楊累1,2,趙帆,1,2,3,姜磊1,2,謝建新1,2,4

作為重要的機械基礎零件，彈簧在服役時受到周期性彎曲、沖擊、扭轉等交變式載荷，這對彈簧鋼的各項性能提出了較高要求，如強度、塑韌性、疲勞性能、抗彈減性能等。高速列車轉向架彈簧用鋼是彈簧材料中性能要求較高的一類鋼種，轉向架是列車實現高速運行的關鍵部件，其通過彈簧與車體和輪對相連，因而彈簧鋼的力學性能對列車服役的安全性和舒適性產生重要影響。另一方面，隨著彈簧鋼力學性能的提高，有利于實現列車輕量化，減少線路損害、動力消耗、系統負荷和周邊噪音。根據中國鐵路總公司于2013年下發的《鐵路客車轉向架用鋼制螺旋彈簧技術要求》，目前高速鐵路轉向架彈簧用鋼的牌號為60Si2CrVAT，其同時也是國家標準GB/T1222—2016《彈簧鋼》中強度級別最高的鋼種，抗拉強度(Rm)、屈服強度(Rp0.2)、斷后伸長率(A)和斷面收縮率(Z)分別要求達到1860 MPa、1665 MPa、9%和30%。2019年我國發布的《交通強國建設綱要》將時速400 km/h以上的高鐵和高速重載貨運列車作為下一步研究開發的重點任務，這對彈簧鋼的力學性能提出了更高要求，開發抗拉強度在2000 MPa以上且具有良好塑韌性的新一代超高強度彈簧鋼受到了科研人員和工業界的關注。

改變合金成分[1~3]和熱處理工藝[4~10]是調控彈簧鋼力學性能的2個主要手段。然而，鋼鐵材料合金元素種類多、影響機理復雜，通過傳統的“試錯”方法難以快速開發出滿足各項性能需求的合金成分。彈簧鋼的常規熱處理方式是淬火+回火，隨著回火溫度的降低，可有效提高材料的強度，但不可避免地會降低材料的塑韌性。強度和塑性的矛盾關系也是高強度材料開發所面臨的共性問題。并且，隨著合金成分的變化，最優的熱處理工藝參數也會發生改變，進一步增大了材料開發的難度。近年來，隨著材料基因工程的快速發展，機器學習在各類材料的設計和預測方面取得了諸多實質性進展，大大縮短了高性能新材料的研發周期[11,12]，如傳統合金材料[13~15]、非晶材料[16,17]、鈣鈦礦光伏材料[18,19]等，有望成為破解鋼鐵材料這一復雜合金成分-工藝-性能關系的有力工具。

本工作收集了彈簧鋼及其他典型淬火+回火型鋼種的化學成分、熱處理工藝參數和力學性能的文獻數據作為樣本數據，通過機器學習方法實現具有高強度和良好塑性彈簧鋼的成分和熱處理工藝參數逆向設計，結合熱處理實驗優化獲得了具有良好塑性的超高強度彈簧鋼，有望為超高強度鋼鐵材料的研發提供新視野。

1實驗方法

1.1樣本數據

彈簧鋼的化學成分涉及C、Si、Mn、Cr、V等多種合金元素，合金元素在鋼中可以起到細化晶粒、改善淬透性、提高回火穩定性等作用，從而提高鋼的綜合性能，但不同合金元素對鋼的組織和性能產生的影響大不相同。除了化學成分，影響彈簧鋼組織和性能的另一重要因素是淬火+回火熱處理工藝。因此，收集彈簧鋼的化學成分(C、Si、Mn、Cr、Ni、Mo、V、Nb)、淬火溫度(TQ)、淬火時間(tQ)、回火溫度(TT)、回火時間(tT)、Rm、A作為樣本數據。同時，為了擴大數據尋優空間和提高機器學習模型泛化能力，在收集彈簧鋼數據的同時，也收集了部分軸承鋼、模具鋼、齒輪鋼等其他采用淬火+回火熱處理工藝的典型鋼種數據，最終收集到樣本數據共588組，其中彈簧鋼351組，其他鋼種237組。

