CN103352192A - 一种设计单晶高温合金固溶制度的方法 - Google Patents
一种设计单晶高温合金固溶制度的方法 Download PDFInfo
- Publication number
- CN103352192A CN103352192A CN201310289294XA CN201310289294A CN103352192A CN 103352192 A CN103352192 A CN 103352192A CN 201310289294X A CN201310289294X A CN 201310289294XA CN 201310289294 A CN201310289294 A CN 201310289294A CN 103352192 A CN103352192 A CN 103352192A
- Authority
- CN
- China
- Prior art keywords
- temperature
- solid solution
- phase solvent
- initial melting
- solution system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910000601 superalloy Inorganic materials 0.000 title claims abstract description 60
- 239000006104 solid solution Substances 0.000 title claims abstract description 51
- 239000013078 crystal Substances 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000002844 melting Methods 0.000 claims abstract description 77
- 230000008018 melting Effects 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000010438 heat treatment Methods 0.000 claims abstract description 26
- 239000002904 solvent Substances 0.000 claims description 41
- 230000008014 freezing Effects 0.000 claims description 19
- 238000007710 freezing Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 229910052750 molybdenum Inorganic materials 0.000 claims description 2
- 229910052758 niobium Inorganic materials 0.000 claims description 2
- 229910052707 ruthenium Inorganic materials 0.000 claims description 2
- 229910052715 tantalum Inorganic materials 0.000 claims description 2
- 229910052719 titanium Inorganic materials 0.000 claims description 2
- 229910052759 nickel Inorganic materials 0.000 claims 1
- 229910045601 alloy Inorganic materials 0.000 abstract description 14
- 239000000956 alloy Substances 0.000 abstract description 14
- 239000007787 solid Substances 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000007711 solidification Methods 0.000 abstract description 2
- 230000008023 solidification Effects 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 12
- 238000005275 alloying Methods 0.000 description 8
- 239000000470 constituent Substances 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 4
- 229910000995 CMSX-10 Inorganic materials 0.000 description 3
- 238000007669 thermal treatment Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010587 phase diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910001011 CMSX-4 Inorganic materials 0.000 description 1
- 229910001027 TMS-162 Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002051 biphasic effect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 229910052702 rhenium Inorganic materials 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
