数字化与智能化技术正作为新质生产力助力中国高炉炼铁的智能化转型升级。目前,以通用大模型（universal large language models, U-LLMs）作为基础框架,利用领域语料库进行2次训练构建行业垂直大模型（vertical large language models, V-LLMs）指导工业生产已成为新态势。尽管已涌现出面向钢铁生产全流程的V-LLMs用于生产,但面向高炉工序构建V-LLMs的针对性研究尚处于初步阶段。通过梳理高炉炼铁智能化技术在近年来的演进升级路线,提出了以大模型驱动其范式重构与融合的新思路。将高炉V-LLMs的任务场景分为调度与决策2类,提出并设计了“数据层→应用层→感知层”的高炉V-LLMs渗透与应用路径,同时针对其未来的性能评估与优化提出5维评价体系,即工艺理解、安全可靠、知识迁移、实时性能与持续学习。随后,探讨了高炉V-LLMs驱动的3种智能升级新范式,包括高炉工况表征、高炉工况元宇宙,以及多场景融合,提出以高炉V-LLMs为核心的“物理↔虚拟↔感知”三维协同深度表征架构与“高炉画像”新概念,对高炉工况元宇宙的构建路线及多场景融合方针进行了梳理与讨论。最后,分析了高炉V-LLMs在未来发展与应用过程中面临的主要问题及可参考的解决方案。重点在于梳理高炉V-LLMs在构建、应用、评价中的可行性路线,结合行业发展现状对高炉V-LLMs驱动的炼铁智能化范式重构进行讨论,旨在为V-LLMs在中国高炉炼铁领域未来的深度应用提供理论指导,进一步推动中国高炉炼铁智能化的转型升级与发展。

河钢集团以国家产业政策为引领,积极推进产业结构调整和转型升级,致力于将唐钢新区打造成为绿色、智能、高效的新一代流程钢厂。工程项目规划、设计、建设及投产以来认真践行“冶金流程工程学”理论,集成应用了一系列新工艺新技术,有效提升了各工序的工艺技术及装备水平。特别是在铁前系统,在原料储运环节,采用港口-料场一体化设计,建成智能无人化封闭型环保料场,实现了原燃料的绿色储运与高效调配;焦化工序采用宽炭化室大焦炉及低碳环保焦化技术,工艺技术装备及能效水平达到国内领先水平;球团工序研发了国产化大型带式焙烧机工艺技术与装备,在复杂精粉资源条件下开发了中高硅熔剂性球团生产技术;烧结工序采用厚料层、高比例烟气循环、环冷余热梯级回收利用及智能化烧结等技术,显著提高了烧结工序的生产效率和节能减排效果;高炉工序采用40%~60%高比例球团冶炼,开发应用了智能化、可视化操作技术,实现了高炉的长期高效稳定运行。此外,通过生产调度系统与炼铁MES系统的深度融合,构建了全流程一体化的生产管控体系,为高效协调组织铁前生产创造了条件。唐钢新区铁前系统新工艺新技术的集成应用显著提升了生产效率、能效利用和环保管控水平,为唐钢的可持续发展提供了有力支撑,为钢铁企业的转型升级和高质量发展树立了典型。

氨气是高氢能载体,可以作为高效还原气应用于钢铁行业。相较于氢气,氨气具有易液化和便于储运方式的优点。因此,提出“以氨代氢”进行直接还原铁矿粉的思路,并结合热力学分析,开展900~1 100 ℃下NH₃直接还原磁铁矿试验。着重分析了高温条件下NH₃还原效果的变化规律及还原产物微观形貌和孔隙结构的演变规律,并与相同条件下H₂还原效果进行对比。研究结果表明,与H₂还原热力学结果相比,相同温度条件下,较低的NH₃相对分压就可以将Fe₃O₄还原为Fe,这说明NH₃具有一定的还原优势。在900 ℃下,NH₃与H₂还原产物的TFe质量分数相比仅差4%左右,这说明NH₃具有与H₂相当的还原能力,且NH₃的还原产物由于存在铁氮化物,导致其金属化率比H₂还原产物低14%左右;通过提高温度可以分解产物中的铁氮化物达到脱氮效果,并且在1 000~1 100 ℃下,NH₃还原金属化率普遍高于H₂,金属化率高达98%。微观分析结果显示,相比H₂还原,NH₃还原产物表面盲孔分布更密集,内部交联孔更复杂,并且内部的枝状连接结构有利于NH₃向精矿内部扩散,同时,随着还原时间延长,NH₃还原产物有由蜂窝铁向致密铁转变的趋势。NH₃还原过程中微孔孔体积比例降低了11.79%、分维值降低了0.139,这表明还原过程中样品表面有由粗糙向光滑转变的趋势,并且孔隙结构存在明显动态变化。研究证明了高温条件下NH₃还原更具优势,其还原过程中复杂的孔隙与动态变化的孔隙结构,均为NH₃进入精矿内部提供了扩散通道。研究结果为“以氨代氢”直接还原炼铁技术提供了实证数据,同时对低碳冶金的可持续发展具有一定意义。

