通过电弧能量进行表面热处理以提高金属硬度

《Journal of Science: Advanced Materials and Devices》:Surface heat treatment to improve the metallic hardness via electric arc energy

【字体: 大 中 小 】 时间:2026年05月03日 来源:Journal of Science: Advanced Materials and Devices 6.7

编辑推荐:

  阮浩|杜宋完|阮文淑|范森明 越南胡志明市胡志明技术工程大学机械工程学院,邮编71307 **摘要** 本研究探讨了圆柱形S45C钢在钨极惰性气体(TIG)电弧表面硬化处理过程中的硬度演变,并基于人工神经网络(ANN)开发了一个预测框架。从25个试样不同深度(0.2

  阮浩|杜宋完|阮文淑|范森明
越南胡志明市胡志明技术工程大学机械工程学院,邮编71307

**摘要**
本研究探讨了圆柱形S45C钢在钨极惰性气体(TIG)电弧表面硬化处理过程中的硬度演变,并基于人工神经网络(ANN)开发了一个预测框架。从25个试样不同深度(0.2至1.0毫米)获取的硬度数据(约2000个点)被用于训练和验证该模型。ANN显示出较高的预测能力,其预测的硬度与实验结果非常吻合,尤其是在0.6–0.8毫米深度的功能硬化区域内可靠性最高。工艺分析表明,热输入主要受电流强度和旋转速度的控制,而轴向速度主要影响硬化轨迹的重叠程度;电流强度被确定为影响硬度穿透深度的关键因素。微观结构表征显示,硬化层以马氏体为主,其中包含贝氏体和残留奥氏体,随后是热影响区以及晶粒粗化的铁素体-珠光体基体结构。显微硬度分布表明硬化层可延伸至约1.5毫米,适用于实际工程应用。所开发的ANN模型成功揭示了TIG电弧硬化过程中的工艺-结构-性能关系,为工业表面处理中的硬度分布预测提供了可靠依据。

**1. 引言**
圆柱形零件在机械系统中广泛应用,如轴、滚筒和心轴等,其表面质量对摩擦、磨损和动态载荷下的性能有显著影响[1]、[2]。提高表面硬度和微观结构稳定性对于延长圆柱形零件的使用寿命至关重要,尤其是在反复接触应力或磨蚀条件下[3]。因此,表面热处理因其多功能性、低成本以及无需额外合金材料或复杂加工技术的特点而受到越来越多的关注[4]。通过电子束、激光或电弧将钢表面加热到特定温度范围,使其基本相转变为奥氏体,然后快速冷却以形成马氏体或贝氏体等硬质相[5]。使用电弧热源具有设备简单、加热速度快、自冷却过程等优点,且成本远低于激光或电子束处理[6]、[7]。

E. N. Safonov等人[8]在惰性气体环境中利用电弧能量对多种铸铁材料(Np-ISKhGS、Np-30KhGSA和PP-Np-25KhSFMS)进行了表面淬火处理,改变了淬火过程中的两个参数:移动速度(60–180米/小时)和电流强度(180–350安培)。结果使铸铁表面硬度达到50–60 HRC,表面硬化层的最大深度为1.5–2毫米。观察和量化微观结构后发现,距表面0.5–0.6毫米处的马氏体含量比表面部分增加了30–40%,导致该区域的硬度高于表面硬度。研究还证实,电流强度和移动速度的变化会影响热输入,从而直接影响表面热处理后的硬度。

Safonov和Mironova[9]研究了含碳量约为0.2%的09G2、20L和20FL钢种的电弧硬化过程,使用的输入参数为电流强度和移动速度。移动速度范围为80–180米/小时,电流强度保持在180–330安培。通过30–50%的先前硬化区重叠进行硬化处理,以评估连续硬化过程及钢回火现象对硬化区的影响。电弧表面淬火后,硬化区的硬度值介于3900–8800 MPa之间,具体取决于电流强度和移动速度。硬化区深度为0.7–1毫米,具有马氏体-残余奥氏体微观结构。马氏体呈针状,同时存在残余奥氏体。X射线分析显示,马氏体占硬化区中间区域的50–70%体积。

硬化后的表面硬度取决于热输入量,这是该过程的核心问题。用于加热钢表面的热输入量取决于两个重要参数:电流强度和移动速度。Goyal等人[10]的研究表明,电流强度影响TIG焊头产生的热量;电流强度越大,产生的热量越多。相反,Nguyen等人的研究[11]、[12]指出,移动速度增加时热输入量减少。A. E. Mikheev等人[13]研究了20、40、65G和U8钢种在电弧电源下的表面硬化过程,电流强度范围为100–250安培,TIG焊头与工件之间的相对移动速度为0.01–5米/秒。结果表明,硬化后的硬度是未处理件的五倍(初始硬度为2 GPa,最高处理后硬度为10 GPa)。最佳移动速度范围为0.6–0.9米/秒,但硬化层深度仅0.3–0.4毫米,导致零件使用前需要重新加工以达到所需的表面粗糙度和几何精度。移动速度低于0.03米/秒时,硬化深度可超过0.5毫米。此外,硬化表面的耐磨性是未处理表面的四倍,这归因于电弧作用导致的表面硬度提高。Kumar等人[14]利用TIG焊接产生的热量对AISI 4340钢表面进行了处理,计算得出表面硬化所需的热输入量为0.3–1.2 kJ/毫米(电流强度参数为80、100、120、140安培,移动速度为6、9、12、15厘米/分钟)。结果表明,单次淬火后表面硬度达到720 HV,多次淬火后达到445 HV,而初始硬度为250 HV。硬化层深度显著增加至1.5–3.5毫米。热输入是影响硬度及硬化层深度的关键因素:热输入越大,硬化层深度和宽度越明显;但过热和冷却速率降低会导致表面硬度下降。

在电弧能量作用下形成的变性区内,相结构变为马氏体和残余奥氏体[6]、[9]、[13]、[14]。这些相不仅因马氏体的存在而提高表面硬度,还改变了材料的其它性能。Kumar等人[15]研究了TIG淬火后AISI 4340钢的拉伸和疲劳性能,发现改变电流强度和移动速度可降低材料的屈服强度,但提高硬度和冲击韧性。控制热输入有助于形成马氏体和贝氏体基体与残余奥氏体相结合的理想微观结构。随着输入温度的升高,冷却速率降低,因为大量热量需要更长时间冷却,导致形成贝氏体相,从而使材料结构发生变化[16]。这些相有助于提高表面的耐磨性、疲劳强度和耐腐蚀性。