Images
Landscapes
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明公开了一种设计单晶高温合金固溶制度的方法。先通过不同成分单晶高温合金的特征温度数据库，训练Back-Propagation人工神经网络，之后，对已训练的人工神经网络输入待测合金成分，计算得到固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度，然后根据以上特征温度设计固溶制度。本发明训练的神经网络输入端涵盖了高温合金大部分的成分范围，实现了快速判断高温合金能否固溶及准确设计固溶制度，可用于指导高温合金设计及工业生产。
Description
技术领域
本发明涉及设计单晶高温合金固溶制度的非线性方法，特别是一种基于人工神经网络的设计单晶高温合金固溶制度的方法。
背景技术
单晶高温合金由于具有较高的承温能力、优秀的服役表现和不错的抗氧化性能，是目前及将来先进发动机承温涡轮叶片的首选材料。由于对使用温度的要求越来越高，难熔元素如W、Mo、Re、Ru等的合金化用量愈来愈大，第一代单晶高温合金中难熔元素总量约为14w.t.%，到第三代如CMSX-10时提高到约20w.t.%。同时，Al、Ti、Ta、Nb等第二相形成元素的使用也接近固溶极限。由此也带来了如下缺点：固溶温度过高，低熔点相初熔温度过低，固溶窗口过窄，固溶进程缓慢，固溶制度设计困难甚至不能实现固溶。例如，CMSX-10的标准固溶制度从1315℃阶梯升温到1365℃，温度跨度50℃，总时长达40多个小时。由此可见，实现快速判断高温合金能否固溶及准确设计固溶制度，对于高温合金设计及工业生产有着重要意义。
而传统的高温合金材料研究方法，一般要经过合金设计、母合金熔炼、单晶铸造、初熔点金相、固溶温度上下线、固溶制度设计及调整，才能得到固溶制度。一个完整流程一般需要半年甚至更久的时间。同时传统合金设计方法不可避免的出现材料不能实现固溶的情况，造成不必要的损失。
同时，一些用来模拟不同成分高温合金性能的线性***被开发出来，但是随着合金化元素范围扩大，合金化量接近高温合金设计极限，其成分与性能更多的表现出非线性的特征。主要原因是单晶高温合金是γ-γ′两相***，所有合金化元素在两相中相互影响，使得各元素分配常数均发生变化，导致线性***中合金化元素前置矩阵发生明显改变而增大模拟误差。所以对于成分的大范围变化，非线性***模拟结果更加贴近实际，判断更加准确。在非线性***中，Back-Propagation人工神经网络技术最成熟，兼容性和误差表现比较优秀。
发明内容
本发明的目的是实现快速判断高温合金能否固溶及准确设计固溶制度，提出一种基于人工神经网络的设计单晶高温合金固溶制度的方法。
本发明提供一种基于人工神经网络的单晶高温合金固溶制度设计的新方法，先通过不同成分单晶高温合金的特征温度数据库，训练Back-Propagation人工神经网络，之后，对已训 练的人工神经网络输入待测合金成分，计算得到特征温度并设计固溶制度。
这里选择的特征温度为固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度。其中，固相线温度为单晶合金平衡相图上开始熔化的温度；液相线温度为单晶合金平衡相图上完全熔化的温度；凝固区间为单晶铸造时枝晶干形核温度到枝晶间完全凝固温度的温度差；第二相溶解温度为单晶高温合金中共格γ’的溶解温度；低熔点相初熔温度为枝晶间凝固末期形成的低熔点相的熔点；热处理态初熔温度为消除铸态微观偏析后合金的初熔温度。
该固溶制度设计方法具体步骤如下：
步骤一、建立如下成分范围（w.t.%）的单晶高温合金特征温度的数据库：
| W | 0～8% | Mo | 0～16% | Ta | 0～9% |
| Al | 4～8.5% | Ti | 0～4% | Nb | 0～2% |
| Re | 0～7% | Ru | 0～3% | Co | 0～10% |
| Cr | 0～10% | Y | 0～0.1% | Ni | bal. |
其中，“bal.”为Ni元素的重量百分数，其数值为100%减去其他元素重量百分比之和。
选择人工神经网络输入为单晶高温合金成分，输出为固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度。建立人工神经网络为Back-Propagation神经网络，采用三层结构，包括输入层、隐含层和输出层；输入层神经元个数为12，输出层神经元个数为6，隐含层神经元个数14个，输入层和输出层神经元使用purelin函数表达，隐含层使用log-sigmoid函数表达。
步骤二、从数据库中选择300个以上数据样本作为训练样本，训练人工神经网络使用误差反向传播算法，网络初始化条件为(0,0.5)随机赋值到权值矩阵，(0,1)随机赋值到阀值矩阵。定义误差e为：
其中，tk为训练样本的值，yk为人工神经网络输出层的输出，k为训练样本数。
设计要求为训练目标误差为e<0.001。在输出误差满足设定要求的目标误差时，训练停止，保存权值矩阵和阀值矩阵。
步骤三：利用步骤二中已训练的人工神经网络，输入待测合金成分，计算得到该待测合金的特征温度，并设计高温合金固溶制度。具体方法如下：
情况一：当第二相溶解温度>热处理态初熔温度时，单晶高温合金不能固溶；
情况二：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度>第二相溶解温度且凝固区间>25℃时，单晶高温合金固溶制度为：第二相溶解温度/16h；
情况三：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度>第二相溶解温度且凝固区间≤25℃时，单晶高温合金固溶制度为：第二相溶解温度/10h；
情况四：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度≤第二相溶解温度且凝固区间>25℃时，单晶高温合金固溶制度为：低熔点相初熔温度/4h+第二相溶解温度/16h；
