《Journal of Materials Research and Technology》：Influencing Mechanisms and Multiscale Prediction Methods for Steel Hardenability: A Comprehensive Review
编辑推荐：
淬透性（Hardenability）是决定钢铁微观组织均匀性和整体性能的关键指标，其优化对于高性能钢种的开发至关重要。本综述总结了钢铁淬透性的物理本质、标准表征方法、多尺度影响因素及相应的控制策略。通过系统分析合金元素、奥氏体化工艺和冶金质量对淬透性的影响，阐
淬透性（Hardenability）是决定钢铁微观组织均匀性和整体性能的关键指标，其优化对于高性能钢种的开发至关重要。本综述总结了钢铁淬透性的物理本质、标准表征方法、多尺度影响因素及相应的控制策略。通过系统分析合金元素、奥氏体化工艺和冶金质量对淬透性的影响，阐明了其潜在机制，强调了合金元素溶解、晶界偏聚和相变动力学（Phase transformation kinetics）在改善淬透性中的关键作用。此外，讨论了淬透性预测计算方法的最新进展，包括第一性原理计算（First-principles calculations）、有限元模拟（Finite element simulations）和机器学习（Machine learning）模型。批判性地评估了当前在理解和优化钢铁淬透性方面面临的挑战，并提出了多尺度耦合设计和数字闭环控制的未来展望。
研究背景与综述概述
淬透性是表征钢铁材料在淬火过程中形成马氏体（Martensite）微观组织能力的关键参数，决定了硬化层的深度。近年来，随着齿轮钢和海洋工程钢向更大截面和更长服役寿命的方向发展，对淬透性的精确控制提出了更严格的要求，不仅需要在相对较低的冷却速率下确保构件芯部形成足够的马氏体/贝氏体（Bainite），还需要将淬透性范围维持在较窄的频带内，以最小化热处理畸变和性能波动。淬透性受化学成分、晶界特征、晶粒尺寸和奥氏体（Austenite）均匀性等单因素或多因素的综合影响。尽管近年来先进表征技术（如原子探针层析技术和多尺度模拟方法）推动了研究向机制定量预测发展，但目前在实验室尺度的机制认知与工业尺度的应用之间仍存在巨大鸿沟。为此，本论文发表在《Journal of Materials Research and Technology》上，系统总结了钢铁淬透性的物理本质、表征方法、影响因素与控制策略，探讨了热力学/动力学与机器学习结合的预测设计，为代表钢体系的高性能化提供指导。
关键技术方法
研究人员主要采用了以下几种关键技术方法进行研究总结与分析：一是标准化实验表征技术，如末端淬火试验（Jominy test）和基于热膨胀法的连续冷却转变（CCT）/等温转变（TTT）曲线测定，用于评估临界冷却速率和硬化层深度；二是多尺度机制模拟方法，包括基于密度泛函理论的第一性原理计算、分子动力学模拟和相场方法，用于揭示晶界偏聚与相变动力学的原子级机制；三是有限元模拟结合热-力-冶金多物理场耦合模型，用于预测实际构件的温度场、应力场、硬化层分布及变形；四是基于机器学习和数据驱动的人工智能算法，如随机森林和神经网络，用于建立化学成分、工艺参数与淬透性曲线之间的非线性预测与逆向设计模型。
研究结果
钢铁淬透性的物理本质与表征方法