为了达到所需的硬度并发挥表面硬度在精密机械零件连接中的优势,硬化后需要进行表面加工以获得精确的几何形状。先前研究[14]、[15]、[16]表明,TIG硬化后的表面几何质量较差,因此需要通过机械加工去除表层并保留下层。评估输入参数对表层以下层的影响在工业应用中非常重要,但现有研究尚未深入探讨。此外,应用统计和优化工具帮助工程师设计工艺并缩短加工时间也是亟待解决的问题[17]。近年来,使用ANN优化和预测钢表面硬度的方法已被广泛采用并证明是可靠的[18]。Ankur Bassi等人[19]利用前馈神经网络成功开发了预测模型,用于确定特定冷却条件下的钢硬度值和相比例。X. Xia等人[20]使用ANN网络预测镁合金的磨损率和硬度。Saleh Algdary等人[21]利用ANN模型预测钨极惰性气体(TIG)焊接中的热影响区(HAZ)最大硬度,输入参数包括焊接电流、电压和移动速度,模型准确度高达0.9821。

在确定TIG表面硬化技术的同时,确保整个圆柱体长度的均匀淬火表面和最佳硬化过程时间也非常重要。Algdary等人[22]提出了一种结合激光(类似TIG的方法)和旋转速度的表面硬化方案,但该方法的缺点是仅沿旋转方向进行加工,无法实现轴向位移,导致不连续性和加工时间延长。Leonardo等人[23]提出了一种结合旋转运动和轴向平移运动的淬火方法,以优化表面淬火时间并避免中断。该研究采用环形光斑对直径为20毫米和30毫米的AISI 1040棒材进行表面硬化,获得的马氏体层硬度高、深度大且轴向均匀。这种方法可以完全替代感应淬火方法,为圆柱形零件的电弧淬火提供新方向。

综合考虑TIG技术的优势及其局限性,本研究探讨了结合轴向和旋转运动的表面硬化效率提升方法,系统分析了不同表层间的硬度变化,并利用ANN模型分析关键工艺参数的影响。同时进行微观结构表征以阐明硬化机制。通过这种综合实验和数据驱动的方法,本研究旨在加深对TIG电弧表面硬化的理解,并支持其在工业应用中的实际应用。

**本研究的新颖性和科学贡献**
本研究的主要科学贡献如下:
- 系统性地研究了TIG电弧表面硬化对圆柱形S45C钢的影响,包括焊接电流、电弧长度、移动速度和焊接距离等关键工艺参数,建立了加工参数与圆柱表面硬度分布之间的全面关系。
- 基于大量实验数据开发了深度分辨的ANN模型。大约2000个在多个地下深度获得的硬度测量数据被用来训练和验证人工神经网络(ANN)模型,从而能够可靠地预测电弧硬化层内的硬度演变。该模型专注于0.6–0.8毫米深度的地下区域,这一区域在实际工程应用中的机械加工后通常会保留下来。这种方法为预测基于电弧的表面处理过程中保留的硬化层提供了一个实用的框架。

2. 方法
在本研究中,选择了中碳S45C钢的圆柱形样品进行基于电弧的表面硬化处理。工件的外径为76毫米,壁厚为4.8毫米,总长度为500毫米。其标称化学成分见表1。每个样品都被固定在三爪卡盘和尾座支撑之间,以确保加工过程中的稳定性。TIG焊枪作为电弧热源,焊枪和旋转的样品都由CNC控制系统进行操控。

表1. S45C钢样品的化学成分
成分 % C Si Mn P Ni Cr
S45C 0.42 0.50 0.17 0.37 0.5 0.8 0.035 最大值
0.035 最大值 0.25 最大值 0.25 最大值

实验的目标是在圆柱形表面上实施电弧表面硬化,并评估三个参数的影响:电流强度(A)、轴向移动速度(V1)和旋转移动速度(V2),如图1a所示。其中,电流强度的范围是100–130 A,与之前的研究[14]相似。根据Kumar等人的研究[24],电弧硬化区的宽度在3到6毫米之间,因此在本研究中轴向移动速度V1选择在1–5毫米/分钟的范围。旋转移动速度为460–500毫米/分钟,小于0.03米/秒,根据Mikheev的研究[13],这是实现表面高硬度的必要条件。共进行了25次不同的实验;参数的详细信息见表2,该表使用Minitab 18.1软件设计。电弧电压保持在80伏特,电弧长度(从TIG焊枪到样品的距离)为1.5毫米,保护气体流量为12升/分钟,冷却液温度在整个试验过程中大约为30摄氏度。

实验的目的是在圆柱形表面上实施电弧表面硬化,并评估三个参数的影响:电流强度(A)、轴向移动速度(V1)和旋转移动速度(V2),如图1a所示。电流强度的范围是100–130 A,与之前的研究[14]相似。根据Kumar等人的研究[24],电弧硬化区的宽度在3到6毫米之间,因此在本研究中轴向移动速度V1选择在1–5毫米/分钟的范围。旋转移动速度为460–500毫米/分钟,小于0.03米/秒,根据Mikheev的研究[13],这是实现表面高硬度的必要条件。共进行了25次不同的实验;参数的详细信息见表2,该表使用Minitab 18.1软件设计。电弧电压保持在80伏特,电弧长度(从TIG焊枪到样品的距离)为1.5毫米,保护气体流量为12升/分钟,冷却液温度在整个试验过程中大约为30摄氏度。

(1) 其中:

下载:下载高分辨率图片(467KB)
下载:下载全尺寸图片

图1. S45C钢圆柱形零件的表面淬火测试设备和工艺:(a) 表面淬火过程,(b) 电弧淬火后的S45C钢圆柱形零件表面,(c) 切削掉0.2毫米表层后的钢圆柱形零件,(d) 每层切削后的硬度测量位置。