情况五：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度≤第二相溶解温度且凝固区间≤25℃时，单晶高温合金固溶制度为：低熔点相初熔温度/4h+第二相溶解温度/10h；
本发明的有益效果是：
本发明训练的人工神经网络输入端涵盖了高温合金采用的大部分的合金成分及含量范围，实现了快速判断单晶高温合金能否固溶及准确设计固溶制度，可用于指导单晶高温合金设计及工业生产。
附图说明
图1是本发明提供的固溶制度设计方法流程图；
图2是实施例中***误差随隐含层神经元个数的变化而变化的散点图，误差最小时隐含层神经元个数为14；
图3a是实施例1中所述单晶高温合金的铸态组织形貌；
图3b是实施例1中所述单晶高温合金的热处理态的微观组织形貌；
图3c是实施例2中单晶高温合金的铸态组织形貌；
图3d是实施例2中单晶高温合金的热处理态微观组织形貌；
图3e是实施例3中单晶高温合金的铸态组织形貌；
图3f是实施例3中单晶高温合金的热处理态微观组织形貌。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1
采用本发明提供的设计方法进行单晶高温合金固溶制度设计，具体步骤如下：
步骤一、建立如下成分范围（w.t.%）的单晶高温合金特征温度的数据库：
| W | 0～8% | Mo | 0～16% | Ta | 0～9% |
| Al | 4～8.5% | Ti | 0～4% | Nb | 0～2% |
| Re | 0～7% | Ru | 0～3% | Co | 0～10% |
| Cr | 0～10% | Y | 0～0.1% | Ni | bal. |
选择人工神经网络输入为单晶高温合金成分，输出为固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度。建立人工神经网络为Back-Propagation神经网络，采用三层结构，包括输入层、隐含层和输出层；输入层神经元 个数为12，输出层神经元个数为6，隐含层神经元个数14个。输入层和输出层神经元使用purelin函数表达，隐含层使用log-sigmoid函数表达。
该隐含层神经元个数选取原则为：***误差最小化。***误差为人工神经网络训练次数大于1000次后平衡***的误差值。如图2所示，对于单晶高温合金特征温度数据库训练得到的人工神经网络，当隐含层神经元个数为14（个）时，***误差最小，因此选择隐含层神经元个数为14。
步骤二、从数据库中选择311个数据样本训练人工神经网络，训练人工神经网络使用误差反向传播算法，网络初始化条件为(0,0.5)随机赋值到权值矩阵，(0,1)随机赋值到阀值矩阵，训练目标误差为e<0.001。在输出误差满足设定要求时，训练停止，保存权值矩阵和阀值矩阵。
步骤三：利用步骤二中已训练的人工神经网络，输入如下待测合金成分：
| W | 0% | Mo | 11% | Ta | 6% |
| Al | 7.6% | Ti | 0% | Nb | 0% |
| Re | 3% | Ru | 0% | Co | 5% |
| Cr | 0% | Y | 0% | Ni | 67.4% |
计算得到该成分的特征温度为固相线温度1389℃、液相线温度1411.2℃、凝固区间22.2℃、第二相溶解温度1371.2℃、低熔点相初熔温度1351℃和热处理态初熔温度1360℃。可以得到，第二相溶解温度1371.2℃>热处理态初熔温度1360℃，即符合情况一，合金无法实现固溶。实验结果如图3所示，铸态组织见图3a，热处理1360℃/50小时微观组织见图3b，未固溶。实验结果与设计固溶制度相符。
实施例2
步骤一、建立如下成分范围（w.t.%）的单晶高温合金特征温度的数据库：
| W | 0～8% | Mo | 0～16% | Ta | 0～9% |
| Al | 4～8.5% | Ti | 0～4% | Nb | 0～2% |
| Re | 0～7% | Ru | 0～3% | Co | 0～10% |
| Cr | 0～10% | Y | 0～0.1% | Ni | bal. |
选择人工神经网络模型输入为单晶高温合金成分，输出为固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度。建立人工神经网络为Back-Propagation神经网络，采用三层结构，包括输入层、隐含层和输出层；输入层神经元个数为12，输出层神经元个数为6，隐含层神经元个数14个，输入层和输出层神经元使用purelin函数表达，隐含层使用log-sigmoid函数表达。
步骤二、从数据库中选择311个数据样本，训练人工神经网络使用误差反向传播算法， 网络初始化条件为(0,0.5)随机赋值到权值矩阵，(0,1)随机赋值到阀值矩阵，训练目标误差为e<0.001。在输出误差满足设定要求时，训练停止，保存权值矩阵和阀值矩阵。
步骤三：利用步骤二中已训练的人工神经网络，输入如下待测合金成分：
| W | 5% | Mo | 2% | Ta | 6% |
| Al | 7.6% | Ti | 1% | Nb | 0% |
| Re | 1.5% | Ru | 0% | Co | 0% |
| Cr | 0% | Y | 0% | Ni | 76.9% |
计算得到该待测合金的特征温度为固相线温度1355.3℃、液相线温度1391.2℃、凝固区间35℃、第二相溶解温度1336.6℃、低熔点相初熔温度1333℃和热处理态初熔温度1345℃。存在如下关系：
第二相溶解温度1336.6℃≤热处理态初熔温度1345℃；
低熔点相初熔温度1333℃≤第二相溶解温度1336.6℃；
凝固区间>25℃
即符合情况四，待测单晶高温合金固溶制度为：1333℃/4h+1336.6/16h。铸态组织见图3c，1333℃/4h+1336.6/16h热处理微观组织见图3d，实现固溶。实验结果与本发明固溶制度的设计结果相符。
实施例3
本实施例与实施例1、2的区别仅在：步骤三：利用步骤二中已训练的人工神经网络，输入如下目标成分：
| W | 0% | Mo | 9.5% | Ta | 3% |
| Al | 7.8% | Ti | 0% | Nb | 0% |
| Re | 1.5% | Ru | 0% | Co | 0% |