淬透性的物理本质在于过冷奥氏体在连续冷却过程中不同相变路径之间的竞争，反映了马氏体相变相对于扩散型相变的动力学倾向。增强淬透性通过抑制扩散型相变的形核与长大、延长相变孕育期来实现。研究人员指出，当前广泛使用的标准评价方法是末端淬火试验，此外还包括理想临界直径法、CCT和TTT曲线等热膨胀测量方法。这些标准化方法提供了一致且可比的数据，是理解淬透性机制、开发新材料和支撑工业应用的基础。
影响淬透性的因素
化学成分：碳（C）和临界冷却速率决定了淬透性。在亚共析钢中增加C含量可降低临界冷却速率以提升淬透性，而在过共析钢中作用相反。主要合金元素中，铬通过溶解于奥氏体基体抑制C扩散来提升淬透性；镍通过扩大奥氏体相区、提高大角晶界密度改善淬透性；锰通过在晶界偏聚降低界面能并抑制先共析铁素体形核；硅则通过抑制碳化物析出、促进C富集来稳定过冷奥氏体。微量元素中，硼（B）偏聚于奥氏体晶界可显著推迟铁素体形核，钼（Mo）与B存在协同效应，而微合金化元素的作用取决于其存在状态：固溶态推迟相变提升淬透性，而析出态则钉扎晶界降低淬透性。
奥氏体化工艺控制：粗大奥氏体晶粒减少了晶界面积并推迟非马氏体相变，有利于提升淬透性但可能损害韧性。提高奥氏体化温度和适当延长保温时间有助于碳化物完全溶解与元素均匀化，从而增强淬透性。研究人员提到，快速加热可抑制碳化物析出并提高形核率；两步奥氏体化工艺能够促溶质原子在晶界发生受控偏聚，降低晶界能并极大地优化淬透性。
冶金质量：非金属夹杂物、孔隙等缺陷会导致局部冷却行为和相变异常，进而引发淬透性波动。研究表明，通过洁净钢冶炼、连铸参数控制及钙处理工艺等手段降低夹杂物含量并提升成分均匀性，是保证淬透性带宽控制精度的先决条件。
淬透性机制的模拟与计算预测
在机制模拟方面，第一性原理计算从能量角度揭示了元素偏聚与晶界稳定性的关系；分子动力学揭示了极端冷却速率下相变形核过程；相场法实现了介观组织演化的动态模拟；有限元分析则成功耦合了热-力-冶金多物理场。在计算预测方面，相较于传统的理想临界直径经验公式，机器学习技术展现出巨大优势。支持向量机、神经网络及XGBoost算法能高效处理非线性多因素耦合数据，实现淬透性曲线的高精度预测。更重要的是，基于机器学习的敏感性分析和逆向设计能够基于目标性能反推最佳化学成分与工艺参数。
高级钢种的淬透性控制
高性能齿轮钢要求极窄的淬透性带宽，通过严格控制C和Si的成分波动以及均匀细化晶粒，可将带宽波动大幅降低；结合渗碳与等温淬火工艺可提高其综合疲劳寿命。大截面海洋工程结构钢通过低C设计并利用V/Al协同机制提高芯部固溶V含量，促使其在极低冷速下生成贝氏体/马氏体双相组织。第三代汽车用高强钢主要通过Mn元素协同效应及精确控制有效B含量以确保热冲压过程中的完全马氏体相变。
讨论与结论
研究人员总结指出，淬透性的优化主要依赖于通过溶质偏聚、晶界工程和相变动力学控制来抑制扩散型相变。尽管多尺度模拟与机器学习方法已显著推动了从经验调整向数据驱动预测的转变，但仍面临多重挑战。基础模型在描述非平衡冷却下微量合金元素晶界偏聚行为和马氏体相变温度多元素耦合作用时存在不确定性；机器学习模型由于受限于实验数据规模且具有“黑盒”性质，工业接受度受限，且特定钢种的模型迁移能力较差。此外，工业大生产中成分波动、大截面构件温度不均匀性以及缺乏原位实时监测传感器，均制约了淬透性的闭环控制。同时存在材料层面的内在权衡：提升淬透性往往需要增加合金含量或粗化晶粒，但这会牺牲韧性、焊接性并增加成本。未来的研究应聚焦于开发融合热力学原理的物理信息机器学习模型、构建标准化开放数据库、建立原子级到构件尺度的跨尺度耦合模拟框架，并开发淬火过程实时相变监测技术，以实现钢铁材料淬透性的精准数字闭环控制。
