 0,2
среднего N

Статистическая обработка
Доверительный
0 24 0,8 0,5 0,1 8,6 8,6 0,5 0,8 0,1 3,9 3,9 0,6 0,8 0,1
интервал Хд
Край 695,1 901,8 16,1 61,5 10,7 689,2 861,5 16,5 59,6 10,4
Центр 714,8 921,6 17,3 59,5 10,6 714,8 877,3 19 58,3 10,5
Среднее значение 704,9 911,7 16,7 60,5 10,7 702 869,4 17,8 58,9 10,5
2
Выборочная дисперсия S 97 98 0,4 1 0 164 62,4 1,6 0,4 0
Cреднеквадратичное
9,8 9,9 0,6 1 0 12,8 7,9 1,3 0,6 0
отклонение S
Максимальное xmax 275 714,8 921,6 17,3 61,5 10,7 275 714,8 877,3 19 59,6 10,5
Минимальное xmin 695,1 901,8 16,1 59,5 10,6 689,2 861,5 16,5 58,3 10,4
Коэффициент вариации
1,4 1,1 3,6 1,7 0 1,8 0,9 7,3 1 0
Кф, %
Средняя ошибка

результатов модели
5,7 5,7 0,3 0 0 7,4 4,6 0,8 0,3 0
среднего N

Статистическая обработка
Доверительный
9,1 9,1 0,5 0 0 11,8 7,3 1,3 0,2 0
интервал Хд

ISSN 0038—920X. “СТАЛЬ”. № 5. 2022 г.