表2. 使用Minitab 18.1软件设计的实验参数正交表
样品编号 A(安培) V1(毫米/分钟) V2(毫米/分钟) 热量输入(焦耳/毫米)
样品编号 A(安培) V1(毫米/分钟) V2(毫米/分钟) 热量输入(焦耳/毫米)
1 10 146 8 0.9
2 12 46 9 3.9
3 11 24 7 8 2.6
4 15 12 5 7 9 1.9
5 11 34 8 0 8 2.5
6 12 5 14 9 18.4
7 11 44 9 8 0 8.2
8 12 5 25 0 9 0.05
9 11 5 5 0 7 2.0
10 12 5 34 6 9 7.8
11 15 14 7 8 0 9 0.9
12 15 24 8 6 2.5
13 12 5 48 9 3.7
14 15 24 9 4 9 4.9
15 13 15 0 9 3.6
16 15 45 0 8 8 0.8
17 15 24 8 6 2.5
18 12 5 49 9 3.7
19 13 15 0 9 3.6
20 15 45 0 8 28.0
21 13 24 6 10 17.4
22 15 54 6 9 0.02
23 13 34 7 9 9 5.7
24 15 24 8 8 6 2.5
25 13 54 9 8 9 5.8
26 15 34 9 4 9 4.9
27 13 15 0 9 3 6.0
28 15 45 0 8 28.0

V:电弧电压(伏特)
I:电流强度(安培)
Arc efficiency(无单位)

根据Kurma的研究[14]、[15]、[16],热量输入被视为从主要工艺变量派生出的次要参数。它使用公式(1)[10]、[11]、[12]计算得出,其中电弧效率假设为0.75,与之前的研究[16]一致。表2列出了每个实验条件对应的计算热量输入值。

完成电弧淬火操作(图1b)后,硬化的圆柱形表面随后经过一系列机械加工步骤,以便在不同地下深度进行硬度评估。进行了五次切削,每次切削去除0.2毫米的材料(图1c)。加工速度为80转/分钟,并使用冷却液以消除可能影响硬度读数的热效应。

每次去除0.2毫米的层后,在淬火表面的轴向方向上均匀间隔16个点(相距3毫米)进行硬度测量,这些测量点根据指定的坐标用X位置编号,如图1d所示。有10个硬度测量点位于硬化区内,对应于红色区域。其余六个硬度测量点位于硬化区外,对应于蓝色区域。硬度测试使用HR-150A洛氏硬度计(Yisite,深圳,中国)进行。未经处理的S45C钢的初始硬度为90 HRB,相当于大约183 HV0.3。

在进行全深度剖面硬度评估之前,进行了初步分析以确定硬化层的深度并观察微观结构变化。这些初步测试在电流130安培、轴向移动速度2毫米/分钟和旋转移动速度460毫米/分钟的情况下进行。微观结构表征使用Oxion OX.2153-PLM光学显微镜(EUROMEX,荷兰)进行,还使用IMAGE软件测量硬化层厚度。此外,还使用JEOL 5410 LV扫描电子显微镜(SEM,日本)进行了表面观察。显微硬度使用Vickers硬度计HV0.3(HM101,Mitutoyo,东京,日本)进行测量。这种测量方法采用了一个基于正方形的金字塔压头,其对角线在顶点处相交的角度为136°。

开发了一个人工神经网络模型来预测经过TIG电弧表面硬化的S45C钢的硬度分布。实验数据集包括从25个样品在不同轴向位置和0.2至1.0毫米的地下深度收集的约2000个硬度测量值。模型的输入参数包括焊接电流、轴向移动速度、旋转速度、轴向测量位置(图1d)和地下深度。输出变量定义为以HRC表示的硬度值。

在模型训练之前,数据集被随机打乱并归一化,以消除变量之间的尺度差异并提高优化过程中的数值稳定性。然后,归一化的数据集被分为三个子集,分别用于训练、验证和测试,比例分别为70%、15%和15%,遵循之前研究中常用的数据分割策略[20]、[25]。每个子集中使用的样本分布总结在表3中。这种数据划分策略允许可靠地训练模型,同时能够无偏地评估ANN模型的预测性能。

表3. 用于ANN模型开发的数据集划分
数据集编号 点数 百分比
训练 1400 70%
验证 300 15%
测试 300 15%
总计 2000 100%

ANN模型的架构如图2所示。它由一个输入层、十个每个包含64个神经元的全连接隐藏层和一个输出神经元组成。检验了三种激活函数——ReLU、tanh和sigmoid——以评估它们对模型性能的影响。选择十个隐藏层的深度是基于对2层、6层和10层架构的系统性比较,每种配置训练了50个独立模型,使用了不同的随机初始化和数据打乱。这种十层设计在预测准确性和模型灵活性之间提供了良好的平衡,同时充分捕捉了五个输入参数(A、V1、V2、深度和X)之间的非线性相互作用,这些参数控制着TIG电弧表面硬化过程中的热行为和相变。

为了提高泛化能力并减轻过拟合,隐藏层之间应用了0.10和0.05的dropout正则化。模型使用Adam优化器进行训练,学习率为0.001。均方误差(MSE)被用作损失函数,而均方根误差(RMSE)被用作额外的性能指标。批量大小和最大训练周期分别设置为32和350。基于验证损失的提前停止策略,耐心为40个周期,以防止过拟合。

对于选定的架构,每种激活函数重复训练50次,使用不同的随机种子。这种策略减少了网络初始化和数据采样期间的随机变化影响。选择具有最佳验证性能的模型进行后续分析。

ANN模型的预测能力使用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R2)进行评估。此外,还进行了敏感性分析,以确定输入变量对预测硬度的相对重要性。训练好的ANN模型进一步用于生成硬度分布图,提供了工艺参数对硬度场影响的可视化表示。

3. 结果和讨论
3.1. 硬化样品的微观结构和显微硬度
在初始硬化处理后,使用电流强度130 A、轴向移动速度V1为2毫米/分钟和旋转移动速度V2为460毫米/分钟来评估圆柱管的微观结构和硬度,然后将样品切成两个样品进行初步深度测量,如图3a所示。表4总结的结果表明,平均硬化深度为1520.1微米,最大和最小值分别为1798微米和1058微米。总体而言,测量结果确认硬化层超过1毫米,表明从表面向下到1毫米深度的层进行评估在科学上是合理的。

图3. 测试样品的深度和微观结构结果。(a) 表面淬火过程的硬化层深度,(b) 通过显微镜观察的硬化区微观结构,(c) 硬化区的微观结构,(d) 热影响区的微观结构,(e) 基本金属区的微观结构。

表4. 表面淬火测试后硬化层的深度值
样品编号 位置 深度(微米)
1 14 98
2 15 10
3 16 17
4 15 14
5 14 31
6 15 14
7 16 33
8 15 40
9 14 97
10 16 67
11 13 69
12 17 98
13 16 38
14 10 58
15 16 27
16 10 12
17 10 30
18 16 84
平均深度:1520.1微米

