2021, Vol. 12引用本文 |
| 材料基因工程及其在海洋工程用钢中的应用 |  [PDF全文] |
2. 中国航发贵州黎阳航空动力有限公司，贵阳 550014
2. China Aviation Development Guizhou Liyang Aviation Power Co., Ltd., Guiyang 550014, China
我国拥有海洋国土面积约近300万km2，海洋资源极其丰富，随着经济的发展，对海洋资源、空间的依赖程度大幅度提高。近年来，我国陆续启动了“蛟龙号”“深海勇士号”“全海深载人潜水器”和“深海空间站”等重大项目及海洋基础设施建设。但海洋的服役环境严峻，受气候、风浪、氯腐蚀、微生物腐蚀及自然灾害等多重因素影响，并且不同的服役区域腐蚀速率也不相同，使得海洋设施腐蚀问题严重。而钢铁材料作为应用性极强的传统材料具有不可替代的优势，但随着海洋工程建设的不断发展，对钢铁材料提出了更高的要求，如减轻重量、提高安全性等[1]。因此，设计和开发高性能海洋工程用钢仍是海洋工程材料的主要发展趋势之一。
通常，传统的钢铁材料研究方法以经验为指导，从理念设计到生产试用至少需要10~20年的时间，虽然能避开部分物理机理不明的问题，但开发过程昂贵耗时，需要反复试验和长期的材料认证过程，无法满足产品设计对材料的急切需求。由于海洋环境的复杂性，海洋工程装备对钢铁材料性能的要求不断提高，单纯的应用传统研发方法已经不能满足其需求。因此利用计算机辅助分析、预测与模拟以及应用数据库进行设计与优化是非常必要的，应用材料基因工程技术可实现海工钢短周期、低成本、高效率的研发目标，同时还可以充实海洋工程材料的数据库。
1 材料基因工程基础理论 1.1 材料基因组2002年，美国宾夕法尼亚州立大学刘梓葵教授提出了“材料基因”的概念，其起源于相图计算方法CLPHAD的成功应用及人类基因组计划所带来的灵感[2]。类比人类基因中的DNA和RNA序列决定人类遗传信息，材料的微观结构、晶体结构、原子排列及缺陷决定了材料的性质。2011年，美国提出了“材料基因组”计划（MGI），其目的是为保持其在先进材料领域的领先地位，提升新材料研发效率，提高核心竞争力，自此也拉开了世界各国在这个领域的竞争序幕[3]。MGI的具体内容包括开发高通量实验设备、探索高通量实验方法，从而加速材料的筛选和设计；获取大量材料计算的关键数据，筛选并验证待选材料；开发并完善材料数据库，从而进行有效的管理和利用[4]。
通用电气公司（GE）采用材料基因组的思想，成功研制出GTD262高温合金，该合金从概念设计到工业化生产仅用了4年的时间，研发费用约为同类合金开发成本的1/5[5]。美国能源部能源前沿研究中心（EFRC）在识别和测试钙钛矿型太阳能材料替代品时，利用材料项目数据库将研究效率提高了20%[6]。麻省理工学院（MIT）的Ceder团队通过高通量密度泛函理论计算，在约2万种化合物中筛选出3种有前景的锂电池材料，其性能与商用材料相比显著提高[7]。可见，材料基因组将材料研发、高通量计算及材料数据库融合在一起，可以加速新材料的发现、研发、生产、应用全过程，降低研发成本，缩短研发周期。
1.2 材料基因工程我国以师昌绪院士和徐匡迪院士为代表的多位专家学者于2011年提出了发展“材料基因组”计划。2016年，科技部发布了关于“国家重点研发计划高性能计算”等重点专项，启动了“材料基因工程关键技术与支撑平台”重点专项，在材料基因工程关键技术和验证性示范应用中启动了14个研究任务[8]。预计到2025年，材料设计与模拟方法将不断优化，新材料数据库也将不断完善，材料的设计开发及实际生产有望实现“中国制造2025”计划。