1.2機器學習設計系統

采用本課題組開發的機器學習設計系統(MLDS)[13]，其原理如圖1所示。該系統主要包括2個神經元網絡模塊，分別是性能預測成分的P2C神經元網絡模型和成分預測性能的C2P神經元網絡模型，2個模型的隱含層均為2層，具體結構如圖2所示。C2P模型將化學成分和熱處理工藝參數這12個參數作為輸入，抗拉強度和斷后伸長率作為輸出，是一種降維擬合過程，可靠性較高。而P2C模型正好相反，是一種升維擬合的過程，其可靠性較差。該系統通過上述2個神經元網絡模型的對抗，實現面向性能的成分和工藝參數高效設計。首先，將目標性能(抗拉強度(2050 ± 50) MPa，斷后伸長率10.5% ± 1.5%)輸入已訓練好的P2C模型，得到目標性能對應的預測成分和熱處理工藝。然后，將預測成分和熱處理工藝輸入已訓練好的C2P模型得到預測性能，將預測性能與目標性能之間的誤差與設定誤差進行對比，如果誤差過大，則使用P2C模型重新預測化學成分，如果誤差符合要求，則選用該設計成分和熱處理工藝。在此過程中，C2P模型篩選P2C模型的預測結果，不起到優化P2C模型的作用。

圖1

圖1機器學習設計系統(MLDS)原理圖

Fig.1Schematic of machine learning design system (MLDS) (Rm—tensile strength,A—elongation after fracture)

圖2

圖2神經元網絡結構圖

Fig.2Structure diagrams of neuron networks (tT—tempering time)

(a) P2C model (b) C2P model

采用split函數按4∶1的比例將樣本數據隨機劃分為訓練集和測試集。在訓練集上進行模型超參數的優化(測試集不參與超參數優化)，評價標準為實際值與模型訓練后預測值的絕對百分比誤差(MAPE)，計算公式如下：

式中，n為數據個數，t為每組數據的序號，P為機器學習預測的性能，Q為文獻給出的性能。具體優化方法是：采用KFold函數將訓練集劃分為5份，進行五折交叉驗證，此劃分過程隨機進行50次，選用50次五折交叉驗證的MAPE平均值最小的超參數作為神經元網絡模型的最終超參數。C2P模型和P2C模型優化后的節點結構分別為12-58-20-2和2-5-10-12，2個模型優化后的學習率均為0.001，最大迭代次數均為15000，其他參數保持默認值。隨后，采用優化的超參數在整個訓練集上進行模型的訓練，獲得最終預測模型。

1.3實驗方法

選取MLDS設計的2種典型合金成分進行實驗研究，實驗用鋼采用真空感應熔煉獲得，鑄錠質量為25 kg。通過軋制獲得直徑為24 mm的圓棒，開軋溫度約為1150℃，終軋溫度約為850℃。隨后，采用MLDS設計的淬火+回火工藝進行熱處理，測試鋼的力學性能，驗證機器學習結果。最后，采用實驗研究熱處理工藝參數對力學性能和顯微組織的影響規律，優化實驗用鋼熱處理工藝。熱處理試樣為直徑12 mm、長85 mm的圓棒試樣，標距段長度為25 mm，標距段直徑為5 mm。熱處理采用KSL-1200箱式電阻爐，力學性能測試采用CMT 5205拉伸試驗機。采用Regulus 8100掃描電子顯微鏡(SEM)、Talos F200X透射電子顯微鏡(TEM)、Smartlab X射線衍射儀(XRD)等設備分析顯微組織中的物相、界面以及微觀結構。SEM試樣采用4% (體積分數)硝酸酒精腐蝕，TEM試樣采用機械減薄+氬離子減薄或碳萃取復型的方式制備，XRD試樣為拋光態，電子背散衍射(EBSD)試樣采用15% (體積分數)高氯酸酒精溶液進行電解拋光，EBSD分析時的掃描步長為0.1 μm。

2實驗結果

2.1機器學習模型建立

C2P模型的訓練結果如圖3所示。圖中的Pearson相關系數R是用來衡量X軸和Y軸之間相關性的一個參數，其取值范圍在[-1, +1]之間，絕對值越大，表示2個變量之間相關性越大。圖中黑色實線表明實際性能與預測性能一致，點越靠近黑色實線，模型的預測準確度就越高。可見，C2P模型在性能預測上具有良好的可靠性，但如果僅依靠C2P模型通過窮舉來進行合金成分的設計，設計效率很低。在本工作中，MLDS將P2C模型與C2P模型結合起來，從而實現面向目標性能的化學成分和熱處理工藝參數逆向設計。