清晰地识别出三个特征性的微观结构区域:硬化区、热影响区(HAZ)和基体金属[13]、[14],如图3b所示。这种行为与激光[6]、[22]、[23]和感应[1]表面硬化过程的观察结果一致。当从处理表面向基体金属观察晶粒形态时(图3b),硬化区域由于TIG电弧处理过程中的快速加热和冷却而表现出细小的微观结构,这促进了马氏体-贝氏体转变并抑制了晶粒生长[4]。在热影响区,较低的峰值温度导致部分转变和相对较粗的晶粒。相比之下,基体金属保持了其原始的铁素体-珠光体结构,晶粒相对较粗,因为它受热循环的影响较小。这种随深度逐渐粗化的晶粒以及相变效应解释了远离处理表面的硬度下降[14]、[15]、[16]。

硬化区(图3c)代表了硬化钢的微观结构,其特征是存在三种相:马氏体、贝氏体和残余奥氏体[15]、[16]。马氏体呈现密集分布的针状结构,当奥氏体快速冷却时形成[4]。贝氏体呈现层状结构,通常比马氏体更粗。残余奥氏体出现在马氏体和贝氏体之间的界面处,表现为明亮区域[6]。这种相组合是高冷却率下表层的典型特征,尽管仍可能发生部分相变[26]。

图3d展示了位于硬化层和基体金属之间的热影响区的微观结构[14]、[15]、[16]。由于中等程度的热暴露,该区域的微观结构主要由铁素体和珠光体组成。然而,这些相看起来更为精细,珠光体团簇比基体金属中的更为细小。此外,还可以观察到颗粒状贝氏体,这可以归因于在此温度范围内奥氏体化不完全[26]。由于这种微观结构配置,热影响区的硬度低于硬化层,但仍然高于基体金属[4]。

在基体金属区域,图3e展示了热处理前中碳钢的典型微观结构[27]。铁素体呈现等轴多边形晶粒,尺寸相对均匀,而珠光体以层状团簇的形式分布,与未经处理的S45C钢的特征结构一致[24]。

除了相变和晶粒细化外,碳化物的形成和重新分布也显著影响硬度[17]。在S45C钢中,含有大约0.45 wt.%的碳以及少量合金元素如锰和硅,碳化物主要来源于珠光体中的渗碳体(Fe3C)。在TIG电弧加热过程中,珠光体中的渗碳体部分或完全溶解成奥氏体,增加了碳的过饱和度。在快速冷却过程中,多余的碳会促进马氏体的形成,并可能导致细小碳化物在转变后的微观结构中沉淀。此外,少量的合金元素可以稳定或促进合金碳化物的形成或碳化物富集区域,这进一步阻碍了位错的运动并提高了硬度[28]。图4展示了电弧硬化后的显微硬度分布。与之前讨论的微观结构演变一致,硬度曲线可以分为三个区域:硬化区、热影响区(HAZ)以及保持原始微观结构的基体金属。

在硬化区,硬度值主要在400到450 HV0.3之间,最大值为456 HV0.3,大约是硬化前的初始硬度的2.5倍。硬化层的深度约为0-1.5毫米,这略大于在类似条件下激光硬化所报告的深度[27]。Leonardo Orazi等人[23]表明,使用直径为2.7毫米的1千瓦激光器加热约10秒,可以实现超过2毫米的硬化深度。这一比较突显了TIG电弧工艺的有效性,该工艺能够提供快速且局部的加热,同时保持相对较低的能耗。

热影响区延伸到大约1.5-2.3毫米的深度,在此区域内观察到硬度迅速下降[14],[15],[16]。这种行为可以归因于该深度处的热量输入不足以使S45C钢的微观结构完全奥氏体化。因此,形成的马氏体比例显著减少,在某些区域可能会发展出贝氏体结构[14],[15],[16],[24],[26]。结果,硬度显著降低到基体金属的硬度水平。在这个区域之外,基体金属显示出相对稳定的硬度,约为180-190 HV0.3,这与未经处理的S45C钢的固有硬度一致[29]。

3.2. 人工神经网络(ANN)硬度预测模型
共训练了150个ANN模型,使用了三种不同的激活函数,每种函数在Python平台上分别开发了50个模型。在这些模型中,选择了一个在测试数据集上表现最佳的模型作为最优模型,其决定系数(R2)为91.78%,均方误差(MSE)为10.922,均方根误差(RMSE)为3.304。所选模型采用了ReLU激活函数,并随后用于分析和预测S45C钢表面硬化后的硬度值及硬度变化趋势。

图5展示了所提出的ANN模型在整个训练过程中,针对训练和验证数据集的均方误差(MSE)的学习曲线。在早期阶段(大约1-30周期),两种损失都迅速减少,表明网络快速捕捉到了数据集中的潜在模式。随着训练的进行,损失减少的速度逐渐减缓,两条曲线开始稳定。验证损失在80-100周期左右趋于平稳,表明模型达到了一个具有接近最优泛化性能的稳定收敛区域。

为了防止过拟合并提高计算效率,实施了提前停止策略。尽管最大周期数设置为350,但由于在预定义的耐心时间内未观察到验证损失的进一步改善,训练过程在大约200周期时自动终止。在整个训练过程中,训练损失和验证损失之间的相对较小差距表明所提出的ANN模型具有稳定的学习行为和良好的泛化能力。

图6显示了四个数据集(ALL、TRAIN、TEST和VAL)的实验硬度值(Hardness_exp)与模型预测的硬度值(Hardness_pred)之间的相关性。在所有情况下,预测值都紧密分布在理想线周围,显示出实验测量结果与模型预测之间有很强的吻合度。所有子集的决定系数均超过0.91,表明模型成功捕捉到了工艺参数与最终硬度分布之间的主导关系。

训练(0.925)、验证(0.925)和测试数据集(0.918)之间的R2值变化非常小,进一步证实了模型在未见数据上保持了一致的预测性能,表明尽管数据集规模相对有限,但过拟合得到了有效控制。这种一致性表明采用的正则化和训练策略成功限制了模型复杂性,同时保持了预测准确性。在较低的硬度范围内(大约10-15 HRC),预测值与实验值之间的差异略大,这主要对应于硬化区以外的测量结果,即基体金属区域。这种增加的离散性可以归因于实验噪声和与硬度测试程序相关的不确定性。相比之下,在TIG电弧硬化区域内,硬度演变主要受热循环和相变机制的控制,预测值与实验测量结果更为吻合。这种行为表明所开发的模型有效地捕捉了硬化区硬度变化的热冶金关系,这是本研究的主要关注点。