材料基因工程是当前我国材料科学发展的前沿，旨在融合发展材料高通量计算、高通量实验和材料数据库等技术，改变传统“炒菜式”研发模式，从而提升研发效率。其中，高通量实验是材料基因工程的重要基础，包括高通量材料制备和表征两部分，其本质是提高单位时间的实验样品数量。目前，高通量表征技术的发展较为完善，例如，基于光学的检测方法可实现微纳米级别微区的材料表征，而基于非接触式探针的方法可以实现亚微米量级的材料表征[9]。
我国应用材料基因工程的方法和技术在新材料前沿基础研究、新材料设计与发现、性能优化与提升等方面已经取得了显著进展。宁波MGI项目组成功研制出国内首台48靶高通量复合材料离子束溅射真空镀膜设备，其核心技术组合材料芯片被称为“新材料搜索引擎”，将新材料合成筛选过程的效率提高1 000至10万倍，研发周期缩短至2周[10]。中科院物理研究所基于材料基因工程的理念，开发了独特的高通量实验方法，在高性能非晶合金成分设计方面取得突破，可以实现快速筛选非晶合金，开发了一种新的高温高强度非晶合金材料体系[11]。
1.3 材料基因工程关键技术 1.3.1 高通量实验高通量实验主要包括高通量制备、高通量表征和服役性能高效评价等实验技术和方法。通过少次实验制备出一大批样品、进行表征并获得多个服役性能或缩短获得材料长期服役行为数据的实验时间，快速获得成分—相—组织—性能之间的关系，为模拟计算提供基础材料数据和实验验证，同时还可以丰富材料数据库。
高通量实验制备可分为“组合”和“成相”2个步骤，“组合”可实现样品成分的可控分布，“成相”可实现样品相结构的可控分布。近年来，人们发现了一系列制备高通量大块材料的新方法，包括激光添加剂制造法、等静压制备法等，其中比较成熟的方法有薄膜法和扩散多元节法。连续模板镀膜法普遍应用于高通量三元相图的研究，如Fe-Co-Ni合金三元相图，该方法可获得0~X%的连续线性梯度的成分分布[12]。Zhao等设计了包含多个扩散偶和扩散三元节于一体的扩散多元节，用来测定复杂的相图，如Ti-Cr-TiAl3-TiSi2扩散多元节[13]。
1.3.2 高通量计算高通量计算是指利用计算平台、高通量材料计算方法和软件相结合，实现高通量材料模拟、快速计算、预测材料性能和新材料设计，并提高新材料的筛选效率和设计水平，其方法和工具主要包括第一性原理计算、计算热力学、动态过程算法、微观结构和力学性能预测工具等[14]。
Curtarolo等基于第一性原理设计了高通量框架AFLOW，目前包含了150 000个合金热力学数据和约13 000个无机化合物的电子结构数据[15]。Priya等基于密度泛函理论（DFT）开发了一个自动化的以数据为中心的高通量框架，对金属间化合物在腐蚀环境中的耐蚀性进行排序[16]。Supka等利用AFLOWπ设计的高通量第一性原理计算框架可以自动生成紧束缚模型[17]。CHOUDHARY等发展了密度泛函（DFT）计算中k点和平面波截止的自动收敛计算框架，并将其应用于30 000多种材料[18]。
中国科学院计算机网络信息中心材料基因工程信息技术实验室研发的MatCloud驱动引擎，旨在支撑材料基因工程的高通量集成计算和数据管理。MatCloud的应用包括2个方面：一方面是在线的第一原理计算，不需要任何服务器和计算集群，只需浏览器便可开展在线计算，支持较复杂的结构筛选和性质计算；另一方面支持材料基因工程，如结构筛选、元素替代、性能与成分优化等，这些均涉及高通量的计算模拟[19]。
