高性能海洋用钢智慧研发之二——钢铁材料基因与显微组织数字化表征

尚成嘉，李秀程，王学林

（1.北京科技大学钢铁共性技术协同创新中心，北京100083；2.鞍钢集团钢铁研究院海洋装备用金属材料及其应用国家重点实验室，辽宁 鞍山114009）

第一次工业革命使钢铁材料成为了真正的工业产品。纵观钢铁材料的近代发展过程可见，钢铁材料的不断发展首先得益于工业化制造技术的提升，使得钢铁这种有着长期应用历史的重要结构材料能够大量、廉价地被制造；其次，工业革命以后相关产业的飞速发展对钢铁材料的性能提出了各类苛刻要求，这对钢铁材料的发展既是挑战，又是机遇。随着20世纪初现代物理学及其技术的发展，钢铁材料在原子层次被逐步认识，并且开展了广泛的理论与实验研究。在钢铁材料晶体结构基础上，还建立了以现代物理学为基础的固溶体、合金相，晶体缺陷，扩散与相变，塑性形变，强化，断裂等一系列理论和模型。

早在1978年Pickering就发表了名为 《物理冶金学——钢的材料设计》的专著［1］，通过对各类钢铁材料成分-组织-性能之间的物理冶金现象及规律的总结与提炼，阐明了钢铁材料已经可以根据物理冶金原理进行设计，即按照钢铁材料的规律（基因）认识钢铁材料，设计钢铁材料，生产钢铁材料以及使用钢铁材料。钢铁材料的合金设计、组织设计、工艺设计及服役行为已经可以依靠其基因，即物理冶金、化学冶金和力学冶金的相关理论；借助物理与化学数据库和已经建立的多尺度模型实现智慧化研发与制造［2-4］。

1 钢铁材料智慧研发与生产流程

当今的钢铁材料已经可以利用其所具备的基因去设计材料，并将进入智慧设计、智慧生产与智慧服务新时代。钢铁材料智慧研发蓝图如图1所示，钢铁材料智慧研发驱动来自不同领域、不同环境条件下的具体需求，具体反映在应用领域的设计规范与标准，应用条件与方法，产品安全与经济等社会属性的多个方面。为了体现材料是“为人类制造有用器件的物质”的功能和社会属性［5］，应选择经济、环保、节能、节约资源和高性能等五大属性兼备的材料体系 （合金成分、工艺和性质与性能）。显然，材料体系与技术条件的确立是完全由“逆向需求”确定的，同时还该利用钢铁材料标准、规范以及知识、原理和热力学数据协助完成。经验、知识和钢铁大数据在此将起到重要指导作用，它们是开展材料显微组织结构和制造工艺与流程设计的前提，是材料智慧设计的核心［2］。利用知识与原理，理论与模型、热力学数据及对工业大数据深度挖掘所得到的知识，指导材料制造过程中的成分控制范围，显微组织精细结构和炼钢-连铸-热加工-热处理等冶金全过程的参数与指标，实现成分-工艺的正向调控，组织-性能的正向预报。材料智慧设计平台是指导材料智慧研发的重要支柱，除此以外，材料的智慧服务体系对材料的逆向开发方面也起到重要作用。基于材料的应用与服役性能的数据积累，智慧服务的需求是逆向的，而理论基础却是正向的。材料的研发与制造应更紧密地结合重大装备、重大工程、特殊环境、特殊工艺及严酷竞争的客观条件，开展材料“逆向设计”，实施材料“正向制造”，在此过程中，相关的数据库及数据挖掘技术是实现材料智慧设计、智慧生产与智慧服务的重要支撑。

图1 钢铁材料智慧研发与生产流程

2 钢铁材料多尺度显微组织数字化表征方法

目前的研究比较着重于建立钢铁材料组织结构中某一个或某几个特征与工艺性能的关系，找到可以决定性能的关键因素。但材料基因的内涵不止于此，所谓基因，即通过对材料组织的表征和分析，直接明确其性能，甚至给出较为精确的预测数值范围。这不仅是材料研究学者一直以来的梦想，也是材料智慧化制造的趋势。时至今日，通过海量研究成果的汇集，各种理论的提出和完善，各种模型的建立以及各种实验方法及设备的飞速发展，全面建立钢铁材料基因数据库有了希望的曙光。