| Cr | 1.5% | Y | 0.05% | Ni | 76.65% |
计算得到该成分的特征温度为固相线温度1371.7℃、液相线温度1401.8℃、凝固区间30℃、第二相溶解温度1326.1℃、低熔点相初熔温度1330℃和热处理态初熔温度1352℃。存在如下关系：
第二相溶解温度1326.1℃≤热处理态初熔温度1352℃；
低熔点相初熔温度1330℃>第二相溶解温度1326.1℃；
凝固区间>25℃，
即符合情况二，高温合金固溶制度为：1326.1℃/16h。铸态组织见图3e，1327℃/16h热处理微观组织见图3f，实现固溶。实验结果与本发明固溶制度的设计结果相符。
说明书中涉及到的A℃/Bh表示在A温度下保温B小时。
用于训练人工神经网络的单晶高温合金特征温度来源于已公开的或已证实的单晶高温合金特征温度数据，人工神经网络可预测的单晶高温合金成分范围为录入训练样本的已公开的或已证实的高温合金成分范围。例如，Re元素的已公开的或已证实高温合金添加量（w.t.%）为0（牌号PWA1480）、0（牌号SRR99）、0（牌号CMSX-6）、1.5（IC27已证实）、1.5（IC21已证实）、3（牌号PWA1484）、3（牌号ReneN5）、3（牌号CMSX-4）、4（牌号MC-NG）、5（牌号ReneN6）、5（牌号TMS-75）、5（牌号TMS-162）、7（牌号CMSX-10）等等，则人工神经网络可预测的Re元素范围为0～7（w.t.%）。同理得到其他元素可预测的范围，该可预测范围涵盖了高温合金采用的大部分的合金成分及含量范围。
Claims (7)
1.一种设计单晶高温合金固溶制度的方法，其特征在于：该方法包括以下步骤：
步骤一：建立不同成分的单晶高温合金特征温度的数据库，建立人工神经网络；
步骤二：从数据库中选择样本作为训练样本，训练人工神经网络，在输出误差满足设定要求时，训练停止，保存权值矩阵和阀值矩阵；
步骤三：利用步骤二中已训练的人工神经网络，得到待测单晶高温合金特征温度并设计固溶制度。
2.根据权利要求1所述的方法，其特征是：步骤一中不同成分的范围为：
W(w.t.%) 0～8% Mo(w.t.%) 0～16% Ta(w.t.%) 0～9%
Al(w.t.%) 4～8.5% Ti(w.t.%) 0～4% Nb(w.t.%) 0～2%
Re(w.t.%) 0～7% Ru(w.t.%) 0～3% Co(w.t.%) 0～10%
Cr(w.t.%) 0～10% Y(w.t.%) 0～0.1% Ni(w.t.%) bal。
3.根据权利要求1所述的方法，其特征是：步骤一所述特征温度为固相线温度、液相线温度、凝固区间、第二相溶解温度、低熔点相初熔温度和热处理态初熔温度。
4.根据权利要求1所述的方法，其特征是：步骤一所选人工神经网络为Back-Propagation神经网络，采用三层结构，包括输入层、隐含层和输出层；输入层神经元个数为12，输出层神经元个数为6，隐含层神经元个数14个，输入层和输出层神经元使用purelin函数表达，隐含层使用log-sigmoid函数表达。
5.根据权利要求1所述的方法，其特征是：步骤二训练样本数量为大于300个。
6.根据权利要求1所述的方法，其特征是：步骤二训练人工神经网络使用误差反向传播算法，人工神经网络初始化条件为：(0,0.5)随机赋值到权值矩阵，(0,1)随机赋值到阀值矩阵；训练目标误差e设定要求为e<0.001。
7.根据权利要求1所述的方法，其特征是：步骤三所述的设计固溶制度，具体如下：
情况一：当第二相溶解温度>热处理态初熔温度时，高温合金不能固溶；
情况二：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度>第二相溶解温度且凝固区间>25℃时，单晶高温合金固溶制度为：第二相溶解温度/16h；
情况三：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度>第二相溶解温度且凝固区间≤25℃时，单晶高温合金固溶制度为：第二相溶解温度/10h；
情况四：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度≤第二相溶解温度且凝固区间>25℃时，单晶高温合金固溶制度为：低熔点相初熔温度/4h+第二相溶解温度/16h；
情况五：当第二相溶解温度≤热处理态初熔温度且低熔点相初熔温度≤第二相溶解温度且凝固 区间≤25℃时，单晶高温合金固溶制度为：低熔点相初熔温度/4h+第二相溶解温度/10h。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310289294.XA CN103352192B (zh) | 2013-07-11 | 2013-07-11 | 一种设计单晶高温合金固溶制度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310289294.XA CN103352192B (zh) | 2013-07-11 | 2013-07-11 | 一种设计单晶高温合金固溶制度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103352192A true CN103352192A (zh) | 2013-10-16 |
| CN103352192B CN103352192B (zh) | 2014-10-22 |
Family
ID=49308602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310289294.XA Active CN103352192B (zh) | 2013-07-11 | 2013-07-11 | 一种设计单晶高温合金固溶制度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103352192B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104975248A (zh) * | 2015-06-30 | 2015-10-14 | 西北工业大学 | 一种第三代镍基单晶高温合金的固溶处理方法 |