1.3.3 材料数据库材料数据库通常包括材料性能、成分、工艺、实验条件、应用和评价等方面的数据，是材料研究和应用的重要依据。一旦建成规模，它可以通过数据挖掘、深度学习、数据再现等技术手段，从原始数据中提取出大量有用的信息，汇总这些信息，为计算仿真提供基础数据，为高通量实验提供实验设计依据，实时采集、共享计算数据。
目前，世界上许多国家都建立了一批比较成熟、实用的材料数据库。在材料基础数据系统方面，麻省理工学院与劳伦斯伯克利国家实验室等合作开发的Materials Project项目是一个材料基因组框架下的基于Web技术的材料信息获取、计算与预测平台，包含有30 732项物质数据、3 044项能带结构数据、409项层间化合物电池材料数据和15 175项转换电池材料数据[20]。日本国立材料科学研究所（NIMS）建立的MatNavi数据库系统拥有近14万个注册用户[21]。瑞士的Total Materia金属材料性能在线数据库包含了约1 500万份材料性能记录；德国的Key to Steel数据库包括了约7万多个标准和钢的种类并提供基于牌号、成分和性能的钢材检索服务[22]。
中国于2018年建立的材料基因组工程数据库（MGED）是基于材料基因组工程的思想和理念，建立的数据库和应用软件的集成系统平台，包括高通量计算引擎、原子间势数据库、材料数据库、材料数据挖掘系统等，高通量实验数据处理软件、纸张信息辅助提取软件功能模块，拥有材料数据7.7万余条[23]。材料数据共享（MSDSN）是材料数据共享的核心平台（http://www.materdata.cn/）, 形成了具有中国自身特色的集成计算钢铁材料工程的共性关键技术，涵盖逾3 000种钢铁材料及材料基础的高质量数据近11万条[24]。就目前来看，国内外数据库都体现出功能少、覆盖面小且共享性差的特点。与国外数据库相比，我国材料数据库起步晚，体系上还略有差距。服务于材料基因工程的数据库种类数量较少、内容不全面，未来可以通过高通量的材料制备与表征、高通量计算以及数据共享，极大地丰富材料基因工程数据库。
2 材料基因工程在海洋工程用钢中的应用现状设计新的材料、提高并优化性能、丰富材料数据库，可以提高我国在海洋工程领域的持续竞争力，满足未来海洋工程对新材料的重大需求。近年来，应用高通量实验、多尺度模拟以及材料数据库设计开发钢铁材料已经取得了显著进展。虽然应用尚不广泛，但仍可以看到未来海洋工程用钢材料基因化的广阔前景。
Lu等提出了一种通过优化Laves相来强化新型铁素体抗蠕变钢的合金计算设计方法[25]。目的是优化钢的化学成分，包括9种化学元素，以获得最佳的Laves相强化铁素体钢，在预期的使用温度下获得具有高体积分数并降低粗化率的理想组合。利用这种方法，设计了3种合金，在预期的使用温度（分别为650、700、750 ℃）下具有理想的沉淀硬化，如图 1所示。通过分析现有15Cr铁素体钢在不同工作温度下的沉淀硬化，验证了该方法的有效性，实验结果与模型预测良好的吻合。预测新设计的合金在相应的使用温度下比现有合金具有更高的沉淀硬化。Laves相在服役过程中析出缓慢，后期强化效果更为显著，M23C6析出相的析出可用于提高铁素体钢的初始强度。
 |
| 图 1 不同合金Laves相的体积百分比、粗化率及沉淀硬化[25] Fig. 1 Volume percentage, coarsening rate and precipitation hardening of Laves phases of different[25] |