为了进一步评估所开发的ANN模型的鲁棒性和泛化能力,进行了五折交叉验证。数据集被随机分为五个相等的子集,每次迭代中大约80%的数据用于训练,剩余20%用于验证[25]。

五折交叉验证的结果表明,所开发的ANN模型在不同数据划分上保持了稳定的预测性能。如表5所示,五次折叠的平均决定系数为R2 = 0.902 ± 0.009,表明预测值与实验值之间存在强相关性。相应的平均MAE和RMSE值分别为2.681 ± 0.086和3.459 ± 0.141。这些评估指标的相对较小标准差表明ANN模型的预测性能在不同折叠之间保持一致。这种一致性表明,所开发的模型对训练和验证期间使用的特定数据划分不敏感。因此,交叉验证结果确认了所提出的ANN模型在预测TIG电弧表面硬化后S45C钢硬度响应方面的鲁棒性和泛化能力。

表5. 基于五折交叉验证的ANN模型的统计性能。

总体而言,所有数据集之间的一致性,以及训练和测试结果之间的小差异,以及硬化区域内稳定的预测性能,表明所开发的ANN模型在TIG电弧表面硬化条件下预测硬度分布时具有鲁棒性和可靠性。这些结果进一步表明,训练模型具有超出训练数据集的良好泛化能力。

3.3. ANN模型预测硬化区域的平均值
表6展示了在S45C钢电弧硬化层深度为0.2、0.4、0.6、0.8和1.0毫米时,实验测量的平均硬度值与ANN预测的平均硬度值之间的比较。第3列列出了硬化区域的实验测量平均硬度(测量点X = 9–36),第4列显示了ANN模型预测的平均硬度。第5列使用公式(2)计算了实验平均硬度值与预测平均硬度值之间的偏差。第6列根据公式(3)提供了实验平均硬度值与预测平均硬度值之间的绝对百分比误差。

表6. S45C钢电弧硬化区域的平均硬度值比较(实验值与预测值):
- 深度
- 样本数量
- HRC_exp_mean
- HRC_pred_mean
- MAE (%)
- RMS
- R2_score

从表6可以看出,所有数据集之间的一致性很强,加上训练和测试结果之间的小差异以及硬化区域内稳定的预测性能,表明所开发的ANN模型在预测TIG电弧表面硬化条件下的硬度分布方面是鲁棒且可靠的。这些结果进一步表明,训练模型具有超出训练数据集的良好泛化能力。

3.3. ANN模型预测硬化区域的平均值
表6展示了在S45C钢电弧硬化层深度为0.2、0.4、0.6、0.8和1.0毫米时,实验测量的平均硬度值与ANN预测的平均硬度值之间的比较。第3列列出了硬化区域的实验测量平均硬度(测量点X = 9–36),第4列显示了ANN模型预测的平均硬度。第5列使用公式(2)计算了实验平均硬度值与预测平均硬度值之间的偏差。第6列根据公式(3)提供了实验平均硬度值与预测平均硬度值之间的绝对百分比误差。因此,硬度分布变得更加可预测,使得人工神经网络(ANN)模型能够高精度地再现实验得到的硬度曲线。大多数预测误差相对较小,均方误差(MAE)通常低于约2 HRC,平均绝对百分比误差(MAPE)一般在1-7%的范围内。只有在热影响区(HAZ)附近的有限情况下才会出现较大的偏差[13],因为这些区域的峰值温度可能不足以实现完全的奥氏体化[14]、[15]、[16]、[21]、[23]、[28],从而导致部分马氏体转变和硬度变化增加。总体而言,随着深度的增加,预测精度的逐步提高反映了控制热机制从随机的电弧-表面相互作用逐渐转变为材料内部的导热主导的热传递。从表面向深层区域,均方根误差(RMSE)的减小表明,随着热场的平滑化以及电弧相关干扰的减少,预测误差也变得更加稳定。综合统计指标,包括MAE、RMSE、MAPE和R2,清楚地表明所提出的ANN模型能够可靠地预测在不同加工条件下TIG电弧硬化S45C钢的硬度分布。这些结果证实了该模型有效地捕捉了基于电弧的表面硬化过程中控制硬度演变的工艺-结构-性能关系。因此,开发的ANN模型可以作为估算硬度分布的强大预测工具,并有助于工业电弧表面硬化过程的优化和控制。将实验硬度与ANN预测硬度进行对比的3D等高线图(图7)提供了电弧硬化层内硬度分布的全面可视化。从处理表面向基材深处,硬度明显逐渐降低,这反映了表面硬化过程中典型的硬度梯度[10]、[11]、[12]。预测的等高线紧密跟随了所研究样品的实验硬度分布,表明ANN模型成功捕捉到了深度依赖的热历史与硬度演变之间的内在关系。

在样品序列中也可以观察到明显的趋势:编号为1至13的样品在所有调查深度上的硬度值始终高于编号为14至25的样品。这种行为与表2中列出的热输入变化密切相关。随着输入热量的增加,更多的热能传递到材料中,导致加热后阶段的冷却速率降低[14]、[15]、[16]。这种热循环的变化显著影响碳钢的相变行为。先前的研究表明,较低的冷却速率会抑制马氏体转变,而促进贝氏体或混合微观结构的形成[4]、[14]、[15]、[16]。因此,硬化层中的马氏体比例减少,导致硬度降低,与热输入保持在最佳范围内的情况相比。在靠近表面的区域,由于电弧能量波动、电弧不稳定以及TIG电弧过程中的快速非均匀冷却[15]、[16],观察到稍微较大的硬度变化。这些随机特性是基于电弧的表面处理的典型特征,在这种处理中,电弧长度或瞬时热输入的微小变化可能会导致局部热扰动。随着深度的增加,这些瞬态电弧效应的影响逐渐减弱,热传递主要由基材内的导热扩散控制[13]、[14]。因此,硬度分布变得更加平滑,实验测量结果与ANN预测结果之间的吻合度显著提高,大多数偏差保持在实验不确定性的范围内。总体而言,预测和实验硬度等高线之间的强烈对应关系表明,开发的ANN模型成功捕捉了TIG电弧表面硬化过程中控制硬度演变的耦合工艺-结构-性能关系。除了再现整体硬度梯度外,该模型还能够描述与热输入和热历史变化相关的局部变化。这些发现展示了ANN模型作为硬度分布分析的可靠预测工具的潜力,并有助于实际工程应用中电弧表面硬化过程的优化和控制。