建立钢铁材料基因数据库的本质就是对其所有的结构特征进行充分表征，并以定量化的数据形式展现。钢铁材料作为一种晶体，其晶体类型是非常容易判定的，在这方面已经有了大量卓有成效的工作。影响材料性能的信息更大程度上来自晶体中的缺陷，而对于晶体中的缺陷，通常可根据其维度特点进行分类和表征。

2.1 晶体中点缺陷的表征及数据化

晶体中点缺陷，即零维缺陷，主要包括空位、间隙原子和置换原子。通常情况下，晶体中空位存在较少，且与其他缺陷有着紧密的关联；间隙原子和置换原子主要是合金化形成的，现在通过电子探针，甚至三维原子探针等实验方法，已经可以很好地对微区的原子构成进行定量化表征，但难点在于实验观察范围一般比较小，且实验成本较高。如果可以选取有代表性的位置（如晶界或界面）进行测试，还是可以很大程度上反映出材料的基因特征。与高强度钢密切相关的一个典型例子就是可以利用三维原子探针（3D-AP）较容易地统计在原始奥氏体晶界上富集的B、Mo等元素的偏聚等行为［6］，从而认识或定量化建立与钢的淬透性之间的关系。

2.2 晶体中位错的表征及数字化

晶体中的位错是一种一维缺陷，钢铁材料的所有力学性能几乎都与位错有所关联。通过透射电镜可以很好地对位错进行表征，但是仍存在与点缺陷表征类似的问题，即不可能大范围进行量化，所以选取代表性结构进行充分表征仍是比较好的解决方案，并尽可能增加数据量，小范围实现定量化统计；同时寻找替代实验方法，通过其他表征结果反映位错密度信息，例如通过EBSD的菊池带质量进行表征等［7-8］。当然在这方面还需要更加深入系统的研究以及实验仪器与配套分析软件的发展。

2.3 晶粒、晶界的表征及数据化

晶界作为一种二维缺陷在材料的组织、物理性能、化学性能、力学性能、变形过程、失效行为中均扮演至关重要的角色，但是目前对晶界的统计分析工作还不甚完善，其根源很大程度上并非是实验方法欠缺，因为目前的EBSD技术已经得到了很好的发展，而且应用非常广泛。其根源更可能是对晶界的认知差异以及表征的片面性，特别是对前文所述的马氏体/贝氏体组织类型钢铁材料，如果单从奥氏体界面、10～15o大角度晶界密度、45o大角度晶界密度、Packet界面密度或者Block界面密度分析其与韧性的关系，好像都可以建立比较好的联系，但是其中又不乏一些反例出现。所以如果将所有在不同研究过程中的晶界类型进行分类统计，那么研究结果将会更为明晰。当然，如果可以加入高分辨投射电镜等更加精细的表征方法，对界面的细微结构进行更加深入的鉴别，则是更为理想的。

2.4 体缺陷的表征及数据化

钢铁材料中的体缺陷主要包括析出物、夹杂物和其他类型体缺陷（偏析、疏松、裂纹等）。目前对析出物的表征主要应用透射电镜，并且可以达到定量化的分析效果。但是对于一些纳米级甚至纳米以下的析出物，表征结果尚不理想。对钢中夹杂物的表征较为完善，已经有非常专业的设备对较大体积样本进行分析，得到定量化的夹杂物分类统计结果。对其他类型缺陷的分析和表征也正朝着定量化的方向发展。

或许目前还不能笃定以钢铁材料基因来实现所有性能的预测，但是该数据库的基本结构已初现端倪，有能力通过钢铁材料基因的研究设计来预测部分性能，而且随着研究水平提升和数据积累，钢铁材料基因组很有可能成为短期内最有成效的材料基因组工程方向之一。