美国西北大学Olson教授研究团队在实际研制超强钢时，通过Questek公司搭建了高通量集成计算分析平台，基于自建数据库，使用高通量集成计算设计平台进行材料的相组成的设计[26-29]。设计结果通过扩散偶、电弧熔炼等快速实验手段验证其相组成情况，实验所得的数据进一步反馈给自建数据库，以进行数据库的修正及补充完善，成功研制了S53、M54等具有超高强度、优异的断裂韧性和抗应力腐蚀性能的新型高Co-Ni二次硬化钢，成为新型钢铁材料高效率研发的典型范例。
Santanu等基于智能计算建模和优化技术，研究了成分和工艺参数对API级微合金管线钢力学性能的影响，进而设计出强度、冲击韧性和塑性性能都有所提高的钢[30]。利用该模型能够获得成分和工艺参数与机械性能的关系，然后将所建立的模型作为多目标遗传算法的目标函数，从而找到强度、塑性和冲击韧性之间的平衡点，为“成分—工艺—组织—性能”相关性的研究提供了一种全新的思路。
Wang等建立了基于ML和高通量优化算法的RAFM钢设计系统，对RAFM钢进行成分和处理工艺的优化，以提高其屈服强度和冲击韧性[31]。较优方案显示出相对较高的屈服强度（> 700 MPa）和较好的冲击韧性（> 200 J），值得进行实验验证，这种设计模式有助于获得综合力学性能提高的新型RAFM钢，为钢铁材料的设计提供了一种新的模式。
Grujicic等利用计算模拟分析以及模型预测设计了强度与断裂韧性提高、可加工性良好且耐腐蚀的高强度低合金钢，属于材料基因工程的典型应用案例[32]。同时为了验证模型的正确性，将其预测结果与HSLA-100钢的试验结果进行了对比。在此基础上，确定了一种力学性能、加工性能和耐蚀性均得到提高的HSLA钢的较优化学成分和回火工艺, 为材料的设计与筛选提供了新的思路。
通过对目前钢铁材料设计方法的总结与分析，发现在海洋工程用钢的设计过程中有许多借鉴之处。利用优化算法设计高性能的海洋工程用钢，可以获得“成分—工艺—组织—性能”的关系并找出强度与塑韧性之间的平衡点，然后从预测结果中选出较优方案来进行试验验证。目前制备扩散多元节与CALPHAD相结合的方法在新材料的设计过程中应用最为广泛，可以在短时间内获得大量的实验数据。但随着数据量的快速增加，人工数据分析已经不能满足需要，而由于机器学习方法在回归和分类问题中表现突出，因此机器学习被广泛应用于材料性能的预测。随着计算设计方法的不断发展，材料的设计已经实现了从性能组织向成分工艺的倒推。由于公开报道的研究成果较少，高性能海洋工程用钢的数据库还不成体系，传统钢铁材料的数据库虽然庞大，但缺乏整理、分级分类以及深入挖掘，因此前期的算法优化、计算结果的归纳与深入挖掘尤为重要。
3 应用材料基因工程技术设计海洋工程用钢的基本思路 3.1 海洋工程用钢的需求特点钢铁材料因其性价比高而广泛应用于海洋工程领域。然而，因海洋环境异常严峻，海洋工程装备需要承受复杂的载荷和恶劣的腐蚀环境，这就要求海洋工程用钢具有高强度、耐腐蚀、抗疲劳及良好的焊接性等优良性能。海洋工程用钢主要可以分为海洋平台用钢、船舶用钢和桥梁与基础设施用钢，其中，海洋平台用钢的基本要求是能有效地进行冷（热）加工、装配、焊接以保证最大的发挥各种功能[33]。当代海洋工程装备秉承着减轻重量、延长寿命、提高安全性、可靠性的设计理念，这对钢铁材料的设计提出了更高的要求，通过提高强度、降低密度等方式实现结构减重的同时提高其耐蚀性，以达到延长寿命的目的[34]。
3.2 设计海洋工程用钢的基本思路应用材料基因工程技术开发海洋工程用高强耐蚀合金是当前材料设计与开发的前沿，有助于加快我国海洋工程领域的发展进程。应用材料基因工程技术设计海洋工程用钢主要分为2个部分，理论计算和实验验证，其中高通量作业是关键环节。整体设计流程如图 2所示，主要思路如下：