基于某钢厂高炉的实际原燃料条件,采用实验室试验、数学模型构建与生产数据分析相结合的方法,试验研究了不同类型废钢（包括粒子钢和渣钢粒）对综合炉料软熔滴落性能的影响,通过建立高炉使用废钢的物料-热平衡数学模型,分析了废钢添加对燃料消耗的影响规律,并结合该钢厂高炉实际生产数据进行了对比验证。软熔滴落试验结果表明,在综合炉料中添加质量分数为5.0%的废钢（包括粒子钢和渣钢粒）时,滴落铁的成分和熔点未发生显著变化,但滴落渣中FeO含量有所增加,软熔带厚度变窄,透气性得到显著改善。其中,粒子钢对软熔带厚度变窄和透气性改善的效果明显优于渣钢粒。当添加废钢质量分数大于5.0%时,滴落铁熔点呈现上升趋势,软熔带厚度增加,透气性变差。物料-热平衡模型计算结果显示,废钢加入量为100 kg/t时,综合炉料品位提升2.68%,矿比降低171 kg/t,焦比下降38.5 kg/t,渣比减少32.94 kg/t,直接还原度略有上升（5.74%）。实际生产数据验证表明,在此添加量下,高炉日产量提高600 t/d,利用系数增幅达6.6%,燃料比降低30 kg/t,但煤气利用率略有下降（约1%）;此外,当添加废钢质量分数低于5.0%时,高炉透气性可获得显著改善,但随着添加量继续增加,透气性变差。通过对比分析发现,实验室试验数据、数学模型计算结果与生产数据具有良好的一致性。研究结果为高炉合理使用废钢提供了理论依据和技术支撑,对优化高炉冶炼工艺、降低生产成本具有重要的指导意义。

在“双碳”战略驱动下,高炉炼铁工艺的低碳化革新成为钢铁行业转型核心。聚焦高炉炼铁工艺的富氧-氢跃升路径,通过热质衡算与关键约束量模型,理论分析了传统高炉、喷吹循环煤气及喷吹焦炉煤气3种工艺的富氧上限和工作窗口,以及富氧率、循环煤气量和焦炉煤气量对低温区热平衡、理论燃烧温度、焦比及炉腹煤气量的影响规律。研究结果表明,传统高炉在煤比为150 kg/t条件下,富氧率阈值需控制为7.9%以内,可维持理论燃烧温度t_f在（2 150±50） ℃的顺行区间,同时保证低温区热通量不小于2.8 GJ/t。采用喷吹循环煤气工艺时,富氧率上限提升至52.23%,焦比显著降低至207.44 kg/t,比基准工况下降18.6%。而喷吹焦炉煤气工艺在低煤比条件下,富氧率上限达35.67%,焦比最低值降至183.91 kg/t,比循环煤气工艺再降11.3%,展现出更优的碳减排潜力。研究进一步发现,在t_f稳定控制范围内,富氧率每提升1%,风口循环煤气量可增加9.15 m³/t,最大喷吹量达458.26 m³/t;焦炉煤气喷吹量则随着富氧率的增加呈非线性增长,上限值为293.27 m³/t。低温区热平衡呈现非对称变化特征,当富氧率从5%增大至35%时,热需求下降22.4%,而热供给降幅达31.7%,这种供需失衡现象为高炉热管理提出了新的调控要求。研究结果揭示了喷吹焦炉煤气工艺的三重协同效应,通过富氧率提升实现工艺窗口扩展,借助H₂:CO（质量分数比）来优化降低焦比,并利用煤气重整反应调节热平衡。研究为构建“富氧-富氢-低焦比”的新型高炉炼铁体系提供了理论支撑,对推动钢铁行业低碳转型具有重要应用价值。

