基于多物理场仿真的金属轧制道次间冷却工艺优化

1.本发明涉及金属轧制冷却工艺技术领域，具体领域为应用于道次间的金属轧制冷却工艺。


背景技术：

2.传统的中间坯冷却系统，是在轧机推床后安装类似层流冷却的集管形式，主要解决生产控轧钢板中间坯空冷时间长，生产效率低的问题。传统的中间坯冷却系统有如下缺点：温度均匀性差，温度控制精度低；冷却设备供水低压力，导致钢板温降小，冷却能力小；没有头尾遮蔽，导致头尾部与中部温差较大，长度方向冷却不均匀；由于层流冷却形式，上下集管水流密度控制范围较小，上下表冷却不对称，厚度方向温度均匀性较差，并且缺少辅助提高均匀性的设备，继而导致整体的工艺性下降。


技术实现要素：

3.本发明的目的在于提供应用于道次间的金属轧制冷却工艺，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明提供如下技术方案：
5.应用于道次间的金属轧制冷却工艺，基于即时冷却系统进行工艺流程操作，所述即时冷却系统分为一个近置式冷却区域与两个远置式冷却装置，具体步骤如下：
6.s1、预计算模型：通过预计算获得的冷却模型，对钢板的冷却流程进行初步的设定；
7.s2、修正计算模型：对进行第一次轧制后的钢板进行再次的冷却模型修正，从而再次设定后续的冷却流程；
8.s3、过程计算模型：对于后续的每次轧制后的钢板温度进行监测，而后作为该次轧制后一次轧制的进机温度；
9.s4、自学习模型：基于多次的轧制，对所有轧制过程中的数据进行有效的采集，而后基于实验数据模型，对每次轧制过程中钢板内的金属流向进行有效的预测。
10.优选的，步骤s1中具体操作方法为：
11.冷却模型的预计算触发是钢板头部咬入轧机时，在获取pdi数据后，通过采集pdi数据利用空冷换热模型，水冷换热模型根据程序计算开冷温度和返红温度之间的温差，确定水流密度和冷却时间，进而确定开启集管的数目和辊速，对初步轧制后的钢板的pdi数据进行获取，并回传至计算系统。
12.优选的，步骤s2的具体方法为：
13.计算系统依据回传的钢板的pdi数据，及采集测量的实际温度，再次计算冷却规程，将冷却规程发送给冷却一级，冷却一级对钢板的冷却时间及位置进行确定，同时修正计算集管开启数目，辊道速度、单根集管流量，并对加速度曲线进行修正，同时基于仿真对金属板体内部的金属轧制过程中金属流动方向进行模拟，从而对轧制过程中为温度进行控
制，及轧制结束后通过降温对金属板内的流动进行模拟仿真。
14.优选的，s3的具体操作步骤如下：
15.在往复式多道次冷却过程中，钢板需要多次穿过冷却区进行冷却，将每一次的冷后实测值作为下一次冷却前的开冷温度，重新进行即将冷却的规程计算，同时将最新的计算规程发送个冷却一级执行，基于s2的计算过程，对单一的钢板进行设定，同时对每块上传的钢板进行独立的模型建立，从而进行有效的仿真模拟，从而实现对每片钢板的冷却位置的进行灵活的调用，以此提升冷却效率。。
16.优选的，s4的具体操作步骤如下：
17.基于工况情况有所差别，同样的钢板在不同的环境下温度也不相同，所以需要建立自学习模型，将每次冷却厚的结果记录保存，对下次冷却规程进行修正，使冷却温度无限逼近目标温度。
18.优选的，所述pdi数据包括钢板厚度、钢板设定目标终轧温度、钢板设定目标返红温度和冷却速度等工艺参数和钢板比热、热传导率和密度等物性参数。
19.优选的，冷却规程中修正所结合的算法包括聚类算法、距离加权、变步长网格、大数据分析，对上述技术相互结合，建立边比例网络空间的自学习模型，构成整个过程控制的核心，其先利用变步长网格，将大数据样本点进行归一化处理，而后利用聚类算法得到每个网格的重心值，在等效投影到坐标系中，然后根据空间距离表征权值，加权平均计算目标值。