 |
| 图 2 基于材料基因工程技术设计海洋工程用钢的流程 Fig. 2 Flow drawing of steel for marine engineering based on material genetic engineering technology |
1）结合海洋工程用钢的需求特点以及在具体应用中的功能导向提出材料需求，基于现有数据库初步选定合金成分范围，如利用Mn/C比例的提高代替Ni来降低成本，加入Al来细化晶粒，设置一个变动元素进行对比分析。
2）应用高通量计算平台Matcloud+建立个人数据库并进行高通量作业，基于合金相图搭建晶体结构模型，然后进行结构优化、能带计算、声子谱计算等。对实验难以获取材料的性质进行预测及机理解释，如结构单一的Fe-Mn合金获得比较困难，利用理论计算可以弥补实验的不足。计算主要金属间化合物的弹性常数，得到不同金属间化合物的弹性模量、杨氏模量、泊松比等数据，分析合金元素及稀土元素对钢力学性能的影响。
3）对计算结果进行可视化分析，根据材料需求并结合合金成分-工艺-组织-性能之间的关系，确定材料成分。Grujicic团队利用计算模拟分析设计了强度与断裂韧性提高、可加工性良好且耐腐蚀的HSLA钢，这对海洋工程用钢的设计有很大的借鉴意义[28]。
4）制备成分筛选后的合金，进行微观组织分析、模拟应用环境的腐蚀行为和机理研究以及强度和韧性的匹配规律的研究等，并将理论计算的结果与实验检测结果进行分析比较。
高通量计算虽能进行高效的模拟预测，但要以数据库作为前提和基础，目前高性能海洋工程用钢的数据库还不够完善，因此高通量实验也是研发海洋工程用钢的重点。当复杂的合金体系无法开展计算或计算的精度低于高通量实验的时候，就应该开展高通量的制备与表征，从而为高通量计算提供依据同时补充材料数据库。因此，应该具体问题具体分析，有针对性的应用高通量实验和高通量计算技术。
3.3 材料基因工程技术在海洋工程用钢领域的应用前景应用材料基因工程技术开发海洋工程用钢是当前材料设计与开发的前沿，有助于加快我国海洋工程材料的发展进程。基于材料基因工程技术设计海洋工程用钢的最终目标是通过理论模拟计算提升合金性能、应用新材料及新工艺技术。设计海洋工程用钢的应用范围包括：数据库集成应用、材料成分设计、材料加工工艺仿真模拟、材料成分和工艺的快速筛选实验、材料服役性能模拟等。采用材料基因工程技术设计新的材料，可以满足海洋工程对新材料的重大需求，从而来保证我国在海洋工程材料方面的竞争力。就目前来看，材料基因工程技术可以实现材料研发过程中“两个一半”的目标。长远来看，可以完善材料的数据库，实现海洋工程材料的按需设计。
4 结论通过对高通量实验、高通量计算、材料数据库以及材料基因工程技术在钢铁材料中的研究现状总结分析，提出了材料基因工程技术在海洋工程用钢设计过程中的应用思路，基于高通量第一性原理计算进行模拟预测，结合高通量实验及材料数据库进行设计与优化，将传统与“从模拟计算到实验验证”2种研发模式优势互补，实现研发模式的转变。提高海洋工程用钢研发效率，不但可以促进海洋工程设施与装备的更新换代，还可以为我国材料事业和海洋强国战略做出应有的贡献。
| [1] |
周廉, 丁文江, 薛群基, 等.
中国海洋工程材料发展战略咨询报告[M]. 北京: 化学工业出版社, 2014.
|
| [2] |
刘梓葵. 关于材料基因组的基本观点及展望[J].
科学通报, 2013, 58(35): 3618–3622.
|
| [3] |
范晓丽. 材料基因组计划与第一性原理高通量计算[J].