圖3

圖3抗拉強度和斷后伸長率的C2P模型訓練結果

Fig.3Training results of the C2P model (R—Pearson correlation coefficient)

(a) tensile strength (b) elongation after fracture

2.2化學成分和熱處理工藝預測

以抗拉強度(2050 ± 50) MPa、斷后伸長率10.5% ± 1.5%作為目標性能，分別輸入P2C模型和MLDS預測彈簧鋼的化學成分和熱處理工藝參數，選取Si、Mn、Cr和Mo的元素含量以及熱處理工藝參數TQ、tQ、TT和tT進行分析，結果如圖4所示。可以看出，由MLDS設計得到的化學成分含量和熱處理工藝參數相對集中，波動起伏較小。Si、Mn、Cr和Mo元素含量的波動方差由P2C模型的0.27、0.16、0.32和0.09分別降低至MLDS的0.05、0.05、0.10和0.04，熱處理工藝參數TQ、tQ、TT和tT的波動方差由P2C模型的17.73、4.04、8.49和5.80分別降低至MLDS的5.86、0.62、3.97和2.21，由此可見，MLDS在化學成分和熱處理工藝參數預測時具有更好的穩定性。

圖4

圖4MLDS和P2C模型所設計元素含量和熱處理工藝參數的波動分析

Fig.4Fluctuation analyses of design results by the MLDS and the P2C model

(a) Si content (b) Mn content (c) Cr content (d) Mo content

(e) quenching temperature (f) quenching time (g) tempering temperature (h) tempering time

圖5a為抗拉強度和伸長率的樣本數據和MLDS得到的40組預測數據，圖5b為40組預測數據區域的放大圖。選擇了強塑積最高(圖5b中的1#)和強度最高(圖5b中的2#)的2組預測數據進行實驗驗證和后續研究。實驗驗證結果如表1所示。可見，1#鋼的Nb含量較高，而2#鋼的V含量較高。并且，與常見彈簧鋼化學成分相比，設計成分中出現了少量的Mo元素和Ni元素，這可能是機器學習系統從其他鋼種的數據中學到的“經驗”。另外，設計成分的C含量處于中碳鋼的范圍內，有利于降低鋼的表面脫碳敏感性；Si含量較高，有利于提高材料的抗彈減性能。抗拉強度和伸長率的預測和實驗結果表明，MLDS具有良好的預測準確性。

圖5

圖5抗拉強度和伸長率的樣本數據和MLDS設計結果

Fig.5Tensile strength and elongation of sample data and design results obtained by the MLDS

(a) all data (b) magnification of design results area for rectangle zone in Fig.5a

表1MLDS預測結果和實驗驗證結果的比較

Table 1Comparisons of predicted results by MLDS and experimental results

新窗口打開|下載CSV

2.3熱處理工藝優化

綜上，設計成分和熱處理工藝參數可獲得設計目標要求的抗拉強度和伸長率，然而屈強比僅達到0.8左右，還有一定的提高空間。對于彈簧鋼來講，較高的屈服強度意味著較高的彈性極限，有必要通過熱處理工藝參數優化提高設計鋼種的屈服強度。因此，在MLDS設計的熱處理工藝參數基礎上，開展熱處理工藝參數對彈簧鋼顯微組織和力學性能影響的實驗研究。

2.3.1 淬火溫度

控制淬火保溫時間為30 min，回火溫度為420℃，回火時間為90 min，研究淬火溫度(870、890、910、930和950℃)對彈簧鋼組織和性能的影響。1#鋼和2#鋼在不同溫度淬火后(未回火)的XRD譜如圖6所示。在不同淬火溫度下，鋼中的殘余奧氏體含量均較低，體積分數在2%以下。不同溫度淬火后(未回火)試樣顯微組織的SEM像如圖7所示。隨淬火溫度升高，馬氏體板條有所粗化，但碳化物回溶更加充分。