图8展示了一个3D散点图,显示了所有样品在0.2至1毫米深度范围内MAPE、实验测量的平均硬度(HRC_exp_mean)和ANN预测的平均硬度(HRC_pred_mean)之间的关系,数据来源于表6。该图表明,五个深度层的大多数预测都显示出相对较低的MAPE值,表明模型具有良好的预测性能。

较高的MAPE值(大约10-17%)主要集中在平均硬度在20至25 HRC的区域。这些硬度水平通常对应于热影响区,在该区域由于相变不完全和热历史不均匀,硬度变化显著,从而导致预测变异性增加。相比之下,大多数对应于TIG电弧硬化区域的数据点聚集在30-38 HRC的硬度范围内,无论是实验值还是预测值都是如此。这些硬度水平比初始材料硬度高出3.5倍以上,证实了TIG电弧处理在S45C钢表面硬化方面的有效性。总体而言,硬化区域内低预测误差的集中表明,开发的ANN模型能够可靠地捕捉TIG电弧表面硬化条件下的硬度行为,支持其在工业过程优化中的潜在应用性。

3.4. ANN模型预测了S45C钢经过TIG电弧技术硬化后的硬度变化

特征重要性分析提供了关于控制参数对所提出的硬度模型预测能力相对影响的洞察。如图9所示,空间位置(X)在预测结果中占主导地位,占总重要性的大约79%。这种强烈的主导性表明硬度在不同位置之间存在显著差异。在本研究中,硬度在16个轴向位置进行了测量(图1d),包括硬化区域外的几个点,以便进行比较并突出TIG电弧表面硬化过程的有效性。ANN模型预测的空间硬度变化在后续图中进一步分析。

轴向移动速度(V1)是第二有影响力的参数,贡献了大约8%。该参数控制相邻硬化轨迹之间的重叠程度。过高的移动速度会减少电弧热源与材料之间的相互作用时间,从而减小硬化区的有效宽度,有效宽度通常在2至6毫米之间[29]。此外,硬化区域通常呈现U形几何形状,底部圆润,这意味着随着深度的增加,有效硬化面积减小[14]、[15]、[16],导致硬度快速变化。深度变量也贡献了大约8%,反映了表面硬化过程中典型的硬度梯度。在电弧淬火过程中,表层经历快速加热,随后由于热量传导到较冷的基材而迅速冷却,这强烈促进了马氏体转变和高的表面硬度。然而,随着深度的增加,峰值温度降低,奥氏体化不完全,导致硬度值降低[4]。相比之下,电弧电流仅贡献了大约4%,而旋转移动速度仅占1%。尽管这些参数直接决定了电弧功率和热输入[14]、[15]、[16],但它们在当前模型中的影响似乎有限,可能是因为施加的热输入已经超过了有效硬化的阈值,从而降低了硬度对电流变化的敏感性[29]。这些参数对硬度波动的影响在图10、图11、图12、图13、图14、图15、图16、图17、图18、图19中进一步进行了研究。

图10显示了在不同参数A和V2变化条件下,平均硬度随深度的变化情况:(a) V1=1毫米/分钟,V2=460毫米/分钟;(b) V1=1毫米/分钟,V2=470毫米/分钟;(c) V1=1毫米/分钟,V2=480毫米/分钟;(d) V1=1毫米/分钟,V2=490毫米/分钟;(e) V1=1毫米/分钟,V2=500毫米/分钟。

图11显示了在不同V1变化条件下,平均硬度随深度的变化情况:(a) A=130安培,V2=460毫米/分钟;(b) A=130安培,V2=470毫米/分钟;(c) A=130安培,V2=480毫米/分钟;(d) A=130安培,V2=490毫米/分钟;(e) A=130安培,V2=500毫米/分钟。

图12显示了在不同V2变化条件下,平均硬度随深度的变化情况:(a) A=110安培,V1=1毫米/分钟;(b) A=115安培,V1=1毫米/分钟;(c) A=120安培,V1=1毫米/分钟;(d) A=125安培,V1=1毫米/分钟;(e) A=130安培,V1=1毫米/分钟。

图13显示了在不同深度下16个点的预测硬度值:(a) A=110安培,V1=1毫米/分钟,V2=460毫米/分钟;(b) A=110安培,V1=1毫米/分钟,V2=470毫米/分钟;(c) A=110安培,V1=1毫米/分钟,V2=480毫米/分钟;(d) A=110安培,V1=1毫米/分钟,V2=490毫米/分钟;(e) A=110安培,V1=1毫米/分钟,V2=500毫米/分钟。

图14显示了在0.6毫米深度层下,不同电流强度下16个点的预测硬度值:(a) V1=1毫米/分钟,V2=460毫米/分钟;(b) V1=1毫米/分钟,V2=470毫米/分钟;(c) V1=1毫米/分钟,V2=480毫米/分钟;(d) V1=1毫米/分钟,V2=490毫米/分钟;(e) V1=1毫米/分钟,V2=500毫米/分钟。

图15显示了在0.8毫米深度层下,不同电流强度下16个点的预测硬度值:(a) V1=1毫米/分钟,V2=460毫米/分钟;(b) V1=1毫米/分钟,V2=470毫米/分钟;(c) V1=1毫米/分钟,V2=480毫米/分钟;(d) V1=1毫米/分钟,V2=490毫米/分钟;(e) V1=1毫米/分钟,V2=500毫米/分钟。

图16显示了在0.6毫米深度层下,不同V1变化条件下16个点的预测硬度值:(a) A=110安培,V2=460毫米/分钟;(b) A=110安培,V2=470毫米/分钟;(c) A=110安培,V2=480毫米/分钟;(d) A=110安培,V2=490毫米/分钟;(e) A=110安培,V2=500毫米/分钟。

图17显示了在0.8毫米深度层下,不同V1变化条件下16个点的预测硬度值:(a) A=110安培,V2=460毫米/分钟;(b) A=110安培,V2=470毫米/分钟;(c) A=110安培,V2=480毫米/分钟;(d) A=110安培,V2=490毫米/分钟;(e) A=110安培,V2=500毫米/分钟。