20.优选的，s4的实验数据模型是基于单侧水冷、双侧水冷与远近式水冷三种实验模型建立。
21.与现有技术相比，本发明的有益效果是：采用道次间冷却可有效提高心部金属的流动，金属流动随着轧制道次的进行峰值逐渐向心部靠近，轧制前半段集中进行双侧水冷工艺下的金属横向位移量最大,且心部等效应变大于其他两种工艺，表层等效应变小于其他两种工艺，对心部金属流动的改善效果最佳。
附图说明
22.图1为本发明的控制流程框图；
23.图2为本发明的计算流程框图；
24.图3为本发明的实施例中即时冷工艺布置图；
25.图4为本发明的近置式上集管流量曲线图(a)及水流密度曲线图(b)；
26.图5为本发明的远置式上集管流量曲线图(a)及水流密度曲线图(b)；
27.图6为不同轧制工艺条件下钢板横断面边部金属横向位移量。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.中间胚冷却策略工艺基于模型尺寸为250*300*200，采用1/4几何对称模型，空冷
对流换热系数为50w(m2.℃)-1
，各项模拟条件如表4所示，板坯冷前温度为1050℃，将冷前板坯温度视为均匀分布，单侧水冷和双侧水冷工艺的水冷换热系数为875w(m2.℃)-1
，远近式水冷工艺的水冷a的换热系数为670w(m2.℃)-1
，水冷b的换热系数为1000w(m2.℃)-1
，进行详细表述。
30.请参阅图1-5，本发明提供一种技术方案：应用于道次间的金属轧制冷却工艺，基于即时冷却系统进行工艺流程操作，所述即时冷却系统分为一个近置式冷却区域与两个远置式冷却装置，该模型下的即时冷却轧机模型为：近置式冷却装置所包含的区域为b区，所述b区长度为5m，距离轧制中心线21.4m，其一远置式冷却装置所包括的区域为a区，所述a区的长度为5m，距离轧制中心线11.3m，另一远置式冷却装置所包括的区域的c去，所述c区的长短为2m，距离轧制中心线1m，所述c区安装在轧机上；
31.基于上述装置模型的基础上的具体步骤如下：
32.s1、预计算模型：通过预计算获得的冷却模型，对钢板的冷却流程进行初步的设定，即根据不同的对于钢板的冷却位置进行初步的设定，基于实施例的模型设定，可分为轧机前的中间冷却与轧机后的中间冷却，从而提高整体的工作效率；
33.s2、修正计算模型：对进行第一次轧制后的钢板进行再次的冷却模型修正，从而再次设定后续的冷却流程，即根据第一次轧制后的钢板参数对后续的冷却位置进行调整，即对预设的轧机前冷却与轧机后冷却进行位置调整；
34.s3、过程计算模型：对于后续的每次轧制后的钢板温度进行监测，而后作为该次轧制后一次轧制的进机温度，而对于调整后的轧机后的中间冷却温度进行监测；
35.s4、自学习模型：基于多次的轧制，对所有轧制过程中的数据进行有效的采集，而后基于实验数据模型，对每次轧制过程中钢板内的金属流向进行有效的预测。
36.具体而言，步骤s1中具体操作方法为：
37.冷却模型的预计算触发是钢板头部咬入轧机时，在获取pdi数据后，通过采集pdi数据利用空冷换热模型，水冷换热模型根据程序计算开冷温度和返红温度之间的温差，确定水流密度和冷却时间，进而确定开启集管的数目和辊速，对初步轧制后的钢板的pdi数据进行获取，并回传至计算系统。
38.b区的冷却宽度为4300mm，上方与下方各设有一组喷嘴，每组喷嘴为三排，每组喷嘴通过一根集管进行供水，每根集管由一套dn150控制阀组进行控制，每套阀组由1台具有开闭功能的流量调节阀、1台手动开闭阀组成，上集管最大流量为400m3/h,下集管最大流量为700m3/h；