数据驱动方法在高炉铁水硅含量预报方面取得了一定的成功,但由于高炉的复杂性,特征参数的强耦合、大时滞和多时间尺度特点提高了模型的训练难度,这是硅预报模型应用需要持续研究和特别关注的问题。采用时间窗口和主成分分析（principal component analysis,PCA）将22个分钟级的特征参数转化为铁次级参数,进一步采用滑动窗口和最大信息系数（maximal information coefficient,C_imax）确定了参数的滞后时长。利用随机森林优化的SHAP算法对34个参数在强耦合条件下的重要性进行评估,筛选出7个关键参数。使用SHAP算法优化Transformer的自注意力机制,构建了SHAP-Transformer铁水硅含量预报模型,通过现场数据验证了模型的有效性。结果表明,铁水硅质量分数预测误差为-0.05~0.05和-0.1~0.1时,基于滑动窗口时滞分析及耦合参数优选的SHAP-Transformer模型的命中率最高,分别为72.12%和95.76%,比基于MIC参数选择的SHAP-Transformer模型提高了26.67%和21.21%,比基于滑动窗口时滞分析及耦合参数优选的长短时记忆网络（long short-term memory,LSTM）模型提高了17.57%和9.7%。基于滑动窗口时滞分析及耦合参数优选的SHAP-Transformer模型对铁水硅含量的变化趋势预测也有较高的精度,趋势方向预测的准确率为87.3%,趋势类别预测的准确率为60.5%,研究能够为高炉操作者提前判断炉温变化提供可靠依据。

以国内某钢厂转炉（basic oxygen furnace ,BOF）→精炼炉（ladle furnace ,LF）→连铸（continuous casting ,CC）流程生产的MR钢为研究对象,通过在LF到站、LF化渣后、钙处理前、钙处理后、LF软吹3 min和9 min、LF出站、中间包等工位进行全流程取样,检测其中的总氧（T[O]）含量、夹杂物数密度等指标,揭示了夹杂物的演变规律及其与T[O]含量的关系,同时结合热力学计算优化了钙处理工艺。研究表明,LF到站至钙处理前,T[O]含量持续降低,钢液中夹杂物主要是脱氧产物Al₂O₃。钙处理后T[O]含量升高,钢液中部分Al₂O₃被改性为CaO-Al₂O₃。软吹开始后T[O]含量持续升高,软吹9 min时其质量分数高达0.004 25%,这表明钙处理和软吹过程中钢液均发生了二次氧化。软吹后钢液中开始出现Al₂O₃-CaS和CaO-Al₂O₃-CaS夹杂物。LF出站至中间包连铸阶段,T[O]含量呈下降趋势,夹杂物以Al₂O₃类（指Al₂O₃和Al₂O₃-CaS）和CaO-Al₂O₃类（指CaO-Al₂O₃和CaO-Al₂O₃-CaS）为主。铸坯中显微夹杂物主要包括脱氧产物Al₂O₃、钙处理产物钙铝酸盐以及它们的衍生物,宏观夹杂物以结晶器保护渣和含钛大颗粒夹杂物为主。从LF到站至连铸阶段,夹杂物的演变路径为Al₂O₃→Al₂O₃+CaO-Al₂O₃→Al₂O₃类+CaO-Al₂O₃类。LF到站至LF出站过程中夹杂物总数密度、平均尺寸、总面积、平均面积等参数与T[O]含量变化趋势一致,但在连铸过程一致性较差,这与CaS、TiN等物质的析出有关。针对钙处理工艺,热力学计算表明,钙处理的液态窗口与钢液的全钙/全铝（w（T[Ca]）/ w（T[Al]））和w（T[Al]）/ w（T[O]）无明显对应关系,但与w（T[Ca]）/ w（T[O]）密切相关。当w（T[Al]） 为0.046%时,液态窗口的w（T[Ca]）/ w（T[O]） 为0.52~0.96。当前钢液成分下形成的夹杂物位于液态窗口下方,可以通过将w（T[Ca]）增加0.000 94% 或将w（T[O]） 控制在0.002 3%以内来实现将Al₂O₃从理论上全部改性为液态钙铝酸盐的目标。此外,铸坯中的CaS主要在钢液凝固过程中析出。