| CN105806878A (zh) * | 2016-03-08 | 2016-07-27 | 西北工业大学 | 一种测定镍基高温合金初熔温度的方法 |
| CN111074332A (zh) * | 2019-12-31 | 2020-04-28 | 东莞材料基因高等理工研究院 | 一种快速消除单晶高温合金中微观偏析的热处理方法 |
| CN111640472A (zh) * | 2020-06-23 | 2020-09-08 | 清华大学 | 镍基单晶高温合金的固溶热处理模拟方法 |
| CN111763897A (zh) * | 2020-07-24 | 2020-10-13 | 中国航发北京航空材料研究院 | 确定镍基单晶高温合金均匀化/固溶热处理制度的方法 |
| US11676009B2 (en) | 2019-10-04 | 2023-06-13 | Raytheon Technologies Corporation | Machine learning based rotor alloy design system |
| US11859267B2 (en) | 2016-10-12 | 2024-01-02 | Oxford University Innovation Limited | Nickel-based alloy |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09259156A (ja) * | 1996-03-21 | 1997-10-03 | Hitachi Ltd | 材料設計方法およびその方法を行う材料設計装置 |
| CN102663498A (zh) * | 2012-04-28 | 2012-09-12 | 武汉大学 | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 |
-
2013
- 2013-07-11 CN CN201310289294.XA patent/CN103352192B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09259156A (ja) * | 1996-03-21 | 1997-10-03 | Hitachi Ltd | 材料設計方法およびその方法を行う材料設計装置 |
| CN102663498A (zh) * | 2012-04-28 | 2012-09-12 | 武汉大学 | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭鹏: "基于神经网络的高温合金组织性能分析", 《西北工业大学硕士学位论文》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104975248A (zh) * | 2015-06-30 | 2015-10-14 | 西北工业大学 | 一种第三代镍基单晶高温合金的固溶处理方法 |
| CN104975248B (zh) * | 2015-06-30 | 2017-01-25 | 西北工业大学 | 一种第三代镍基单晶高温合金的固溶处理方法 |
| CN105806878A (zh) * | 2016-03-08 | 2016-07-27 | 西北工业大学 | 一种测定镍基高温合金初熔温度的方法 |
| CN105806878B (zh) * | 2016-03-08 | 2018-11-06 | 西北工业大学 | 一种测定镍基高温合金初熔温度的方法 |
| US11859267B2 (en) | 2016-10-12 | 2024-01-02 | Oxford University Innovation Limited | Nickel-based alloy |
| US11676009B2 (en) | 2019-10-04 | 2023-06-13 | Raytheon Technologies Corporation | Machine learning based rotor alloy design system |
| CN111074332A (zh) * | 2019-12-31 | 2020-04-28 | 东莞材料基因高等理工研究院 | 一种快速消除单晶高温合金中微观偏析的热处理方法 |
| CN111640472A (zh) * | 2020-06-23 | 2020-09-08 | 清华大学 | 镍基单晶高温合金的固溶热处理模拟方法 |
| CN111763897A (zh) * | 2020-07-24 | 2020-10-13 | 中国航发北京航空材料研究院 | 确定镍基单晶高温合金均匀化/固溶热处理制度的方法 |
| CN111763897B (zh) * | 2020-07-24 | 2021-10-15 | 中国航发北京航空材料研究院 | 确定镍基单晶高温合金均匀化/固溶热处理制度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103352192B (zh) | 2014-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103352192B (zh) | 一种设计单晶高温合金固溶制度的方法 | |
| Scheppe et al. | Nickel aluminides: a step toward industrial application | |
| Rappaz et al. | Probabilistic modelling of microstructure formation in solidification processes | |
| US4853044A (en) | Alloy suitable for making single crystal castings | |
| Giamei | Development of single crystal superalloys: a brief history | |
