首页|亚温及亚临界热处理工艺对高铬铸铁微观组织及性能的影响

亚温及亚临界热处理工艺对高铬铸铁微观组织及性能的影响

Audrey Amadine LEGMA

亚温及亚临界热处理工艺对高铬铸铁微观组织及性能的影响

Audrey Amadine LEGMA1
扫码查看

作者信息

  • 1. 西南交通大学
  • 折叠

摘要

自20世纪60年代以来,高铬铸铁因其出色的耐磨性和低廉的价格迅速成为第三代金属耐磨材料,广泛应用于矿山机械、加工、电力等领域。高铬铸铁由于合金元素含量高,导致铸态组织中存在大量低硬度的残余奥氏体(AR),无法对组织中耐磨相(M7C3型碳化物)起到良好的支撑作用,从而导致耐磨性不佳,因此几乎所有的高铬铸铁都要经过热处理才能满足性能要求。然而,高铬铸铁传统的高温淬火热处理工艺存在能源消耗高、工件变形大等问题。针对上述问题,本文详细研究了低能耗的亚温和亚临界热处理工艺,并与常规热处理工艺作对比,探究这些热处理对高铬铸铁组织与性能的影响,并基于JMatPro软件模拟了高铬铸铁碳化物析出行为,通过MATLAB软件的BP人工神经网络拟合模块实现了高铬铸铁硬度的预测。结果表明: (1) 四组高铬铸铁Ac1和Ac3温度分别是:1#Ac1=733℃,Ac3=810℃;2#Ac1=732℃, Ac3=809℃;3#Ac1=674℃,Ac3=851℃;4#Ac1=738℃,Ac3=810℃;C元素可降低M23C6型碳化物析出温度,随着C含量的提高,高铬铸铁中M7C3型碳化物含量随之提高,但C含量超过2.6 wt.%时,M7C3型碳化物含量不再随C含量的增加而增加。Mo元素对碳化物析出影响最大,Mo可与C结合形成Mo2C碳化物。随着Cr/C的提高,组织中M7C3型共晶或初生碳化物含量显著提升。Ni和Cu元素对高铬铸铁碳化物析出温度和含量无明显影响。 (2) 四组高铬铸铁经常规热处理后组织由共晶碳化物、回火马氏体(M’)、二次碳化物和少量AR组成,硬度随淬火加热温度的增加先升高后降低,均在1000℃时达到最大硬度,最大硬度分别为60.1 HRC、60.5 HRC、60.0 HRC和60.8 HRC。相对于铸态分别提高了30.2%、12.0%、24.7%和20.2%。 (3) 亚温淬火过程中只有部分奥氏体(A)发生相变,四组高铬铸铁经亚温淬火(700℃~850℃×1 h)后组织转变以二次碳化物的析出和少量马氏体(M)相变为主,亚温淬火后最大硬度分别为61.8 HRC、60.9 HRC、61.4 HRC和61.6 HRC,相比于比铸态分别提高了32.6%、11.9%、26.6%和21.3%。其耐磨性相对于铸态分别提升了21.3%、20.7%、33.9%和31.7%。宏观断口形貌均呈现出脆性断裂特征,韧窝等韧性断裂特征均在AR相中。 (4) 亚临界热处理强化过程主要包括AR相变以及二次碳化物的析出。经500℃~650℃保温1 h~14 h亚临界处理的高铬铸铁组织主要是AR、M7C3碳化物和珠光体(P);四组高铬铸铁硬度在550℃~600℃保温6 h~12 h内均有峰值,峰值硬度最高为57.4 HRC,对硬度影响最大的是Mo元素。高铬铸铁在保温过程中析出二次碳化物,并且AR发生P相变,P的相变强化和二次碳化物析出强化的作用在长时间保温过程中逐渐降低;C含量相对最高的共晶高铬铸铁经过600℃保温8 h后耐磨性能最佳。可见提升高铬铸铁耐磨性首先应增加共晶碳化物数量,其次添加Mo等元素提升析出强化效果。 (5) 亚临界热处理保温温度在500℃以下对高铬铸铁硬度无明显影响。1#~4#合金可获得最大硬度的热处理工艺为:600℃保温6 h, 550℃保温12 h, 600℃保温8 h和4#575℃保温10 h。最大硬度分别为55.7 HRC、57.4 HRC、56.2 HRC和54.3 HRC,相对于铸态硬度分别提升了21.1%、5.5%、13.3%和6.9%,耐磨性分别提升了9.8%、12%、14.3%和15.0%。相对于亚温淬火,硬度降低了9.9%、5.7%、8.5%和11.8%,耐磨性降低了12.7%、9.8%、22.9%和19.6%。Mo含量越高,亚临界热处理过程中析出的Mo2C越多,弥散强化效果越好。亚临界态宏观断口均为脆性断裂,韧窝等韧性特征只存在于AR相中。四组合金亚临界热处理过程中AR的转变具有类似特征,主要以二次碳化物((Fe, Cr)23C6和Mo2C等)的析出和P相变为主,亚临界热处理冷却速度对组织与性能无明显影响,P相变和二次碳化物的析出主要发生在亚临界热处理的保温阶段。 (6) 经亚临界热处理后3#高铬铸铁在600℃保温8 h耐磨性最佳。虽然2#高铬铸铁最大硬度比3#高1.2 HRC,但其耐磨性要比3#稍差,原因是2#高铬铸铁的共晶碳化物含量低于3#。 (7) BP人工神经网络训练结果拟合R值在0.9以上。通过随机抽选数据对该神经网络进行检验,77.5%的预测结果与实际结果误差不超过1 HRC,总体误差均在2 HRC以内。通过神经网络预测模型计算各输入参数的权重贡献率,结果表明,保温温度对输出结果有较大影响,贡献率达到了19.9%,其次是Mo元素,贡献率达到了18.9%。

关键词

高铬铸铁/亚温热处理/亚临界热处理/微观组织/耐磨性

引用本文复制引用

授予学位

硕士

学科专业

材料科学与工程

导师

袁志钟

学位年度

2024

学位授予单位

江苏大学

语种

中文

中图分类号

TG
段落导航相关论文