为了提高VD（vaccum degassing）精炼非真空过程中对吹氩等级检测的识别速度和准确性,提出1种改进YOLOv8n模型的VD精炼非真空过程中吹氩等级检测模型。首先,基于YOLOv8n模型,在主干网络层中引入坐标注意力机制（coordinate attention,CA）,利用坐标注意力机制的特点使基础模型在识别精确度方面有所提升;进一步利用快速网络（FasterNet）内部的设计模式,使用其网络模型内部的FasterBlock模块替换基础模型主干网络和颈部网络中特征提取模块C2f内部的Bottleneck处理模块,以期增加原基础模型的训练速度和识别速度;其次,由于目前没有钢包精炼吹氩等级识别的相关训练权重,通过借助标注工具和视频转换工具将收集到的钢厂钢包精炼图像集进行标注与划分;然后,根据不同的训练权重结果开展不同改进模型和基础模型的对比试验和消融试验。试验结果表明,改进后YOLO8n模型识别精确度（precision）提高了11个百分点,平均精度均值（P_mA）提升了6个百分点,每秒图像处理速度（F_PS）提高了6.4 帧/s,这说明改进后的模型在识别精确度和检测速度上均有显著提升。最后,将改进模型在VD精炼初期-破渣期-喂线期的图像集上进行大量识别检测试验,结果证明,改进后模型能够满足VD生产过程中的实时吹氩等级检测,这为VD精炼过程中非真空情况下规范化的流量控制提供了有效的智能化检测模型。

黏结漏钢作为最常见的漏钢事故,不仅会损坏连铸设备,甚至威胁操作人员生命安全。常规的漏钢预报模型主要依赖工艺参数的阈值进行判断和简单的统计分析,没有充分利用数据的时序变化,限制了模型的准确性。为了解决上述问题,将鲸鱼优化算法（whale optimization algorithm,WOA）和长短期记忆神经网络（long short term memory, LSTM）结合,构建了一种基于深度学习的WOA-LSTM漏钢预报模型。提取温度特征、静态几何特征及动态特征,使用皮尔逊相关系数筛选出与漏钢事故相关性较高的特征参数,包括温升异常和温降区域温度变化率均值、最大值等11个特征。利用鲸鱼优化算法对长短期记忆神经网络的超参数进行寻优,以均方误差作为模型损失函数,通过循环迭代搜索出最优的网络超参数。在模型训练过程中,采用滑动窗口技术输入训练样本,使模型能够更好地学习和捕捉连铸过程中工艺参数的时序变化特征。最后使用某钢厂的实际生产数据进行了试验,与BP（back propagation）、LSTM及WOA-BP模型相比,WOA-LSTM预测模型在多个性能指标上均表现出色,能更精准地捕捉到特征数据的时序变化趋势,且模型的收敛速度快、预测精度高。该模型的报出率为98.4%,预报率为96.8%,能够满足钢厂实际生产的要求。

在连铸过程中,含铈钢与保护渣之间相互作用将显著改变保护渣冶金特性,这种相互作用会干扰连铸过程顺行并影响铸坯质量稳定性。为了更深入地了解Ce₂O₃对SiO₂基保护渣性能影响机理,采用旋转柱体法测量了不同Ce₂O₃含量下SiO₂基保护渣黏度变化,并基于测量结果分析了熔渣转折温度和黏流活化能。同时,借助拉曼光谱和X射线衍射研究了炉渣结构特征。研究结果表明,当温度高于1 673 K时,随着保护渣中Ce₂O₃含量增加,保护渣黏度降低;而当温度低于1 573 K时,随着保护渣中Ce₂O₃含量增加,保护渣黏度升高。随着保护渣中Ce₂O₃质量分数由0增加到15%,1 573 K黏度从0.29 Pa·s增加到0.35 Pa·s,转折温度从1 454 K提高到1 522 K,黏流活化能从130.3 kJ/mol增加到157.9 kJ/mol。这是由于随着保护渣中Ce₂O₃含量增加,拉曼光谱主峰值从906 cm^-1向867 cm^-1移动,表明Ce₂O₃作为碱性氧化物能够解离成Ce³⁺和O^2-,解离出的O^2-破坏熔体中硅氧四面体结构,使得保护渣网络结构简单化,从而降低黏性流动摩擦阻力,宏观表现为保护渣高温黏度降低。然而,随着保护渣中Ce₂O₃含量增加,保护渣中低熔点相（Ca₄Si₂O₂F）会向高熔点相[Ce_9.33（SiO₄）₆O₂]转变,增强了析晶能力,降低了润滑性能,宏观表现为保护渣低温黏度提高。因此,为了保护渣性能稳定,保护渣中Ce₂O₃质量分数不宜超过15%。研究结果将为含铈钢连铸生产提供重要技术支撑。