圖6

圖61#鋼和2#鋼在不同溫度淬火后的XRD譜

Fig.6XRD spectra of samples after quenching at different temperatures

(a) 1# steel (b) 2# steel

圖7

圖71#鋼和2#鋼在不同溫度淬火后顯微組織的SEM像

Fig.7SEM images of 1# steel (a-c) and 2# steel (d-f) after quenching at 870oC (a, d), 910oC (b, e), and 950oC (c, f) (Insets show the enlarged images)

圖8為1#鋼和2#鋼在不同溫度淬火并回火后的力學性能測試結果。可見，隨淬火溫度升高，抗拉和屈服強度變化均不顯著，其中抗拉強度略有上升趨勢。1#和2#鋼的抗拉強度差別很小，均處于1980~2050 MPa范圍內；2#鋼的屈服強度高于1#鋼，分別約為1700和1620 MPa。在910℃保溫淬火時，塑性指標有所下降，其他淬火溫度下塑性差別不大。由圖7可以看出，淬火溫度升高至910℃時，碳化物的回溶程度顯著提高，但由于此時溫度較低，元素均勻程度較差，導致塑性有所降低，為了碳化物更充分的回溶和合金元素更均勻的分布，選擇950℃作為淬火溫度，進行后續研究。另外，圖8c給出了采用C2P模型預測的不同淬火溫度時的力學性能。可見，預測結果與實測結果的變化趨勢基本一致，抗拉強度的預測誤差絕對值在18.6~82.3 MPa之間，斷后伸長率的預測誤差絕對值在0.3%~2.0%之間。

圖8

圖8淬火溫度對力學性能的影響

Fig.8Effects of quenching temperature on mechanical properties

(a) tensile and yield strengths (b) elongation after fracture and reduction in area (c) prediction results of the C2P model

2.3.2 淬火時間

控制淬火溫度為950℃，回火溫度為420℃、回火時間為90 min，研究淬火保溫時間(15、30、45和60 min)對彈簧鋼力學性能的影響，如圖9所示。可見，隨淬火保溫時間延長，抗拉強度變化不顯著。隨著淬火保溫時間由15 min延長至30 min，碳化物的回溶以及元素的擴散更加充分，使得1#和2#鋼的屈服強度略有升高，塑性也有所改善；但隨著淬火保溫時間進一步延長，顯微組織會發生粗化，使1#和2#鋼的屈服強度和塑性均下降。選擇30 min作為淬火保溫時間，進行后續研究。另外，圖9c給出了采用C2P模型預測的不同淬火保溫時間時的力學性能。可見，預測結果與實測結果的變化趨勢基本一致，抗拉強度的預測誤差絕對值在2.3~117.4 MPa之間，斷后伸長率的預測誤差絕對值在0~1.8%之間。

圖9

圖9淬火保溫時間對力學性能的影響

Fig.9Effects of holding time before quenching on mechanical properties

(a) tensile and yield strengths (b) elongation after fracture and reduction in area (c) prediction results of the C2P model

2.3.3 回火溫度

控制淬火溫度為950℃，淬火保溫時間為30 min，回火時間為90 min，研究回火溫度(380、400、420、440和460℃)對彈簧鋼組織和性能的影響。1#鋼和2#鋼在不同溫度回火后的XRD譜如圖10所示。隨回火溫度升高，鋼中的奧氏體含量降低；回火溫度為440和460℃時，奧氏體含量很低，難以測出，這是因為在較高回火溫度下，淬火時產生的殘余奧氏體發生了分解；當回火溫度為380、400和420℃時，鋼中含有6%~8% (體積分數)的奧氏體，與淬火后相比，奧氏體含量明顯增大，這說明在回火過程中又產生了一定量的逆變奧氏體。

圖10

圖101#鋼和2#鋼在不同溫度回火后試樣的XRD譜

Fig.10XRD spectra of samples after tempering at different temperatures

(a) 1# steel (b) 2# steel

1#鋼和2#鋼在不同溫度回火后顯微組織的SEM像和TEM像分別如圖11和12所示。回火后的顯微組織主要為回火屈氏體，隨回火溫度升高，馬氏體發生回復，馬氏體板條粗化，碳化物的析出量增大，使得位錯密度降低。

圖11

圖111#鋼和2#鋼在不同溫度回火后顯微組織的SEM像

Fig.11SEM images of 1# steel (a-c) and 2# steel (d-f) after tempering at 380oC (a, d), 420oC (b, e), and 460oC (c, f)