3 高强马氏体组织遗传特征与显微组织可视化

长期以来，人们对奥氏体、铁素体、珠光体等组织的描述比较清晰，其晶体结构和界面可以被清晰地表征和认知，但是无论从表征方法还是晶体学特征与性能关联方面，对贝氏体/马氏体类型钢的认知还存在着很大分歧。Morito等人［9,10］对马氏体板条的形态和晶体学特征做了详细的定义。马氏体形态示意图如图2所示，平行的马氏体板条束组成了一个Packet，几个Packet占据了母相奥氏体的所有区域；Packet是由Block组成的；Block是由更细小的Lath（板条）组成。这些Lath的晶界为小角度晶界，在晶体学上的定义为Sub-block晶界，Block晶界为大角度晶界。通常，将Lath和Block都称为板条，两类晶界都成为板条晶界。以上是Packet、Block以及Sub-block的形貌学定义。

图2 马氏体板条结构示意图［9,10］

马氏体、板条贝氏体与母相奥氏体大多符合K-S 取向关系［10］或 N-W 取向关系［11］，具有切变相变组织的晶体学特征，即新相与母相奥氏体的密排面和密排方向均是平行的。K-S取向关系［10］可表示为：{111}γ//{110}α，＜110＞γ//＜111＞α；N-W 取向关系［11］则表示为：{111}γ//{110}α，＜112＞γ//＜110＞α。

在N-W及K-S关系下，由同一母相奥氏体（原始奥氏体晶粒）转变来的马氏体变体共有4个不同的Packet，Packet的定义是具有相同密排面（close-packed plane）的板条束。因为母相FCC（面心立方）具有4个独立的{111}密排面，形成四个对应晶体学Packet。若BCC（体心立方）变体的{110}面平行于原FCC相中某一个{111}面，则此变体属于此 {111}面对应的Packet。N-W关系下每个Packet内有3个变体；而K-S关系下每个Packet内有6个变体，见图3。由同一取向的奥氏体可产生24种不同取向的变体，如表1所示。与之类似，在N-W关系中将产生12种不同取向的变体。

马氏体的Packet是由相同密排面的板条组成，即一个Packet内部板条的一个（110）面是互相平行的，一共有6种不同的变体（V1～V6），如图3所示。在同一个Packet内，V1与V4之间为小角度晶界，即Sub-block晶界；V1与其他4个变体之间为大角度晶界，即Block晶界。V1与其他Packet中变体之间的界面为Packet晶界。

图3 一个Packet内部6个变体的示意图［12］

马氏体及板条贝氏体的上述相变产物晶体学遗传特征的研究成果为高强度海工钢组织的定量化表征奠定了良好基础。屈服强度为550 MPa级海工钢再加热后，分别以不同冷却工艺（由800°C冷却至 500°C的时间分别为8 s、20 s和50 s，即三种冷速：37.5 °C/s、15 °C/s和 6 °C/s）， 获得的贝氏体组织见图4、图5及图6。其中图4给出的光学照片和SEM像能清晰呈现不同工艺条件下获得组织的形貌学特征。图5、图6给出了相应形貌学下的晶体学图像及晶界分布情况，晶体学信息需要通过EBSD获取。EBSD技术能够获得室温组织的取向、晶粒大小、形貌及织构信息，由于子相与母相间存在特定位向关系，可以借助此种关系对原始奥氏体组织进行回归［14］。通过研究母相与子相相变过程中的位向关系，选用合适的算法，将高温母相的取向、形貌、晶界、晶粒尺寸全部回归，从而为研究各钢种的高温母相组织提供一种有效合理的方法。

表1 K-S关系中的24种变体及其他变体与变体V1间界面类型［10,13］

通过EBSD软件提取出相应图片的所有晶体学数据信息，即欧拉角。利用MATLAB编程并对单一奥氏体内欧拉数据进行计算，获得母相奥氏体取向和相变过程母相与子相的平均位向关系，如表2所示。由于贝氏体相变过程中相变应力的调节（高温的塑性调节和低温的自调节）会促使其相变的位向关系偏离精确的K-S关系［13］，故利用EBSD获取的晶体学数据计算实际相变过程的位向关系变得尤为重要，其精确度关系到相变产物的各类晶体学信息（Packet和Block的形貌、晶界长度及尺寸等）的确定。获取实际相变过程的位向关系后，可以结合EBSD软件及MATLAB实现：