连续化制造技术是热轧带钢制造技术发展的重要方向,通过将传统制造流程中独立分散的连铸、加热、轧制等工序高效集成,实现了从钢水到钢卷的连续化生产。它是实现钢铁工业低碳、高效、高质量发展的重要技术路径,是新质生产力的代表。针对MCCR（multi-modo continuous casting and rolling）多模式连续铸轧产线工艺特点,分析了其实现连续化制造面临的关键技术问题,并基于生产实践提出了成套的解决方案。首先,针对高钢通量连铸需求,构建了涵盖超高拉速连铸、高钢水洁净度控制以及流场稳定控制技术的高钢通量连铸技术体系,突破传统工艺的钢通量与品质瓶颈;其次,开发了耐火材料、结晶器和轧辊3大长寿化关键技术,大幅降低设备损耗并提高运行时间,保障了连续化制造的长周期稳定运行;同时,基于隧道式均热炉的多模式解决方案,实现了单坯/半连续/全连续多模式灵活转换,并配套开发了在线、动态、宽域、高精度厚度/宽度调控技术,有效解决连续化制造生产灵活性不足的问题。此外,通过集成高精度凸度控制、高稳定性能控制、高性能材料制备技术,形成了高品质制造技术体系,以满足全系列高强度钢的高精度制造。最后探讨了连续化制造技术的发展方向,即深度融合绿色低碳、高品质生产和智能化赋能,以期助力未来钢铁工业的转型升级。

ESP（endless strip production）轧制是一种领先的钢铁制造工艺,被视作继氧气转炉炼钢和连续铸造之后,钢铁行业的重要技术突破,其无头轧制生产线在提高生产效率、降低能耗和提升产品质量方面具有显著优势。为了进一步提升ESP无头轧制生产线的效率,将智能优化调度和排产技术应用于ESP生产中是非常必要的。针对某钢厂ESP无头轧制生产线的批量调度与排产问题,综合考虑生产工艺规程及订单交付期限等因素,选取厚度和硬度作为跳跃惩罚函数,以跳跃惩罚和生产单元数最小化作为优化目标,建立ESP无头轧制排产计划多目标优化模型。结合生产线的实际情况和订单的交付日期,将订单划分为不同的轧制优先级,然后根据生产单元余量,使用聚类算法合并较低优先级内的同种钢材,最后开发和实施了遗传-萤火虫混合优化算法,该混合算法巧妙地融合了遗传算法强大的全局搜索能力与萤火虫算法在局部搜索中的精细特性,旨在对合并后的订单进行精准而高效的排产求解,从而实现跨工序下铸-轧一体化多品种、多规格智能排产。最终,利用钢厂实际生产数据进行排产验证,并对传统遗传算法、萤火虫算法和遗传-萤火虫混合算法的优化结果进行了对比分析,证实了所提出的遗传-萤火虫混合算法优化模型的准确性和有效性。试验结果表明,该混合算法能够有效减少跳跃惩罚,降低生产成本,同时在满足订单按时交付的前提下,为钢厂带来了显著的经济效益。

轧机异常振动不仅会造成板带材表面质量下降、加速轧辊磨损、降低生产效率,甚至会引发堆钢、断带等问题威胁现场生产安全。但在目前轧机振动研究领域被广泛应用的集中质量振动模型中,轧机系统的刚度、阻尼无法得到准确值,只能做近似处理,误差较大,导致依据此方法建立的模型难以准确描述实际轧制过程。为解决轧制过程中振动难以抑制的问题,针对轧机振动的强非线性和轧机系统模型难建立等特征,提出一种不基于模型的深度强化学习控制策略,采用深度确定性策略梯度（deep deterministic policy gradient,DDPG）为控制策略设计控制器,依托于算法本身特性进行交互式学习,通过信号处理的方式获取数据集,训练完成之后保存网络结构,获取主动控制器;基于轧机AGC（automatic gauge control）系统内部原有控制闭环,采用并联方式连入主动控制器,通过智能体与轧机状态环境交互得到控制信号,AGC系统输出外部主动力平衡振动产生的惯性力,依靠外部主动力和系统本身的阻尼做负功,从而实现轧机垂直振动的主动控制。通过仿真分析验证了此方法的可行性,结果显示,控制后振动信号的均方根R_MS降低率达到80%,表明基于DDPG的轧机振动主动控制策略有优异的振动控制能力,且参数整定过程简单,收敛速度快,符合控制需求,为复杂工业场景的振动控制提供了新思路。

