Технологічні особливості прогнозування властивостей розплавів і структури металу виливків для роботи в екстремальних умовах
Виконано комплексне дослідження ливарних, механічних і спеціальних властивостей жаростійких і зносостійких сплавів на основі заліза у широкому діапазоні концентрацій хрому, марганцю, алюмінію, вуглецю, титану тощо, розроблено новітні жаростійкі й зносостійкі сплави залежно від конкретних умов експлуатації литих деталей в екстремальних умовах. Створено бази даних, які охоплюють понад 600 марок сплавів на основі заліза, всі існуючі феросплави та марки сталевого й чавунного брухту. Розроблено методологію та програмне забезпечення прогнозування якості розплаву, який знаходиться в плавильному агрегаті, за результатами першого хімічного аналізу та структури й властивостей металу у виливках і комп'ютерного розраховування шихти для виплавляння високохромистих сплавів з використанням стандартних і нестандартних шихтових матеріалів. Розроблено нові формувальні та стрижневі суміші для виробництва якісних виливків із сплавів та створено базу даних для вибору оптимальних рецептур сумішей.
За одержаними результатами досліджень ливарних, механічних та спеціальних властивостей сплавів з високим вмістом хрому розроблено програмне забезпечення для прогнозування якості розплаву та комп'ютерну програму розраховування шихти для виплавляння високолегованих сплавів. Це сприяє удосконаленню технологічного процесу плавлення сплавів за умови використання сучасних методів експресного спектрального аналізу.
Як основа оптимізаційної моделі попередньо створено низку регресійних моделей залежності властивостей сталі від її хімічного складу для рішення прямої задачі моделювання – прогнозування: рідкотекучість, лінійна усадка, площа тріщини, повна об’ємна усадка, об’єм пустот, об’єм раковин, тимчасовий опір розриванню, ударна в’язкість і твердість. Наявність дев’яти регресійних моделей дає можливість створити цілий комплекс (систему) з дев’яти оптимізаційних (діагностичних) моделей для визначення хімічного складу сталі і користуватися кожною з них попередньо визначаючи, яка з регресійних моделей виконуватиме роль критерію оптимізації.
![](https://report.kpi.ua/files/2016_2851.png)
Attachment | Size |
---|---|
![]() | 548.12 KB |