图18显示了在0.6毫米深度层下,不同V2变化条件下16个点的预测硬度值:(a) A=110安培,V1=1毫米/分钟;(b) A=115安培,V1=1毫米/分钟;(c) A=120安培,V1=1毫米/分钟;(d) A=125安培,V1=1毫米/分钟;(e) A=130安培,V1=1毫米/分钟。

图19显示了在0.8毫米深度层下,不同V2变化条件下16个点的预测硬度值:(a) A=110安培,V1=1毫米/分钟;(b) A=115安培,V1=1毫米/分钟;(c) A=120安培,V1=1毫米/分钟;(d) A=125安培,V1=1毫米/分钟;(e) A=130安培,V1=1毫米/分钟。

图10显示了在V1=1毫米/分钟,V2从460毫米/分钟变化到500毫米/分钟的条件下的平均硬度分布(图10a-e),以及五种电流水平A(110、115、120、125和130安培)。总体而言,所有曲线显示出相似的趋势,硬度从表面到大约0.6-0.8毫米深度逐渐增加,然后随着深度的增加而逐渐降低。这种行为反映了硬化层的典型特征,即表面附近区域可能由于局部过热而略微软化[14],而较深的区域逐渐过渡到基材。随着V2的增加,硬度曲线向较低的硬度值移动。这种行为可以归因于热输入的减少,这不足以完全支持使用TIG电弧过程对S45C钢的表面硬化[14]、[15]。相反,当电流A从110安培增加到130安培时,硬度趋于降低,并且在更深的深度处这种降低更加明显。更高的电流会产生更大的热输入[11],这会降低淬火过程中的冷却速率[15],从而限制马氏体的形成,导致硬度值降低[2]。在0.5到0.8毫米深度范围内,几条曲线的交点表明不同样品的热条件在更深的区域变得越来越相似,在这些区域中,钢内的热传递占主导地位,表面热输入的影响逐渐减小。图11展示了在电流强度A固定为130 A时,预测的平均硬度随硬化深度的变化情况,其中V1和V2的值不同。所有五个子图都显示,当A和V2保持不变而V1从1毫米/分钟变化到5毫米/分钟时,硬度随着从表面向内部的深度增加而逐渐降低。参数V1直接与两次TIG电弧焊接之间的重叠部分有关[14]。根据Kumar等人的研究[15]、[16],硬化区域通常呈现U形几何结构,并且由于热量影响的减小,硬化层厚度从表面向内部逐渐减小。随着V1的增加,相邻电弧焊接之间的重叠部分减少,最终可能会消失,从而导致硬度降低。最佳条件出现在V1 = 1毫米/分钟时。此外,当V2从460毫米/分钟增加到500毫米/分钟时,表面硬度和有效硬化深度都会增加。如前所述,V2与热输入直接相关,这一点在图12中进一步讨论。

总体而言,图12清楚地显示了硬度随参数A和V2的变化情况。当电流A从110安培增加到120安培时(对应于图12a至图12c),硬度随深度的增加而增加;而V2的增加则由于热输入的减少而导致硬度降低[15]、[16]。对于更高的电流值(125–130安培),对应于图12d和图12e,V2的影响变得不显著,硬度随深度的增加而降低,这与之前对S45C钢的观察结果一致[13]、[14]。这种行为可以通过较大电流下的更高热输入来解释,在这种情况下,行进速度的微小变化对热场的影响有限。这些趋势表明,V2对硬度的影响小于电流强度[29]。

图13展示了在不同硬化深度下,16个轴向位置的预测硬度分布,其中V2从460毫米/分钟变化到500毫米/分钟,而电流A = 110安培和行进速度V1 = 1毫米/分钟保持不变。图13a–13e一致显示,硬化区域(X = 9–36)的硬度明显高于未处理区域(X = 0–6和X = 39–45),预测值通常是其三到四倍。这种对比突显了TIG电弧表面硬化工艺的有效性。专注于硬化区域(X = 9–36),起始和结束位置的硬度通常高于中间位置。X = 9和X = 36靠近未处理区域,这促进了更快的冷却和更多的马氏体形成,从而导致更高的硬度值[2]。特别是X = 36处的硬度通常最高,因为该位置接收的热量较少,因为它对应于移动热源的前沿,从而避免了过热效应[11]、[12]。此外,与中间位置(X = 9–33)不同,该区域在连续焊接过程中不会重新加热,而中间区域的重新加热会引起部分回火,略微降低硬度[4]、[14]。对于轴类零件的激光表面硬化也有类似的趋势报告[23]。

在不同的V2条件下,0.2毫米的浅层通常显示出最低的预测硬度,其次是0.4毫米的层。其余深度的值相当,0.8毫米的层通常显示出最高的硬度。此外,0.6–0.8毫米深度处的硬度分布在整个硬化区域内相对稳定,表明其硬化性能适合工业应用。总体而言,这些结果表明0.6–0.8毫米左右的深度提供了有利的硬化特性,而其他参数的影响将在后续图中进行探讨。在0.8毫米深度处,最大预测硬度约为46 HRC,位于X = 36的位置。

图14和图15展示了在电流强度A(110–130安培)和行进速度V2(460–500毫米/分钟)变化的情况下,0.6毫米和0.8毫米深度的预测轴向硬度分布,其中V1固定为1毫米/分钟。在这两个层中,硬化区域和相邻未处理区域之间存在明显区别,未处理区域的硬度保持在10–14 HRC左右,而硬化区域内的硬度根据工艺条件的不同大约在26到47 HRC之间变化。对于这两个深度,电流强度在硬度演变中起主导作用。较低的电流水平,特别是110安培,始终产生较高的硬度值,而增加电流强度会增加总热输入,可能导致局部过热,从而降低冷却速率并限制马氏体转变,进而降低硬度[11]、[12]、[14]、[15]、[16]。增加行进速度V2可以减少单位长度的热输入,抑制过多的热量积累,使硬化区域内的硬度分布更加稳定[12]。

与0.6毫米层相比,0.8毫米处的硬度变化对工艺参数更为敏感,这是因为在更深的位置,导热热传递和累积热效应占主导地位。因此,为了在避免过热的同时保持足够的能量输入,有效硬化地下区域需要电流强度和行进速度的平衡组合[24]。对于这两个深度,最高的预测硬度都出现在硬化区域的末端(X = 36),那里的重新加热效应最小,快速冷却促进了马氏体的形成。