热镀锌铁（galvannealed,GA）带钢因其优异的防腐性能和成形能力,广泛应用于汽车制造等领域,其表面粗糙度是影响涂装与产品外观的核心质量指标。针对GA带钢生产过程中粗糙度受多工序耦合影响、传统单点预测精度不足的问题,以某热镀锌铁产线为研究对象,通过分析冷轧基板、热镀与平整3阶段粗糙度演变机理,明确热镀工序的合金化温度、合金化速度、镀层铁元素含量与平整工序的带钢规格及轧制参数为关键影响因素。在此基础上,提出了兼顾多目标预测精度的优化目标函数,并结合贝叶斯超参数优化与五折交叉验证方法,建立了基于多目标独立建模的机器学习预测架构。通过融合降噪后的工业实测数据（共6 551条）对比了XGBoost （eXtreme gradient boosting）、CatBoost（categorical boosting）等算法结合架构对粗糙度预测的性能。试验结果表明,XGBoost在上下表面和多个测点均表现出优异性能,在上下表面各3个测点的平均决定系数（R²）都达到0.94以上,均方根误差（R_MSE）均低于0.046;此外,结合架构的XGBoost为同样高性能的CatBoost训练效率的6~10倍,其上下表面平均预测精度均超过96%。所建多目标预测架构与XGBoost算法结合,能有效实现GA带钢宽度方向粗糙度的多目标预测,满足工程实际应用的精度要求,具备在类似产线和其他多目标质量预测场景中推广的潜力。

随着电子信息技术的快速发展,极薄带综合性能面临更高要求,尤其是不锈钢极薄带的表面形貌控制成为关键技术难点。针对这一问题,基于12辊精密极薄带轧机,采用磨削、喷砂和抛光3种典型表面处理的轧辊,对厚度为0.08 mm的 304不锈钢极薄带开展单道次轧制试验,构建了适用于极薄带的表面粗糙度转印机理模型（roughness transfer mechanism model, RTM）。通过遗传算法对机理模型中的关键参数进行优化,系统揭示了压下率、张力、轧辊粗糙度以及原始带材粗糙度对轧制过程中表面粗糙度的影响规律。进一步将机理模型与机器学习方法深度融合,提出轧制转印机理约束的表面粗糙度预测模型,通过提取机理模型预测值与实际值的偏差作为机器学习输入,利用其非线性拟合能力捕捉传统机理模型未能解释的复杂非线性特征,最终通过偏差修正实现表面粗糙度的精准预测。试验结果表明,该融合模型充分发挥了2类模型优势,以算数平均粗糙度R_a为例,最优模型的预测准确率达到95.08%,相关系数达到0.934 7,并最终在工业现场采集数据进行验证,预测精度依旧可以保持在90%以上。该模型兼具机器学习的高效预测性能与轧制转印机理的物理可解释性,为极薄带表面质量控制提供了新的方向,对深入探究表面粗糙度形成机理与极薄带的工艺参数优化具有重要工程意义。

FeNi合金因良好的磁性能在变压器、发电机、磁屏蔽等领域有着广泛应用。已有报道表明热轧及后续退火处理可提升FeNi合金的磁性能,但是关于热轧工艺如何调控微观结构进而提升磁性能的机理还不清楚。为此,以FeNi合金为对象,通过调控热轧与后期退火工艺优化FeNi合金磁性能,并在相近配方下获得了与文献报道相当的磁性能。重点研究了不同热轧温度（800、1 000 ℃） 和热轧变形量（30%、50%）下,FeNi合金微结构（如晶粒尺寸、高/低角度晶界、位错密度等） 的演化以及对合金磁性能的影响,旨在探究热轧工艺对FeNi合金磁性能的影响机理。结果表明,在热轧过程中,当控制热轧温度不变,热轧变形量从30%增加到50%时,磁导率降低,矫顽力升高,这是因为热轧变形量增加导致晶粒细化,位错密度增加,阻碍磁畴偏转,使磁导率和矫顽力恶化;当控制热轧变形量不变,热轧温度从800 ℃升高到1 000 ℃时,FeNi合金磁导率升高,矫顽力降低,这是由于较高的热轧温度促进位错回复和再结晶过程,降低了整体位错密度。同时发现,热轧过程中,低角度晶界附近较多的位错储存不利于磁性能的提升,而较高的热轧温度减少了低角度晶界,减少了局部位错积累,提升了磁性能。1 100 ℃、4 h真空退火处理后,FeNi合金晶粒尺寸增大、位错密度显著降低,磁性能得到进一步提升。研究为通过热轧工艺优化FeNi合金的磁性能提供了一定指导。