| Ma et al. | Microstructural evolution in AISI 304 stainless steel during directional solidification and subsequent solid-state transformation | |
| Gu et al. | A three-dimensional cellular automaton model of dendrite growth with stochastic orientation during the solidification in the molten pool of binary alloy | |
| Hurst et al. | The contribution of small punch testing towards the development of materials for aero-engine applications | |
| Walter et al. | Simulation of the solidification of CMSX-4 | |
| CN110321604A (zh) | 一种三元合金凝固过程单个枝晶生长数值模拟方法 | |
| Yu et al. | Anomalous overgrowth of converging dendrites during directional solidification | |
| CN111640472B (zh) | 镍基单晶高温合金的固溶热处理模拟方法 | |
| CN107904447A (zh) | 一种镍基单晶高温合金系列Nideal2合金系列及其应用 | |
| Yang et al. | Simulation of stray grain formation during single crystal seed melt-back and initial withdrawal in the Ni-base superalloy CMSX4 | |
| Shajari et al. | Effect of solution temperature of rejuvenation heat treatment on the stability of γ′ precipitates in Ni-base superalloy IN738LC during long-term heating | |
| Mu et al. | Flow behaviors and processing maps of as-cast and as-homogenized AZ91 alloy | |
| US4345950A (en) | Method for making a composite grained cast article | |
| Zhang et al. | Dendritic growth pattern and dendritic network distortion in the platform of a Ni-based superalloy | |
| JP4088223B2 (ja) | 合金の凝固割れ感受性の予測方法および凝固割れ感受性の改善された合金の製造方法 | |
| Luo et al. | Modeling of grain size in isothermal compression of Ti-6Al-4V alloy using fuzzy neural network | |
| Dong et al. | alpha-Cr precipitation behavior and its effect on high Cr-containing superalloys | |
| Franke et al. | Tertiary dendritic instability in late stage solidification of Ni-based superalloys | |
| CN117252030A (zh) | 一种单晶高温合金固溶热处理制度的设计方法及*** | |
| You et al. | On the modelling of microsegregation in steels involving thermodynamic databases | |
| Saunders et al. | Modelling high temperature mechanical properties and microstructure evolution in Ni-based superalloys |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210115 Address after: 611936 group 4, Baihe community, Lichun Town, Chengdu City, Sichuan Province Patentee after: Pengzhou Hangda New Material Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: 610000 Baihe Community Group 4, Lichun Town, Pengzhou City, Chengdu, Sichuan Province Patentee after: Sichuan Hangda New Materials Co.,Ltd. Country or region after: China Address before: 611936 group 4, Baihe community, Lichun Town, Chengdu City, Sichuan Province Patentee before: Pengzhou Hangda New Material Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |