基于修正 CA-LBM 模型的 Fe-0. 34C 铸锭宏观偏析数值模拟研究
doi: 10.11951/j.issn.1005-0299.20250059
李云博 , 张洋 , 李日
河北工业大学 材料科学与工程学院, 天津 300401
基金项目: 国家自然科学基金资助项目(51975182).
Numerical simulation of macrosegregation in Fe-0. 34C ingot based on modified CA-LBM model
LI Yunbo , ZHANG Yang , LI Ri
School of Materials Science and Engineering, Hebei University of Technology, Tianjin 300401, China
摘要
碳钢铸锭凝固过程中产生的宏观偏析会导致铸锭力学性能分布不均,且难以通过热处理消除,因此准确预测宏观偏析的分布及其形成机理对优化生产工艺具有重要意义。本文通过对格子玻尔兹曼方法(Lattice Boltzmann Method,LBM)的迁移部分进行修正,构建了严格满足质量、动量和热量守恒的元胞自动机(Cellular Automata, CA)-LBM 耦合模型,该模型充分考虑了微观组织的演化行为。通过多物理场作用下单枝晶生长的数值验证,证实了模型具有良好的计算精度和稳定性。基于该模型,对 Fe-0. 34C 钢铸锭的凝固过程进行了数值模拟,成功预测了顶部正偏析、底部负偏析、A 型偏析和 V 型偏析的分布特征。进一步通过不同散热速率(200、400 和800 W/ (m2·K))下的凝固过程模拟发现,随着散热速率的增加,宏观偏析的分布范围和偏析程度显著增强,且在 800 W/ (m2·K)的散热速率下首次计算出顶部负偏析现象。研究结果表明,上述宏观偏析的形成主要源于溶质-热自然对流与固液界面推进的相互作用。
Abstract
Macrosegregation formed during the solidification of carbon steel ingots leads to non-uniform mechanical properties and is difficult to eliminate through heat treatment. Therefore, accurately predicting the distribution and formation mechanisms of macrosegregation is of great significance for optimizing production processes. To address this issue, a Cellular Automata (CA)-Lattice Boltzmann Method (LBM) coupled model was developed by modifying the migration component of the LBM, ensuring strict conservation of mass,momentum, and heat. This model fully considers the evolution behavior of microstructures. Computational validation of single dendrite growth under multi-physics fields confirmed that the model exhibits excellent computational accuracy and stability. Based on this model, the solidification process of Fe-0. 34C steel ingots was numerically simulated, successfully predicting the distribution characteristics of hot-top segregation,negative base segregation, A-segregation, and V-segregation. Further simulations of the solidification process under different cooling rates (200, 400, and 800 W/ (m2·K)) revealed that as the cooling rate increases, the distribution range and degree of macrosegregation significantly intensify. Notably, negative segregation at the top was first calculated under a cooling rate of 800 W/ (m2·K). The results indicate that the formation of these macrosegregations is primarily attributed to the interaction between solute-thermal natural convection and the advancement of the solid-liquid interface.
在铸造制品中,宏观偏析是常见的质量缺陷之一,其存在会导致铸件力学性能不均匀,进而无法满足服役要求。因此,寻找合理的铸造工艺参数以尽量消除宏观偏析尤为重要。传统的工艺参数选择依赖大量实验试错,不仅耗时长、成本高,而且难以全面优化复杂的铸造工艺。随着计算机技术的发展,数值模拟已成为研究铸件凝固过程的有效工具,可以降低试错成本,缩短开发周期,为工艺优化选取合适参数[1-5]。