а каждую сталь отдельно.
б
d1
d2
d3
l1 l2 l3
Рис. 2. 3D-модель заготовки под механические испытания (а)
с отображением схемы вырезки темплетов и геометрических
размеров (б)
200
15
∅6
Рис. 3 Образец для проведения механических испытаний на
испытательной машине Z1200
34ХН3М, химический состав которых представлен в
табл. 2.
Для повышения точности результатов создаваемой
модели и качественного ее обучения было принято ре-
шение заложить в модель вариационный ряд легирую-
щих элементов.
Моделирование механических свойств по сечению
заготовок после режима упрочнения З + О, З + О + О.
Режим закалки (3) исследуемых сталей закладывался
в нейромодель следующим образом: температура за-
калки 850-860 оС с длительностью охлаждения заго-
товки из сталей 35ХМ и 34ХН1М – 135 мин, для стали
34ХН3М – 150 мин. Режим отпуска (О) следующий:
температура 580-590 оС.
Скорость охлаждения от 580 до 300 оС в центре за-
готовки по установленным зависимостям получилась
следующая: при диаметре 700 мм – 56 оС/ч, а с 300 до
100 оС – 22 оС/ч. Данные механических характеристик
по всему сечению исследуемых заготовок на продоль-
ных образцах приведены в табл. 3. Дополнительно
было проведено исследование механических свойств
на тех же заготовках при температуре отпуска 650 оС,
результаты представлены в табл. 4. Результаты в табл.
3 и 4 представлены со статистической обработкой ре-
зультатов.
“СТАЛЬ”. № 5. 2022 г. ISSN 0038—920X
МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА
Обсуждение полученных результатов. Рассмотрим
35ХМ. Предел прочности по всему сечению заго-
товок диаметром 700 и 275 мм имеет примерно одно и
то же значение. Предел текучести снижается к центру
только на заготовке 700 мм на 93,7 МПа. Свойства пла-
стичности снижаются по мере удаления от поверхно-
сти к центру. Относительное удлинение образцов за-
готовок диаметром 700 и 475 мм снижается в среднем с
14,5 до 13 %. Значения относительного удлинения за-
готовки диаметром 275 мм остаются примерно на том
же уровне. Значения сужения площади поперечного
сечения достаточно высоки и находятся в пределах
43-55 % для исследуемых образцов. Снижение значе-
ний ударной вязкости достигает 50 % от наибольших
значений, наблюдается довольно большой разброс в
значениях ударной вязкости рядом лежащих образцов.
После дополнительного отпуска продольных образцов
при 650 оС свойства прочности снижаются по поверх-
ности больше, чем в центре, что приводит к выравни-
ванию механических свойств по сечению.
Микроструктура образцов, вырезанных на глубине
30-45 мм всех трех заготовок, состоит из игольчатого
троостита. По мере удаления от поверхности к центру
заготовки диаметром 700 мм структура резко меняется
и на глубине 90 мм и далее состоит из тонкопластинча-
того перлита и феррита в виде разорванных или очень
небольших участков по границам зерен. По сечению
заготовки диаметром 475 и 275 мм микроструктура бо-
лее однородна и состоит из игольчатого троостита, и
только у центра наблюдается небольшое количество
мелкодисперсной перлитной структуры с мелкими
участками обособленного феррита.
34ХН1М. Характеристики прочности по сечению
заготовки диаметром 700 мм имеют высокие значения
(предел прочности 958,8 МПа, предел текучести выше
860 МПа) с незначительной тенденцией к снижению
в центральной зоне. Свойства прочности по сечению
заготовок диаметром 475 и 275 мм несколько повы-
шаются к центру за счет ликвации углерода. Значения
свойств пластичности можно считать удовлетвори-
тельными: сжатие площади поперечного сечения 32-
46 %, удлинение 11-13 %. Значение ударной вязкости
по всему сечению заготовки диаметром 700 мм соот-
ветствует 4 Дж/см2.
Дополнительный отпуск при 650 оС приводит к
снижению свойств прочности на 98-120 МПа, резкому
повышению свойств пластичности и ударной вязко-
сти – на 50-60 %.
Микроструктура образцов, расположенных у по-
верхности заготовки диаметром 700 мм, состоит из
игольчатого троостита. С увеличением глубины распо-
ложения исследуемых образцов микроструктура ста-
новится грубее и на глубине около 260 мм появляются
небольшие участки мелкодисперсного пластинчатого
перлита. В центре сечения заготовки диаметром 700
мм количество перлитной структуры составляет около
20 %. Микроструктура по сечению заготовок диаме-
тром 475 и 275 мм состоит из игольчатого троостита.
25
МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА
34ХН3М. На глубине до 150 мм от поверхности
заготовки диаметром 700 мм характеристики проч-
ности имеют следующие значения: предел прочности
1050 МПа, предел текучести 918 МПа. С увеличени-
ем глубины значения предела прочности и текучести
увеличиваются и в центральной зоне заготовки до-
стигают 1200 МПа по пределу прочности и 1070 МПа
по пределу текучести. По всему сечению поковки
диаметром 500 мм свойства прочности равномерны.
Относительные удлинение и сужение площади по-
перечного сечения образца имеют довольно высокие
и равномерные до трети радиуса значения. С повыше-
нием свойств прочности пластические свойства пони-
жаются и в центральной части имеют довольно низ-
кие значения. По сечению заготовки диаметром 500
мм пластические свойства высоки и меняются мало.
Значения ударной вязкости снижаются по мере удале-
ния от поверхности к центру. После дополнительного
отпуска при 650 оС характеристики прочности снижа-
ются по всему сечению заготовок диаметром 700 и 500
мм до одного значения. С понижением прочностных
свойств повышаются пластические. Особенно резко
увеличиваются значения ударной вязкости, возрастая
после отпуска в 2-3 раза.
Микроструктура образца, расположенного у по-
верхности заготовки диаметром 700 мм, состоит из
мелкодисперсного и довольно однородного сорбита,
ориентированного по иглам. На глубине около 150 мм
наряду с сорбитом отпуска имеется небольшое коли-
чество мелких участков структурной составляющей,
трудно поддающейся травлению и являющейся неот-
пущенным мартенситом. По мере удаления от поверх-
ности к центру количество неотпущенного мартенсита
увеличивается, и в образце, расположенном у самого
центра заготовки диаметром 700 мм, количество неот-
пущенного мартенсита достигает 40-50 %.
Микроструктура по сечению заготовки диаметром
500 мм одинаковая, как у поверхности заготовки диа-
метром 700 мм. После дополнительного отпуска при
650 °С существенной разницы в характере микро-
структуры по сечению заготовки диаметром 700 мм не
наблюдается. При анализе полученных механических
свойств стали 34ХН3М наблюдается резкое повыше-
ние свойств прочности центральных зон заготовки
диаметром 700 мм, которые нельзя объяснить неодно-
родностью химического состава, имея в виду нали-
чие в глубинных слоях неотпущенного мартенсита.
Основной причиной получения в центральных зонах
заготовки диаметром 700 мм из стали 34ХН3М неот-
пущенного мартенсита следует считать недостаточную
выдержку в охлаждающей жидкости при закалке. Ау-
стенит не распался в процессе охлаждения при закалке
и, имея большую устойчивость, сохранился после на-
грева до 580-590 °С при отпуске. Распад его мог проте-
кать только в процессе охлаждения после отпуска.
ЗАКЛЮЧЕНИЕ
По результатам проведенного исследования было
определено, что механические свойства сталей зави-
26
сят от места и глубины вырезки темплетов. Разница в
значениях механических характеристик местами дохо-
дила до 50 %. Установлено, что для получения высоких
и равномерных по всему сечению заготовки значений
механических свойств решающую роль имеет пра-
вильный выбор стали для того или иного назначения,
а также глубина проработки центральных зон детали в
процессе закалки. При недостаточно глубоком охлаж-
дении в жидкости при закалке распад сохранившегося
аустенита будет происходить или в процессе последу-
ющей выдержки при отпуске с образованием структур
перлитного типа с низкими механическими свойства-
ми, или при последующем охлаждении после отпуска
с образованием игольчатого троостита и мартенсита с
высокими свойствами прочности, но с низкими свой-
ствами пластичности и вязкости. Чрезмерно глубокое
охлаждение при закалке опасно из-за возникновения
высоких внутренних напряжений и образования мел-
ких трещин, особенно в ликвационных участках.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Прохоров А. П., Бетина Т. А. Модельное исследование
применения БАТР- процесса для упрочнения контакт-
ных поверхностей зубчатых колес // Упрочняющие тех-
нологии и покрытия. 2021. Т. 17. № 12 (204). С. 547 − 554.
2. Прохоров А. П., Баринова Н. В. Исследование эволюции
микроструктуры и свойств дуплексного нержавеющего
сплава Х3CrNiMn 22-2-5 // Современные материалы,
техника и технологии. 2021. № 5 (38). С. 15 − 24.
3. Аношина О. В., Трубникова А. С., Мильдер О. Б. и др. Мо-
делирование изменения предела длительной прочности
сплавов на основе никеля с использованием байесовских
искусственных нейронных сетей // Письма о материа-
лах. 2020. Т. 10. № 1 (37). С. 106 − 111.
4. Прохоров А. П. Об одном методе оценки дефектности
структуры материала высокопрочного плоского проката
нормальной толщины // Вестник науки и образования
Северо-Запада России. 2021. Т. 7. № 3. С. 20 − 26.
5. Камзанов Н. С., Канажанов А. Е., Оразбаева А. Н. Фи-
зические основы определения механических характери-
стик металлов // Вестник Казахской академии транспор-
та и коммуникаций им. М. Тынышпаева. 2020. № 2 (113).
С. 36 − 43.
6. Прохоров А. П., Бетина Т. А. Метод оценки влияния ги-
дростатического давления на упругие характеристики
металлов с ОЦК и ГЦК решетками // Современные ма-
териалы, техника и технологии. 2021. № 1 (34). С. 48 − 51.
7. Чиркова А. Г., Махутов Н. А., Кузеев И. Р., Гафарова В.
А. Расчетно-экспериментальная оценка изменений
механических характеристик аустенитной стали в про-
цессе эксплуатации // Научные труды НИПИ Нефтегаз
ГНКАР. 2019. № 4. С. 67 − 72.
8. Сюн Чжан, Чжи Вэнь. Моделирование температуры, ми-
кроструктуры и механических свойств холоднокатаной
нержавеющей стали SUS430 в процессе непрерывного
отжига // МиТОМ. 2017. № 12 (750). С. 62 − 70.
9. Курбан В. В. Повышение качества горячекатаной труб-
ной листовой стали по механическим свойствам с ис-
пользованием нейросетевого моделирования : дис. ...
канд. техн. наук: 05.02.23. − Магнитогорск, 2006. − 195 с.
10. Wang P. et al. Mechanical property prediction of strip model
based on PSO-BP neural network // Journal of Iron and Steel
Research International. 2008. Т. 15. №. 3. С. 87 − 91.
ISSN 0038—920X. “СТАЛЬ”. № 5. 2022 г.