（1）高温母相奥氏体的重构及其相变后晶体学Packet、贝恩组或Block和24个变体的可视化；

（2）计算贝氏体/马氏体相变过程的变体选择情况，即近似符合K-S关系的24个变体含量或23个变体对（V1/V2-V24）含量；

（3）利用变体对含量精确计算各类晶体学结构单元的晶界长度或尺寸，即Packet、Block、Subblock界面长度或密度，并建立其与材料性能的定量化关系，实现材料在晶体学上的可视化及数字化表征。

图6 不同冷却条件下贝氏体晶界分布情况

表2 奥氏体相变过程的位向关系

3.1 重构奥氏体内晶体学Packet和Block可视化

图 7（a）、7（b）、7（c）为可视化 CP1、CP2、CP3和CP4四个Packet的形貌，而对于贝恩图7（d）、7（e）、7（f），则采用可视化 B1、B2 和 B3 区形貌。 材料晶体学结构的可视化将有助于更直观真切地分析相变机制。图7a显示，快冷速条件下形成的板条贝氏体其晶体学变体沿着惯习面生长并呈现平行分布状态。对比相应的贝恩图7（d）可以发现，每一个CP区包含两个或者三个贝恩组并呈现交错式排布结构，而这样的排列有助于大角度晶界的形成。然而，这种结构排列模式并不适用于低冷速下形成的粒状贝氏体。图7（b）显示，粒状贝氏体组织中CP组呈现交叉式分布在整个奥氏体晶粒内，意味着CP组内的变体并不再按肩并肩的形式生长。此外，观察发现来自不同CP组内的变体相遇总是呈现小角度取向关系，而相应的贝恩图7（e）显示这些变体都是属于同一贝恩组，说明主导的贝恩组（颜色较深的两个贝恩区）形成并导致了较低的大角晶界密度，变体分组模式也随着冷速的降低由CP分组向贝恩分组模式转变。

图7 重构的单一奥氏体内贝氏体的CP和贝恩图

3.2 变体对的定量化及变体选择情况

图8为进一步采用实际位向关系获得的各类变体间的界面长度（变体对）百分含量。从图中可以看出，冷却速率对各类变体间的界面长度均有影响，但对V1/V2变体对，即Block界面的影响最为突出。冷却速率降低，V1/V2变体对含量降低。此外，研究还发现合金元素（C含量）及原始奥氏体晶粒形态等均对变体选择机制有较大影响［15-16］，进而决定着材料的各类晶界密度及相应力学性能。

图8 三种冷速条件下贝氏体变体平均界面长度百分比

3.3 晶体学信息与材料性能的定量化关系

为了将变体界面与冲击韧性建立一个定量化关系，通过计算进一步获得了单位面积界面长度，将晶体学的Sub-block、Block以及Packet的单位面积界面长度与-40°C冲击功汇总如图9所示。总体来看，总界面长度与冲击韧性均随冷速增加而增大。Packet（大取向差或者小取向差）界面长度受冷却速率影响不明显，但Block和Sub-block界面随冷速增大而显著增加，尤其是Block界面，其变化趋势基本与冲击功一致。先前的研究显示［17-18］，冲击功与 Packet尺寸相关，而屈服强度与Block尺寸相关。但先前的研究主要是将Packet和Block均定义为由大角晶界构成的封闭区域，这势必导致其对性能贡献难以区分。而本研究中，Sub-block、Block和Packet是通过实际相变过程的位向关系和角轴对关系确定的，故其更能精确量化各种晶界对性能的贡献。图9结果显示，冲击功似乎与Block界面长度 （即Block尺寸）关联更紧密。这并不是说Packet晶面对冲击功没有贡献，而是因为不同冷速下Packet界面密度基本一致，即Packet界面对三种冷速下冲击功的贡献是等效的。因此，利用Block界面长度的变化来解释冲击韧性的改变更为科学。单位面积内Block界面长度越大，则Block尺寸越小。

图9 不同冷速冲击韧性与单位面积内晶界长度关系

以上分析显示，冷速是调控相变晶体学产物的重要因素之一，调控外界参数可以有效控制材料的晶体学结构，即通过调控材料的基因来改善材料的最终力学性能。此外，借助EBSD实现材料晶体学大数据的获取，并结合计算机编程计算可以实现材料性能与晶体学大数据的关联，有助于材料的智慧设计及服役性能预测。结合以上研究，立方系材料的晶体学结构定量化方法见图10。