圖12

圖121#鋼和2#鋼在不同溫度回火后顯微組織的TEM像

Fig.12TEM images of 1# steel (a-c) and 2# steel (d-f) after tempering at 380oC (a, d), 420oC (b, e), and 460oC (c, f)

回火溫度對力學性能的影響如圖13所示。可見，回火溫度對材料的強度有著顯著影響，隨回火溫度降低，材料的抗拉和屈服強度逐漸升高，當回火溫度降低至400℃時，1#和2#鋼的抗拉強度達到2100 MPa以上，屈服強度達到1850 MPa以上，材料的屈強比達到0.9左右。并且有趣的是，隨著強度的顯著提高，材料的塑性并沒有明顯降低，斷后伸長率維持在10%~14%，斷面收縮率維持在35%~45%。選擇380℃作為回火溫度，進行后續研究。另外，圖13c給出了采用C2P模型預測的不同回火溫度時的力學性能。可見，預測結果和實測結果的變化趨勢基本一致，抗拉強度的預測誤差絕對值在2.3~124.0 MPa之間，斷后伸長率的預測誤差絕對值在0.3%~2.0%之間。

圖13

圖13回火溫度對力學性能的影響

Fig.13Effects of tempering temperature on mechanical properties

(a) tensile and yield strengths

(b) elongation at break and reduction in area

(c) prediction results of the C2P model

2.3.4 回火時間

控制淬火溫度為950℃，淬火保溫時間為30 min，回火溫度為380℃，研究回火時間(30、60、90和120 min)對彈簧鋼力學性能的影響，如圖14所示。可見，隨回火時間延長，材料的抗拉強度和屈服強度變化不大。當回火時間為90 min時，材料的塑性較好，因此選擇90 min作為回火時間。另外，圖14c給出了采用C2P模型預測的不同回火溫度時的力學性能。可見，預測結果與實測結果的變化趨勢基本一致，抗拉強度的預測誤差絕對值在11.7~107.3 MPa之間，斷后伸長率的預測誤差絕對值在0~1.5%之間。

圖14

圖14回火時間對力學性能的影響

Fig.14Effects of tempering time on mechanical properties

(a) tensile and yield strengths

(b) elongation after fracture and reduction in area

(c) prediction results of the C2P model

綜上所述，優化后的熱處理工藝為950℃保溫30 min、油淬+ 380℃保溫90 min、水冷，此時材料的強度和塑性均較好，1#鋼的抗拉強度、屈服強度、斷后伸長率和斷面收縮率分別為2183.5 MPa、1923.0 MPa、10.5%和42.4%；2#鋼的抗拉強度、屈服強度、斷后伸長率和斷面收縮率分別為2193.0 MPa、2024.5 MPa、9.7%和41.5%。2#鋼的屈服強度高于1#鋼，而塑性略低于1#鋼。

3分析與討論

3.1彈簧鋼強化機理

彈簧鋼的強化機理有多種，主要包括固溶強化、位錯強化、晶界強化和析出強化。下面以950℃保溫30 min、油淬+ 380℃回火90 min、水冷的試樣為例，分析設計鋼種的強化機理。

采用Fleischer公式估算固溶強化對屈服強度的貢獻[20,21]：

式中，σss為固溶強化值；βi為合金元素i的強化常數，其與該合金元素與Fe的晶格和模量錯配相關，采用文獻[22]中提供的數據；xi為合金元素i的原子分數。需要說明的是，該公式默認C原子被馬氏體板條邊界的高密度位錯捕獲，因此沒有考慮間隙原子的固溶強化作用；另外，由于V和Nb元素含量較低且大都以析出相的形式存在，因此沒有考慮這2種元素的固溶強化作用。

根據XRD峰的半高寬計算馬氏體位錯密度及其對屈服強度的貢獻，計算過程如下式所示[23~25]：

式中，σds為位錯強化值；M為Taylor取向因子，取3；α為強化因子，取0.25；G為剪切模量，取80650 MPa；b為Burgers矢量模，α-Fe取0.248；ρ為位錯密度；e為晶格應變；d為平均微晶尺寸；δ2θ為測量的XRD峰的半高寬；θ0為XRD峰的峰值角度；λ為Cu靶射線的波長，取0.1542 nm。