中国材料进展, 2015, 34(9): 689–695.
|
| [4] |
WANG H Z, XIE J X. Editorial for special issue on materials genome engineering[J].
Engineering, 2020, 6(6): 585–586. DOI: 10.1016/j.eng.2020.05.007. |
| [5] |
万勇, 冯瑞华, 姜山, 等. 美国材料基因组计划实施的一系列举措[J].
新材料产业, 2014(6): 4–7.
DOI: 10.3969/j.issn.1008-892X.2014.06.002.
|
| [6] |
XIAO Y H, LINCOLN J M, WANG Y, et al. Computational screening of cathode coatings for solid-state batteries[J].
Joule, 2019, 3(5): 1252–1275. DOI: 10.1016/j.joule.2019.02.006. |
| [7] |
汪洪, 向勇, 项晓东, 等. 材料基因组——材料研发新模式[J].
科技导报, 2015, 33(10): 13–19.
|
| [8] |
吴苗苗, 刘利民, 韩雅芳. 材料基因工程——材料设计、模拟及数据库的顶层设计[J].
今日科苑, 2018(10): 53–58.
|
| [9] |
关洪达, 李才巨, 高鹏, 等. 材料高通量制备与表征技术研究进展[J].
稀有金属材料与工程, 2019, 48(12): 4131–4140.
|
| [10] |
MCDOWELL M G, HILL I G. Rapid thermal conductivity measurements for combinatorial thin films[J].
Review of Scientific Instruments, 2013, 84(5): 3519. |
| [11] |
LI M X, ZHAO S F, LU Z, et al. High-temperature bulk metallic glasses developed by combinatorial methods[J].
Nature, 2019, 569: 99–103. DOI: 10.1038/s41586-019-1145-z. |
| [12] |
王海舟, 汪洪, 丁洪, 等. 材料的高通量制备与表征技术[J].
科技导报, 2015, 33(10): 31–49.
DOI: 10.3981/j.issn.1000-7857.2015.10.003.
|
| [13] |
ZHAO J C. Reliability of the diffusion-multiple approach for phase diagram mapping[J].
Journal of Materials Science, 2004, 39(12): 3913–3925. DOI: 10.1023/B:JMSC.0000031472.25241.c5. |
| [14] |
ROTERS F, EISENLOHR P, HANTCHERLI L, et al. Overview of constitutive laws, kinematics, homogenization and multiscale methods in crystal plasticity finite-element modeling: theory, experiments, applications[J].
Acta Materialia, 2010, 58(4): 1152–1211. DOI: 10.1016/j.actamat.2009.10.058. |
| [15] |
CURTAROLO S, SETYAWAN W, WANG S, et al. AFLOWLIB.ORG: A distributed materials properties repository from high-throughput ab initio calculations[J].
Computational Materials Science, 2012, 58: 227–235. DOI: 10.1016/j.commatsci.2012.02.002. |
| [16] |
PRIYA P, YAN X, CHAUDHURI S. Study of intermetallics for corrosion and creep resistant microstructure in Mg-RE and Mg-Al-RE alloys through a data-centric high-throughput DFT framework[J].
Computational Materials Science, 2020, 175: 109541. DOI: 10.1016/j.commatsci.2020.109541. |
| [17] |
SUPKA A R, LYONS T E, LIYANAGE L, et al. AFLOWπ: A minimalist approach to high-throughput ab initio-calculations including the generation of tight-binding hamiltonians[J].
Computational Materials Science, 2017, 136: 76–84. DOI: 10.1016/j.commatsci.2017.03.055. |
| [18] |
CHOUDHARY K, TAVAZZA F. Convergence and machine learning predictions of Monkhorst-Pack k-points and plane-wave cut-off in high-throughput DFT calculations[J].