39.基于图4(a)为近置式上集管流量曲线，图4(b)为近置式上集管水流密度曲线，从图中可以看出流量的变化趋势和范围，随着阀门开口度的增加，流量和水流密度逐渐增大，在阀门开口度达到60％时，随着开口度的增大，流量和水流密度增加缓慢，基本成线性关系，在开口度为16％时，流量为45m3/h，水流密度为509l/(m2·
min),在阀门开口度为90％时，流量为400m3/h，水流密度为4559l/(m2·
min)，在实际使用中，如果阀门开口度小于16％，则出水有断续现象，导致冷却不均匀，所以在实际生产中，设定流量最低限制在80m3/h，对应开口度为20％，才能保证冷却的均匀性；
40.a区与c区的冷却宽度为4300mm，上方与下方各设有一组喷嘴，每组喷嘴为三排，每组喷嘴通过一根集管进行供水，每根集管由一套dn150控制阀组进行控制，每套阀组由1台
具有开闭功能的流量调节阀、1台手动开闭阀组成；
41.图5(a)为远置式上集管流量曲线，图5(b)为远置式上集管水流密度曲线。从图中可以看出流量的变化趋势和范围，随着阀门开口度的增加，流量和水流密度逐渐增大，在阀门开口度达到60％时，随着开口度的增大，流量和水流密度增加缓慢，基本成线性关系，在开口度为18％时，流量为105m3/h，水流密度为1642l/(m2·
min),在阀门开口度为90％时，流量为305m3/h，水流密度为1642l/(m2·
min)，在实际使用中，如果阀门开口度小于14％，则出水有断续现象，导致冷却不均匀，同样的开口度，六组流量计显示的数据基本一致，所以在实际生产中，设定流量最低限制在80m3/h，对应开口度为16％，才能保证冷却的均匀性。
42.具体而言，步骤s2的具体方法为：
43.计算系统依据回传的钢板的pdi数据，及采集测量的实际温度，再次计算冷却规程，将冷却规程发送给冷却一级，冷却一级对钢板的冷却时间及位置进行确定，同时修正计算集管开启数目，辊道速度、单根集管流量，并对加速度曲线进行修正，同时基于仿真对金属板体内部的金属轧制过程中金属流动方向进行模拟，从而对轧制过程中为温度进行控制，及轧制结束后通过降温对金属板内的流动进行模拟仿真。
44.具体而言，s3的具体操作步骤如下：
45.在往复式多道次冷却过程中，钢板需要多次穿过冷却区进行冷却，将每一次的冷后实测值作为下一次冷却前的开冷温度，重新进行即将冷却的规程计算，同时将最新的计算规程发送个冷却一级执行，基于s2的计算过程，对单一的钢板进行设定，同时对每块上传的钢板进行独立的模型建立，从而进行有效的仿真模拟，从而实现对每片钢板的冷却位置的进行灵活的调用，以此提升冷却效率。
46.具体而言，s4的具体操作步骤如下：
47.基于工况情况有所差别，同样的钢板在不同的环境下温度也不相同，所以需要建立自学习模型，将每次冷却厚的结果记录保存，对下次冷却规程进行修正，使冷却温度无限逼近目标温度。
48.具体而言，所述pdi数据包括钢板厚度、钢板设定目标终轧温度、钢板设定目标返红温度和冷却速度等工艺参数和钢板比热、热传导率和密度等物性参数。
49.具体而言，冷却规程中修正所结合的算法包括聚类算法、距离加权、变步长网格、大数据分析，对上述技术相互结合，建立边比例网络空间的自学习模型，构成整个过程控制的核心，其先利用变步长网格，将大数据样本点进行归一化处理，而后利用聚类算法得到每个网格的重心值，在等效投影到坐标系中，然后根据空间距离表征权值，加权平均计算目标值。