采用Hall-Petch公式計算晶界強化對屈服強度的貢獻[26]：

式中，σgs為晶界強化值；KH為Hall-Petch強化系數常數，537 MPa/μm2，取自文獻[27]；de為晶粒尺寸，來自EBSD識別的有效晶粒尺寸(以15°取向差)，1#和2#鋼分別為0.44和0.52 μm。1#鋼和2#鋼晶粒取向的EBSD像如圖15所示，圖中黑線代表以15°取向差識別的界面。

圖15

圖151#鋼和2#鋼晶粒取向的EBSD像

Fig.15EBSD grain orientation images

(a) 1# steel (b) 2# steel

采用Ashby-Orowan模型計算析出強化對屈服強度的貢獻[28,29]：

式中，σps為析出強化值；rp為析出相的平均半徑，fp為析出相的體積分數，均取自對碳膜復型試樣中析出相的定量統計結果。1#鋼和2#鋼析出相形貌的TEM像和EDS分析結果如圖16所示。1#鋼中析出相主要為V的碳化物，同時含有少量的Nb、Cr、Mo和Mn；2#鋼中析出相也主要為V的碳化物，同時含有少量的Cr、Mo和Mn。1#鋼析出相的平均半徑和體積分數分別為21 nm和0.19%，2#鋼由于V含量較高，析出相的平均半徑和體積分數有所增大，分別為27 nm和0.42%。

圖16

圖161#鋼和2#鋼碳膜萃取析出相的TEM像和EDS分析結果

Fig.16TEM images (a, b) and EDS analysis results (c, d) of the precipitates extracted by carbon film for 1# steel (a, c) and 2# steel (b, d)

采用下式計算上述強化機理綜合作用下的屈服強度[22]：

式中，σy為屈服強度；σ0為晶格摩擦應力，取50 MPa[30]。

各種強化機理的貢獻及屈服強度的計算結果如圖17所示。可見，晶界強化和位錯強化起到主要作用，并且2#鋼的晶界強化和析出強化高于1#鋼，這使得2#鋼具有更高的屈服強度。然而，屈服強度的計算值低于實驗實測值，這可能與以下因素有關：第一，計算固溶強化時，Fleischer公式默認C原子被馬氏體板條邊界的高密度位錯捕獲，因而沒有考慮C原子的固溶強化作用，然而回火后C原子必然發生一定的擴散，這可能導致固溶強化計算值偏低；第二，通過TEM觀察發現，如圖18所示，材料中存在一定量的孿晶，可起到孿晶強化作用，這在計算過程中沒有考慮；第三，采用萃取復型的方法無法萃取到所有的碳化物，可能導致析出強化的計算值偏低。

圖17

圖17各種強化機理對屈服強度的貢獻

Fig.17Contributions of various strengthening mechanisms to yield strength (σss—solid solution strength,σds—dislocation strength,σgs—grain boundary strength,σps—precipitation strength,σy—yield strength)

圖18

圖18孿晶的TEM明場像和選區電子衍射花樣

Fig.18TEM bright field image and selected area electron diffraction pattern (inset) of the twin

3.2彈簧鋼塑性保持機理

彈簧鋼在超高強度下仍可保持10%以上的斷后伸長率和40%以上的斷面收縮率，塑性良好。更有趣的是，隨著回火溫度的降低，強度逐漸升高，但塑性沒有發生明顯的下降，圖19為1#鋼和2#鋼在不同溫度回火后的拉伸曲線。一方面，該彈簧鋼的晶粒較細，晶界強化在強化機制中貢獻較大，較細的晶粒有利于協調變形，起到維持塑性的作用。另一方面，淬火后，鋼中存在一定量的殘余奧氏體和逆變奧氏體，380℃回火后的奧氏體TEM像和選區電子衍射花樣如圖20所示。一般認為，在鋼中獲得適宜含量的彌散奧氏體可抑制裂紋的擴展，有利于改善材料的塑韌性，另外還存在相變誘發塑性(TRIP)[31]和孿生誘發塑性(TWIP)[32]2種增塑機制。另外值得注意的是，逆變奧氏體在合金元素含量較高的鋼中比較常見，并形成于特定元素富集的區域，如馬氏體時效鋼中富Ni的區域[33]和中錳鋼中富Mn的區域[34]。然而，本工作所開發鋼種的合金元素含量較低，其在回火時仍然產生了一定量的逆變奧氏體，這種現象尚無相關文獻報道，逆變奧氏體的形核機理及其對所開發鋼種性能的影響值得進一步深入研究。