11. Ларина Т. В., Кутенкова Е. Ю., Минин О. В., Ми-
нин И. В. Влияние анизотропии свойств на измене-
ние физических и механических свойств поверхности
металла // Интерэкспо Гео-Сибирь. 2016. Т. 5. № 1.
С. 229 − 233.
12. Ларина Т. В., Кутенкова Е. Ю., Тымкул В. М. и др. Ма-
тематическая модель анализа состояния поверхности
конструкционных материалов // Интерэкспо ГЕО-Си-
бирь-2014. Х Междунар. науч. конгр. : Междунар. науч.
конф. «СибОптика2014» : сб. материалов в 2 т. (Новоси-
бирск, 8 − 18 апреля 2014 г.). − Новосибирск : СГГА, 2014.
Т. 2. С. 98 – 103.
“СТАЛЬ”. № 5. 2022 г. ISSN 0038—920X
View publication stats
МЕТАЛЛОВЕДЕНИЕ И ТЕРМИЧЕСКАЯ ОБРАБОТКА
13. Чжан Дж., Гао П., Фанг Ф. Моделирование нейронной
сети ATPSO-BP и его применение для прогнозирования
механических свойств // Вычислительное материалове-
дение. 2019. Т. 163. С. 262 − 266.
14. Mohanty I. et al. Online mechanical property prediction
system for hot rolled IF steel //Ironmaking & Steelmaking.
2014. Vol. 41. №. 8. P. 618 − 627.
15. Chen M. Y., Linkens D. A. A systematic neuro-fuzzy modeling
framework with application to material property prediction //
IEEE Transactions on Systems, Man, and Cybernetics, Part B
(Cybernetics). 2001. Vol. 31. №. 5. P. 781 − 790.
Статья поступила 21.02.2022
27