图10 立方系材料的晶体学结构定量化方法

4 结语

作为一种结构缺陷较为复杂的金属，钢铁材料的基因组工程建设难度将会高于其他材料，但近百年的研究成果为钢铁材料基因组的建立提供了坚实的实验支撑、理论支撑和数据支撑。面对竞争激烈的制造业和快速发展的经济，必须缩短钢铁材料研发周期，快速低成本地解决生产和使用过程中出现的问题，面对钢铁材料在下游领域应用需求中的新挑战。因此，钢铁材料基因组工程的建设既是时代需要，又是大势所趋，不仅需要所有钢铁研究工作者的共同努力，更需要政府层面的引领和推动。

致谢感谢中央高校基本科研业务费专项资金资助（FRF-TP-16-035A1）及国家自然科学基金（51371001）。

［1］Pickering F B.Physical metallurgy and the design of steels ［M］.London:Applied Science Publishers，1978.

［2］尹海清，刘国权，姜雪，等.中国材料数据库与公共服务平台建设［J］.科技导报，2015（33）：50-59.

［3］王沿东，张哲维，李时磊，等.同步辐射高能X射线衍射在材料研究中的应用进展［J］.中国材料进展，2017（36）：168-174.

［4］王崇愚.多尺度模型及相关分析方法［J］.复杂系统与复杂性科学，2004（1）： 9-19.

［5］肖纪美.合金的能量与过程 ［J］.仪表材料.1980，11： 1-11.

［6］Takahashi J， Ishikawa K， Kawakami K， et al.Atomic-scale study on segregation behavior at austenite grain boundaries in boron and molybdenum-added steels［J］.Acta Materialia，2017（133）：41-54.

［7］黄亚敏，潘春旭.基于电子背散射衍射EBSD技术的材料微区应力应变状态研究综述［J］.电子显微学报，2010（29）：1-11.

［8］Breitbarth E，Zaefferer S，Archie F，et al.Evolution of dislocation patterns inside the plastic zone introduced by fatigue in an aged aluminium alloy AA2024-T3［J］.Materials Science&Engineering.2018（A718）： 345-349.

［9］Kitahara H，Ueji R，Tsuji N，et al.Crystallographic features of lath martensite in low-carbon steel［J］.Acta Materialia，2006（54）：1279-1288.

[10]Morito S，Tanaka H，Konishi R，et al.The morphology and crystallography of lath martensite in Fe-C alloys ［J］.Acta Materialia，2003（51）： 1789-1799.

[11]Kurdjumow G，Sachs G.Über den Mechanismus der Stahlhärtung［J］.Zeitschrift für Physik A Hadrons and Nuclei，1930（64）:325-343.

[12]Nishiyama Z.X-Ray investigation of the mechanism of the transformation from face-centred cubic lattice to body-centred cubic［J］.Sci Rep Tohoku Univ，1934（23）:637-664.

[13]Takayama N，Miyamoto G，Furuhara T.Effects of transformation temperature on variant pairing of bainitic ferrite in low carbon steel［J］.Acta Materialia， 2012（60）:2387-2396.

[14]Miyamoto G，Iwata N，Takayama N，et al.Mapping the parent austenite orientation reconstructed from the orientation of martensite by EBSD and its application to ausformed martensite ［J］.Acta Materialia， 2010（58）： 6393-6403.

[15]Stormvinter A，Miyamoto G，Furuhara T， et al.Effect of carbon content on variant pairing of martensite in Fe-C alloys ［J］.Acta Materialia， 2012（60）， 7265-7274.

[16]Miyamoto G，Iwata N，Takayama N，et al.Quantitative analysis of variant selection in ausformed lath martensite ［J］.Acta Materialia.2012（60）： 1139-1148.

[17]Morito S， Yoshida H， Maki T，et al.Effect of block size on the strength of lath martensite in low carbon steels［J］.Materials Science&Engineering， 2006（A438-440）： 237-240.

[18]Rancel L，Gómez M，Medina S F，et al.Measurement of bainite packet size and its influence on cleavage fracture in a medium carbon bainitic steel［J］.Materials Science&Engineering， 2011（A530）： 21-27.