Computational Materials Science, 2019, 161: 300–308. DOI: 10.1016/j.commatsci.2019.02.006. |
| [19] |
YANG X Y, WANG Z G, ZHAO X S, et al. MatCloud, a high-throughput computational materials infrastructure: Present, future visions, and challenges[J].
Chinese Physics B, 2018, 27(11): 108–115. |
| [20] |
王卓, 杨小渝, 郑宇飞, 等. 材料基因组框架下的材料集成设计及信息平台初探[J].
科学通报, 2013, 58(35): 3733–3744.
|
| [21] |
高志玉, 刘国权. 在线材料数据库进展与NIMS/MatWeb案例研究[J].
材料工程, 2013(11): 89–96.
DOI: 10.3969/j.issn.1001-4381.2013.11.015.
|
| [22] |
杨丽, 苏航, 柴锋, 等. 材料数据库和数据挖掘技术的应用现状[J].
中国材料进展, 2019, 38(7): 672–681.
|
| [23] |
XIONG S L, WANG L H, LEJCEK P. Research progress and development trends of materials genome technology[J].
Advances in Materials Science and Engineering, 2020, 2020(12): 1–11. |
| [24] |
尹海清, 姜雪, 张瑞杰, 等. 材料科学数据共享网及其在材料行业创新发展中的应用[J].
中国科技资源导刊, 2016, 48(3): 58–65.
DOI: 10.3772/j.issn.1674-1544.2016.03.009.
|
| [25] |
LU Q, YOSHIAKI T, NAOMICHI H, et al. The impact of intended service temperature on the optimal composition of Laves and M23C6 precipitate strengthened ferritic creep resistant steels[J].
Computational Materials Science, 2015, 107: 110–115. DOI: 10.1016/j.commatsci.2015.05.016. |
| [26] |
OLSON, WANG C C, SHEN C C, et al. Design of comprehensive mechanical properties by machine learning and high-throughput optimization algorithm in RAFM steels[J].
Nuclear Engineering and Technology, 2020, 52(5): 1008–1012. DOI: 10.1016/j.net.2019.10.014. |
| [27] |
G B. Genomic materials design: The ferrous frontier[J].
Acta Materialia, 2013, 61(3): 771–781. DOI: 10.1016/j.actamat.2012.10.045. |
| [28] |
WANG C C, ZHANG C, YANG Z G, et al. Analysis of fracture toughness in high Co–Ni secondary hardening steel using FEM[J].
Materials Science and Engineering: A, 2015, 646(14): 1–7. |
| [29] |
WANG C C, ZHANG C, YANG Z G, et al. Microstructure analysis and yield strength simulation in high Co-Ni secondary hardening steel[J].
Materials Science and Engineering: A, 2016, 669: 312–317. DOI: 10.1016/j.msea.2016.05.069. |
| [30] |
SANTANU P, SWATI D, SUBRATA C, et al. Computational intelligence based designing of microalloyed pipeline steel[J].
Computational Materials Science, 2015, 104: 60–68. DOI: 10.1016/j.commatsci.2015.03.029. |
| [31] |
WANG C C, ZHANG C, YANG Z G. Austenite layer and precipitation in high Co-Ni maraging steel[J].
Micron, 2014, 67: 112–116. DOI: 10.1016/j.micron.2014.07.008. |
| [32] |
GRUJICIC M, SNIPES J S, RAMASWAMI S. New high-strength low-alloy steels with improved mechanical properties and processability using materials by design[J].
Proceedings of the Institution of Mechanical Engineers Part L-Journaol of Materials-Design and Applications, 2018, 232(2): 89–105. DOI: 10.1177/1464420715616277. |
| [33] |
赵捷. 我国高品质船舶、海洋工程用钢研究进展[J].
材料导报, 2018, 32(增刊1): 428–431.
|
| [34] |
王国栋, 尚成嘉, 刘振宇, 等.
海洋工程钢铁材料[M]. 北京: 化学工业出版社, 2016.
|