图16和图17展示了轴向行进速度对0.6毫米和0.8毫米深度下16个轴向位置预测硬度分布的影响。在这两种情况下,电流强度固定为110安培,而V2从460毫米/分钟变化到500毫米/分钟(图16a–16e和图17a–17e)。结果显示硬化区域与周围未处理区域之间的明显对比。在硬化区域内,随着V2的增加,不同V1水平的预测硬度曲线变得更窄且更稳定。在0.6毫米深度,随着V2的增加,硬度范围从大约30–42 HRC降低到大约30–36 HRC,同时曲线的波动减少。这种行为与较低行进速度下的过热有关,因为过量的热输入会导致热条件不均匀[15]、[16]。在0.8毫米的较深层,不同V1水平的预测硬度曲线之间的差异更加明显。这是因为在更深的位置,有效硬化区域变得更窄[14]、[15],减少了相邻焊接之间的重叠,并增加了对V1变化的敏感性。与0.6毫米深度的行为类似,较高的V2值由于减少了热输入和减轻了过热效应,导致硬度分布更加稳定[29]。

图18和图19展示了旋转行进速度对0.6毫米和0.8毫米深度下16个轴向测量点预测硬度分布的影响。在这两种情况下,V1固定为1毫米/分钟,而电流强度A从110安培变化到130安培(图18a–18e和图19a–19e)。与之前的图(图13、图14、图15、图16、图17)类似,热处理区域的硬度值比未处理区域高出数倍。在较低的电流水平(110–120安培)下,旋转速度V2的影响更加明显,这体现在预测曲线之间的分散更广,其中V2 = 460毫米/分钟通常产生最高的预测硬度。相比之下,在较高的电流水平(125–130安培)下,不同V2值的预测曲线变得更接近,偶尔会出现局部波动,表明热不均匀性增加。这些趋势与热输入的变化有关,因为增加的电流强度会增加TIG焊枪的热量产生[11]、[12],而增加的行进速度会减少单位长度的有效热输入[15]、[16]。因此,特别是在500毫米/分钟左右的较高旋转速度下,加热时间减少,导致硬度降低,而过高的电流会导致过热和冷却速率降低,从而导致硬度值降低且对V2的敏感性降低[15]、[16]。

在0.8毫米的较深层,电流强度和旋转速度的影响通过它们对热输入的联合效应仍然明显[13]。在V2约为460–490毫米/分钟的范围内,加热时间足够产生相对较高且均匀的硬度分布[14]。然而,过高的电流和过快的旋转速度都会降低硬化效率并缩小有效硬化区域。总体而言,适中的电流水平结合中等旋转速度提供了最稳定和最高的硬度分布。基于上述分析,ANN模型准确预测了TIG电弧硬化后钢层内的硬度分布。包括电流强度、轴向行进速度和旋转行进速度在内的工艺参数的预测效应与已建立的热源和TIG能量理论一致。在加工去除不稳定表面层后剩余的0.6–0.8毫米深度显示出最高的硬度值。最佳轴向行进速度是V1 = 1毫米/分钟,而电流强度和旋转速度共同控制热输入,并在决定最终硬度分布方面发挥重要作用。

总体而言,获得的结果表明,TIG电弧表面硬化过程中的硬度演变受工艺参数、热输入分布和由此产生的热冶金转变的耦合效应的控制。电流强度和行进速度的变化改变了单位长度的有效热输入,进而控制了奥氏体化的程度和随后的冷却速率。这些热条件决定了马氏体转变、贝氏体形成以及连续焊接过程中的回火效应之间的平衡。因此,沿轴向和不同深度的硬度分布反映了局部加热、导热热传递和累积热循环之间的相互作用。结果进一步表明,大约0.6–0.8毫米深度的地下层显示出更稳定的硬度分布,而较浅区域由于电弧波动、表面波纹和部分熔化引入了更大的变异性。在更深的深度,导热热传递占主导地位,导致更均匀的热历史,从而产生更一致的组织转变。实验测量与ANN预测之间的强烈一致性证实了所开发模型成功捕捉到了实验中观察到的热冶金行为。

4. 结论

本研究实验性地研究了S45C钢在TIG电弧硬化后0到1毫米深度范围内的硬度变化,并成功开发了一个基于ANN的稳健硬度预测模型。将TIG电弧硬化与基于ANN的建模相结合被证明是一种有效的方法,因为所开发的模型在预测和实验结果之间表现出强烈的一致性,R2值超过0.91,在0.8毫米深度时达到0.968的峰值。该工艺显著提高了表面性能,将硬化层内的硬度提高到大约37–43 HRC——与未处理材料中的11 HRC相比有显著改进。实验测量显示硬化层深度范围为1.058至1.798毫米,平均为1.52毫米,而显微硬度确认值高达456 HV0.3,大约是基材的2.5倍。这些机械改进可以通过组织转变为三个不同的区域来解释:主要由马氏体、贝氏体和保留的奥氏体组成的硬化区;具有细化微观结构的受热影响区;以及原始的铁素体-珠光体基材区。

尽管有这些贡献,研究也发现了一些局限性,包括工艺对电弧稳定性、表面波纹和热输入变化的敏感性,这些都可能引入近表面硬度预测的不确定性。此外,ANN模型的预测准确性本质上依赖于实验数据集的质量和范围。因此,未来的研究应着重于提高工艺稳定性,并在更广泛的条件下扩展实验数据集。通过将基于物理的见解与数据驱动的建模相结合,可以进一步提高这些预测的可靠性和工业适用性。此外,将这种基于人工神经网络(ANN)的方法扩展到包括其他性能特性(如耐磨性和整体组件强度),将显著增强其在工业表面硬化应用中的相关性。

**作者贡献声明:**
- Nguyen Ho:撰写、审阅与编辑、原始稿件撰写、可视化、数据分析、数据管理。
- Huynh Do Song Toan:可视化、项目管理、资金获取、数据管理、概念化。
- Van-Thuc Nguyen:撰写、审阅与编辑、可视化、项目管理、数据分析、数据管理、概念化。
- Pham Son Minh:撰写、审阅与编辑、项目管理、数据分析、资金获取、概念化。

**知情同意声明:**不适用。

**机构审查委员会声明:**不适用。

**数据可用性声明:**用于支持本研究结果的数据可向通讯作者索取。

**利益冲突声明:**作者声明无利益冲突。

**资助信息:**本研究属于项目编号T2026-247,由越南胡志明市技术工程大学资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号