50.s4中的实验数据模型采用为单侧水冷、双侧水冷与远近式水冷三种实验模型，其为沿钢板断面轮廓边部，画出各厚度层金属横向位移量的变化曲线，如图6所示，其图内标示的为厚向距心部距离，由图6(a)可以看出，轧制前对钢板进行水冷可以显著改善心部的金属流动，心部横向流动量达4.5mm，不进行水冷时为4.1mm，同时表面由于水冷温度较低，变形抗力较大，使得表层金属的流动减弱，水冷的表面流动为1.7mm，不水冷的表面流动为2.5mm，水冷及不水冷的横向流动在半厚方向72％处相同，即小于此位置水冷的横向流动较大，大于此位置，不水冷的横向流动较大，水冷的横向流动在半厚方向60％处达到峰值，而不水冷横向流动在半厚方向70％处达到峰值，由此可见水冷的流动峰值向心部靠近，同时
水冷的心部均匀性得到了提高，水冷的心部至1/4厚处的流动位移变化量为0.31mm，不水冷的变化量则为0.44mm，由此可见水冷的心部流动较均匀。
51.图6(b)为第二道次轧制，此时单侧进行的是空冷，双侧水冷此道次依然进行水冷，单侧水冷及双侧水冷的心部流动位移分别是7.5mm及8.0mm，水冷后心部的变形依然保持着较大增加，三组模拟的流动峰值均在半厚方向60％处达到峰值，此位置流动最剧烈，单侧水冷在第二道次心部至1/4厚处的流动位移变化量为0.75mm，而双侧水冷的流动位移变化量为0.45mm，水冷的心部流动均匀性依然好于不水冷，同时相较于第一道次，双侧水冷心部至1/4厚处的流动位移变化量几乎与第一道次相同，可见水冷有利于保持心部变形的均匀性，阻止随着轧制道次的进行，心部金属流动不均匀程度的加剧，单侧、双侧及远近式水冷在第二道次表面流动位移分别是3.4mm、2.9mm、3.5mm，单侧水冷由于此道次没有水冷，近表(半厚的60％-100％位置)依然小于其他两组，而远近式水冷也由于此道次水冷，近表的流动比单侧水冷稍好。
52.图6(c)为第三道次轧制，此道次，单侧及双侧均水冷，单侧水冷及双侧水冷的心部流动位移分别是15.0mm及15.9mm，此道次由于压下量比较大，心部流动两者接近，但双侧水冷心部流动依然较单侧大，整体厚向流动规律与前两道次基本一致，单侧冷却流动峰值在半厚方向40％位置，向心部靠近，而双侧冷却流动位移在心部达到等值，整体流动位移曲线呈抛物线。
53.图6(d)与6(e)为第四道次轧制与五道次轧制，双侧冷却虽然不再冷却，但依然保持心部位移最大，而单侧与远近式冷却整体规律接近，随着温度向内部传递，也逐渐变为心部流动最剧烈。
54.图6(f)为最后一次轧制，单侧水冷、双侧水冷及远近式冷却的心部流动位移分别是30.9mm、32.2及31.1mm，综上双侧水冷工艺对心部金属流动的改善效果最佳，其次是远近式，最后是单侧式冷却，三组模拟的心表流动位移偏差分别为13.4mm，13.2mm，12.7mm，由此可看出整体变形均匀性远近式表现最好，其次是双侧式，最后是单侧式。
55.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.应用于道次间的金属轧制冷却工艺，基于即时冷却系统进行工艺流程操作，所述即时冷却系统分为一个近置式冷却区域与两个远置式冷却装置，其特征在于，具体步骤如下：s1、预计算模型：通过预计算获得的冷却模型，对钢板的冷却流程进行初步的设定；s2、修正计算模型：对进行第一次轧制后的钢板进行再次的冷却模型修正，从而再次设定后续的冷却流程；s3、过程计算模型：对于后续的每次轧制后的钢板温度进行监测，而后作为该次轧制后一次轧制的进机温度；s4、自学习模型：基于多次的轧制，对所有轧制过程中的数据进行有效的采集，而后基于实验数据模型，对每次轧制过程中钢板内的金属流向进行有效的预测。