奥氏体不锈钢是不锈钢中产量和用量最大的一种,在石化、核电、食品等众多领域发挥着重要作用,但较低的屈服强度限制了其进一步应用。近年来,高强奥氏体不锈钢的研发已成为不锈钢领域研究热点之一。通过真空冶炼、低温轧制、退火和时效热处理等工艺制备了屈服强度为676 MPa、抗拉强度为1 011 MPa且塑性良好（断后伸长率大于50%）的新型高强高塑性奥氏体不锈钢。时效处理能提高钢的强度,但对耐蚀性的影响及其机理目前尚不明晰。为此,利用SEM（scanning electron microscope）/EBSD（electron back scatter diffraction）、XRD（X-ray diffraction）、XPS（X-ray photoelectron spectroscopy）、TEM（transmission electron microscope）、电化学等方法研究了550 ℃时效处理对新型奥氏体不锈钢点蚀性能的影响,并探讨了影响机理。结果表明,时效试样的点蚀电位（E_p）低于未时效试样的,并且随着时效时间的延长,E_p逐渐降低,极化电阻（R_p）逐渐减小,耐点蚀性能缓慢下降;但E_p最小也在0.15 V以上,且时效处理对自腐蚀电位和自腐蚀电流密度的影响不明显。此外,时效处理使试样钝化膜中的Cr₂O₃相对含量低,而NiO、MoO₃的相对含量变化不大。这主要是因为,时效处理过程中试样中Cr₂₃C₆和NbN等析出相的析出和长大造成了样品中Cr、N元素分布的局部不均匀而导致微区电化学的不均匀,从而使试样的点蚀电位降低以及再钝化能力减弱,而时效处理对影响试样点蚀性能的平均晶粒尺寸、基体相组成等因素无影响。这为开发综合性能更加优异的先进奥氏体不锈钢提供了可能的途径。

氢脆是高强钢在氢环境中服役失效的关键诱因,其作用机制与应变速率密切相关。通过分离式霍普金森压杆（split Hopkinson pressure bar,SHPB）试验结合电化学充氢技术,系统研究了在高应变速率（400~2 700 s^-1）下氢对18CrNiMo7-6合金钢动态力学性能与微观组织的影响,并揭示了其作用机制。试验结果表明,18CrNiMo7-6合金钢在高应变速率下表现出显著的应变率强化效应,应变速率从400 s^-1增至2 700 s^-1时,屈服强度提升107.72%,塑性流动应变增加387.88%。微观分析表明,高应变速率促使小角度晶界比例上升、晶粒细化,同时几何必须位错（geometrically necessary discocation,GND）密度显著增加,小角度晶界、细晶粒、GND共同形成多尺度障碍网络,显著提高位错运动阻力,使18CrNiMo7-6合金钢表现出应变率强化效应。氢对18CrNiMo7-6合金钢力学性能的影响呈现应变速率依赖性,即在应变速率为400~1 100 s^-1时,氢导致动态屈服强度提高,但塑性损失显著;而在应变速率为1 900~2 700 s^-1时,氢会使强度降低,塑性损失趋近于0。通过EBSD分析揭示了氢与应变速率耦合作用下18CrNiMo7-6合金钢的变形机制。氢降低了小角度晶界比例,加剧了局部应变集中,并提高了GND密度。提出在高应变速率下氢通过钉扎位错运动加重局部塑性变形,但应变速率升高会削弱氢对位错运动的钉扎效应。结果为高应变速率下氢对18CrNiMo7-6合金钢性能的影响提供了新的试验依据与理论解释,对优化其在极端工况下的应用具有重要参考价值。