圖19

圖191#鋼和2#鋼在不同溫度回火后的拉伸曲線

Fig.19Tensile curves of samples with different tempering temperatures

(a) 1# steel (b) 2# steel

圖20

圖20奧氏體的TEM明場像和選區電子衍射花樣

Fig.20TEM bright field image and selected area electron diffraction pattern (inset) of austenite indicated by arrows

3.3彈簧鋼性能水平、經濟性和工藝性分析

所開發鋼種(熱處理工藝：950℃保溫30 min、油淬+ 380/400℃保溫90 min、水冷)與文獻[35,36]報道的60Si2CrVAT彈簧鋼力學性能和合金元素含量對比如圖21所示。新鋼種的綜合力學性能顯著提升，且合金元素含量僅略有增大。在保持相同塑性水平(9%~12%)的前提下，抗拉強度由約1900 MPa提高至2100~2200 MPa，屈服強度由約1600 MPa提高至1850~2050 MPa。說明本工作開發的鋼種具有顯著的性能優勢，有望作為下一代高速重載列車轉向架彈簧以及大馬力汽車減震器懸架彈簧的備選材料。

圖21

圖21所開發鋼種與文獻[35,36]報道60Si2CrVAT的力學性能和合金元素含量對比

(c) alloying element content

Fig.21Comparisons of mechanical properties and alloying element content between the developed steels and 60Si2CrVAT reported in Refs.[35,36]

(a) tensile strength and elongation after fracture

(b) yield strength and elongation after fracture

現有的2000 MPa級超高強度鋼主要為馬氏體時效鋼[37~40]，鋼中一般含有質量分數為10%~20%的Ni和Co元素，而本工作開發的鋼種的昂貴合金元素含量很低，總合金元素含量在5%以下，具有顯著的成本優勢。另外，本工作開發的鋼種可采用鋼鐵企業線棒材的常規生產工藝生產，即常規冶煉-連鑄-線棒材軋制，無需復雜的雙真空(真空感應+真空自耗)冶煉工藝[39,41]。在熱處理方面，本工作開發的鋼種可通過簡單的淬火+回火工藝實現，無需復雜熱處理工藝，如淬火+碳配分+回火[42]、固溶+長時間時效[38,39]、多級時效[40]、鐵素體/奧氏體循環相變[43]等，具有顯著的工藝優勢。

需要特別說明的是，特殊鋼的性能要求復雜。對于彈簧鋼來講，表面脫碳敏感性、疲勞性能、耐蝕性能、抗氫致延遲斷裂性能、抗彈性減退性能等都非常重要，一類新鋼種的開發不能僅局限于強塑形指標的提高。本工作是新型超高強度彈簧鋼開發的第一步，后續還將針對上述關鍵性能繼續開展深入研究，以滿足彈簧鋼性能要求的復雜性和多樣性。

4結論

(1) 采用面向目標性能的機器學習設計系統(MLDS)，結合實驗優化，實現了超高強度彈簧鋼化學成分和熱處理工藝的快速研發。獲得的2類鋼種的抗拉強度分別為2183.5和2193.0 MPa、屈服強度分別為1923.0和2024.5 MPa、斷后伸長率分別為10.5%和9.7%、斷面收縮率分別為42.4%和41.5%。所開發鋼種的合金元素質量分數低于5%，并可通過簡單的淬火+回火工藝實現，具有顯著的成本和工藝優勢。

(2) 研究了淬火溫度、淬火時間、回火溫度、回火時間對所設計鋼種顯微組織和力學性能的影響。確定了較優的熱處理工藝為950℃保溫30 min、油淬+ 380℃回火90 min、水冷，可使材料獲得較高的強度和良好的塑性。

(3) 所設計鋼種的強化機理以細晶強化、位錯強化為主，還存在一定程度的固溶強化、析出強化和孿晶強化。在380~420℃回火時，鋼中產生了一定量的逆變奧氏體，可對材料的塑性起到有利作用。