2.根据权利要求1所述的应用于道次间的金属轧制冷却工艺，其特征在于，步骤s1中具体操作方法为：冷却模型的预计算触发是钢板头部咬入轧机时，在获取pdi数据后，通过采集pdi数据利用空冷换热模型，水冷换热模型根据程序计算开冷温度和返红温度之间的温差，确定水流密度和冷却时间，进而确定开启集管的数目和辊速，对初步轧制后的钢板的pdi数据进行获取，并回传至计算系统。3.根据权利要求1所述的应用于道次间的金属轧制冷却工艺，其特征在于，步骤s2的具体方法为：计算系统依据回传的钢板的pdi数据，及采集测量的实际温度，再次计算冷却规程，将冷却规程发送给冷却一级，冷却一级对钢板的冷却时间及位置进行确定，同时修正计算集管开启数目，辊道速度、单根集管流量，并对加速度曲线进行修正，同时基于多物理场仿真对金属板体内部的金属轧制过程中金属流动方向进行模拟，从而对轧制过程中为温度进行控制，及轧制结束后通过降温对金属板内的流动进行模拟仿真。4.根据权利要求1所述的应用于道次间的金属轧制冷却工艺，其特征在于，s3的具体操作步骤如下：在往复式多道次冷却过程中，钢板需要多次穿过冷却区进行冷却，将每一次的冷后实测值作为下一次冷却前的开冷温度，重新进行即将冷却的规程计算，同时将最新的计算规程发送个冷却一级执行，基于s2的计算过程，对单一的钢板进行设定，同时对每块上传的钢板进行独立的模型建立，从而进行有效的仿真模拟，从而实现对每片钢板的冷却位置的进行灵活的调用，以此提升冷却效率。5.根据权利要求1所述的应用于道次间的金属轧制冷却工艺，其特征在于，s4的具体操作步骤如下：基于工况情况有所差别，同样的钢板在不同的环境下温度也不相同，所以需要建立自学习模型，将每次冷却厚的结果记录保存，对下次冷却规程进行修正，使冷却温度无限逼近目标温度。6.根据权利要求2所述的应用于道次间的金属轧制冷却工艺，其特征在于，所述pdi数据包括钢板厚度、钢板设定目标终轧温度、钢板设定目标返红温度和冷却速度等工艺参数和钢板比热、热传导率和密度等物性参数。7.根据权利要求3所述的应用于道次间的金属轧制冷却工艺，其特征在于，冷却规程中修正所结合的算法包括聚类算法、距离加权、变步长网格、大数据分析，对上述技术相互结
合，建立边比例网络空间的自学习模型，构成整个过程控制的核心，其先利用变步长网格，将大数据样本点进行归一化处理，而后利用聚类算法得到每个网格的重心值，在等效投影到坐标系中，然后根据空间距离表征权值，加权平均计算目标值。8.根据权利要求1所述的应用于道次间的金属轧制冷却工艺，其特征在于，s4的实验数据模型是基于单侧水冷、双侧水冷与远近式水冷三种实验模型建立。

技术总结
本发明公开了应用于道次间的金属轧制冷却工艺，基于即时冷却系统进行工艺流程操作，所述即时冷却系统分为一个近置式冷却区域与两个远置式冷却装置，具体步骤如下：S1、预计算模型；S2、修正计算模型；S3、过程计算模型；S4、自学习模型；采用流体、热力多物理场耦合的方式，对轧制冷却过程进行仿真研究，研究表明：采用道次间冷却可有效提高心部金属的流动，金属流动随着轧制道次的进行峰值逐渐向心部靠近，轧制前半段集中进行双侧水冷工艺下的金属横向位移量最大,且心部等效应变大于其他两种工艺，表层等效应变小于其他两种工艺，对心部金属流动的改善效果最佳。属流动的改善效果最佳。属流动的改善效果最佳。


技术研发人员：田勇 王丙兴 吴菁晶
受保护的技术使用者：东北大学
技术研发日：2022.03.18
技术公布日：2022/5/25