热轧生产过程中道次间的应变诱导析出硬化行为与静态再结晶软化行为的耦合作用对钢材显微组织变化具有决定性影响。此外,对于Nb-Ti复合微合金钢,其析出行为中组织演变过程异常复杂,会导致以假设和试验数据建立的传统物理冶金模型的计算精度偏低。随着机器学习在钢铁生产过程中的广泛应用,其逐渐被引入到Nb-Ti微合金钢热变形过程中物理冶金行为的建模上。首先,在收集文献数据的基础上,通过相关性分析筛选出对再结晶和应变诱导析出行为影响权重大的成分和工艺参数作为模型输入变量;在此基础上,引入随机森林（RF）、极限梯度提升（XGBoost）及人工神经网络（ANN）3种机器学习算法,分别建立了再结晶模型中静态再结晶分数为0.5时对应的时间（t_0.5）、材料参数（n）以及析出模型中析出开始时间（t_ps）和结束时间（t_pf）的计算模型,其中,RF模型计算的t_0.5、n、t_ps和t_pf的均方根误差（R_MSE）分别为2.25、0.08、49.50、1 252.8,优于其他机器学习算法。以700XL为目标钢种进行双道次压缩试验,发现当变形温度为1 000 ℃时,软化率曲线变化呈现典型的再结晶软化过程;当变形温度为950和925 ℃时,将同时发生微合金元素的应变诱导析出和静态再结晶,二者的耦合作用会导致软化率曲线出现“平台”。试验数据验证表明所建立的机器学习模型在析出的起止时间计算精度上优于传统物理冶金模型,同时计算得出的软化率曲线很好地呈现了再结晶与析出的交互作用规律。

硅钢两辊式挤压涂覆是涂液与涂辊、带钢之间的液固耦合作用过程,辊面带微刻槽的涂辊受载变形具有高度非线性特征。为提高宽幅带钢涂覆均匀度,深入研究了辊系受载后辊面接触应力及刻槽面积分布。在无流体条件下,开展辊系力学分析;针对涂辊的橡胶与钢筒复合结构,首次提出了带钢与橡胶、橡胶与橡胶接触的辊间总压力计算方法;基于超弹性橡胶本构模型,采用整体-局部策略,结合实际参数建立了适用于多槽型分析的有限元模型;首次设计并搭建了涂辊受载变形视觉检测试验平台,通过施加不同载荷并运用图像处理算法提取压痕宽度,验证了有限元方法的准确性;研究揭示了载荷、橡胶硬度、带宽和带厚对辊面接触应力、刻槽面积分布的影响规律。研究表明,载荷为20 kN时,单个刻槽受载接触区的接触应力由刻槽中部向端部先增大后减小;刻槽受载后底边和侧边均发生不规则凸起;最大接触应力为中部接触应力的2.457倍;辊面不同位置的刻槽面积减少率为29.609%~31.176%;载荷为10~30 kN时,带钢与涂辊接触区的涂辊端部应力相对中部增加了4.079%~9.112%,刻槽面积减少了1.144%~3.421%;带钢宽度为1 000~1 400 mm时,端部应力相对中部增加了4.988%~9.208%,面积减少了1.552%~3.016%;橡胶硬度越大,应力分布越不均匀,而面积分布则趋于均匀;带厚对应力及刻槽面积分布的影响可忽略不计。研究结果为后续流固耦合分析提供了重要的试验依据和数据支持。

针对铸件表面缺陷检测存在精度欠佳、检测速率低等问题,提出基于改进YOLOv8n的铸件表面缺陷目标检测算法SPI,并通过通道级知识蒸馏（channel-wise knowledge distillation, CWD）对算法进行蒸馏训练。首先,设计S-FasterNet网络,并将其替换为YOLOv8n的主干网络,该网络在降低冗余运算和内存访问量的同时,能分别在水平和垂直维度获取丰富的上下文信息,保留铸件细微部分的特征;然后,提出P-C2f模块,在降低信息损失的同时增强网络的特征表达;同时,引入Inner-CIoU边界框回归损失函数,以提升模型的定位性能;此外,以目标检测算法SPI为基础,利用CWD技术进一步提高模型的检测精度;最后,结合CWD-SPI检测算法和MySQL数据库,开发了铸件表面缺陷检测系统,该系统能够实时执行多种缺陷检测任务,并将检测结果进行存储和分析,有助于实时统计铸件的缺陷信息,提高了检测过程的灵活性和适应性,能够更好地应对不同检测需求。试验结果表明,CWD-SPI目标检测算法在铸件缺陷数据集上的平均精度均值A为85.9%,相较于原YOLOv8n算法提高5.9%,其精确率（Precision）提高5%;改进后的算法能够在增强铸件表面缺陷检测性能的同时,满足铸件缺陷检测的实时性要求。