现有铸锭宏观偏析数值模型可以分为两大类:1)宏观模型(不计算微观组织),包括多域模型[6-7]、连续介质模型[8-10]、体积平均模型[11-12];2)准微观模型(计算虚拟的微观枝晶组织),包括两相及多相模型[13-15]等。
由于宏观模型的计算网格尺度较大,且未考虑微观组织的形成及生长过程,其计算的宏观偏析结果往往存在一定误差。相比之下,准微观模型在计算过程中考虑了等轴晶或柱状晶的生长行为,能够显著提高计算准确性。然而,准微观模型中的枝晶组织是虚拟的,因而存在诸多先天缺陷。例如,该模型需要人为假设晶粒的形状,而这些假设并非铸锭凝固过程中自然生成的枝晶组织形貌。尽管准微观模型假定了微观组织的存在,但由于这些假设并非基于真实的凝固机制,最终预测的宏观偏析结果仍然存在偏差。若要精准计算宏观偏析,必须考虑真实的枝晶形貌[16]。相比于基于虚拟微观组织的模型,采用真实微观组织的模型更能反映宏观偏析形成的物理机制。通过计算真实的枝晶形貌,不仅可以提高宏观偏析预测的准确性,也能更全面地理解铸锭凝固过程中的复杂现象[17-19]。
因此,本文基于 CA-LBM 耦合方法建立了铸锭凝固过程的数值模型,首先通过 Al-4. 7Cu 合金单枝晶生长对模型准确性进行了验证,然后对不同散热条件下 Fe-0. 34C 铸锭凝固过程进行模拟,揭示了宏观偏析的形成规律与调控机制,研究结果可为优化铸锭凝固工艺参数、制定合理的凝固控制策略提供理论依据。
1 计算模型
本文所使用的 CA 形核及生长、捕获模型已得到多次验证[20-25],以下主要叙述对合金铸锭凝固过程中 LBM 数值模型的改进。
1.1 流场、温度场及溶质场的 LBM 方程
由于本文中元胞涉及固液相变过程,因此直接在液相率不同的元胞间迁移会导致严重的质量、动量、热量不守恒,为达到严格的质量、热量以及动量守恒,本文将溶质场、温度场、流场的 LBM模型进行了修正。
图 1 展示了水平方向粒子迁移的示意图,其中 a 表示液相率为 0 的元胞, b 表示液相率为50% 的界面元胞,c 表示液相率为 70% 的元胞,d 表示液相率为 100% 的元胞。由于迁移只能在液相中进行,且因为元胞 a 中不存在液相,导致元胞 b 无法向元胞 a 迁移。此时,迁移的粒子将从本元胞的中心位置出发,在到达元胞间界面后发生反弹,最终返回起点,粒子的移动距离依然为单个元胞的空间步长。对于元胞 c,虚线之上的液相部分为可以自由向元胞 b 迁移的粒子,而虚线之下的液相部分则会在迁移至元胞 b 后反弹并返回元胞 c。同理,对于元胞 d,虚线之上的液相部分可以向元胞 c 迁移,而虚线之下的液相部分将在迁移后反弹回到元胞 d 中。通过这种修正机制,保证了所有粒子在相同时间内的移动距离相同,从而确保了质量、动量和热量的严格守恒。
图 1 更正后的 LBM 迁移示意图
Fig. 1 Corrected LBM migration diagram
修正后 D2Q9 格式的流场 LBM 方程为
fi(x+eiΔt,t+Δt)=[1−fs(x,t+Δt)]{1τf[fieq(x,t)−fi(x,t)]+ωiF(x,t)}+fs(x,t+Δt)finv(i)(x+eiΔt,t)
(1)
式中: x 为粒子的空间位置; t 为模拟的时间;fi(x,t)为流场的 LBM 分布函数;fieq(x,t)为流场的平衡分布函数; τf 为无量纲化的流场松弛时间。公式中右侧第一项为正常向邻居元胞迁移的部分,右侧第二项为邻居元胞向本元胞迁移之后被反弹回到邻居元胞的部分,inv(i)为 D2Q9 格式中与 i 方向相反的粒子速度方向(如 inv(1)= 3、inv(5)= 7)。ωi 为 D2Q9 格式中 i 方向权重系数。F(x,t) 为 Boussinesq 近似[26] 得出的流场浮力源项,其计算公式为
F(x,t)=(1−12τf)×[3ei−uc2+9ei⋅uc4ei]×Fb×Δt
(2)
式中:c 为格子速度;ei 为 D2Q9 格式离散的格子速度;u 为元胞中的流体速度;Fb 为该元胞流体所受溶质浮力、热浮力以及重力的合力,其计算公式为
Fb=gρ0[βT(T−T0)+βC(C−C0)]
(3)
式中:βT、βC 为该温度膨胀系数和溶质膨胀系数;ρ0、T0、C0 分别为初始密度、温度以及溶质浓度。
同理,温度场的格子玻尔兹曼方程修正为
gi(x+eiΔt,t+Δt)=[1−fs(x,t+Δt)]{1τT[gieq(x,t)−gi(x,t)]+ωiH(x,t)}+fs(x,t+Δt)ginv(i)(x+eiΔt,t)
(4)
式中:gi(x,t)为温度场粒子的分布函数;gieq (x,t)为温度场平衡分布函数;τT 为温度场松弛时间;H(x,t)为生长所释放的潜热源项,其计算公式为
H(x,t)=Δfs×LCp
(5)
式中:L 为合金的凝固潜热;Cp 为定压比热容。
溶质场的格子玻尔兹曼方程修正为
mi(x+eiΔt,t+Δt)=[1−fs(x,t+Δt)]{1τs[mieq(x,t)−mi(x,t)]+ωiM(x,t)}+fs(x,t+Δt)minv(i)(x+eiΔt,t)
(6)
式中:mi(x,t)为溶质场粒子的分布函数;mieq (x,t)为溶质场平衡分布函数;τs 为溶质场松弛时间;M(x,t)为元胞内枝晶生长溶质源项,其计算公式为
M(x,t)=Δfs×(1−k)×C1
(7)
宏观物理量(流体密度 ρ、流动速度 u、温度T、液相浓度 Cl)计算公式如下:
ρ=∑i=08fi
(8)
u=(∑i=08fi×ei+fb×Δt2)ρ
(9)
T=∑i=08gi,C1=∑i=08mi
(10)
1.2 边界条件
计算流场和溶质场时,对于区域边界和固液边界,均采用半步长反弹格式;计算温度场时,区域边界采用非平衡外推格式。
2 模型验证
通过对溶质、温度以及流场多物理场相互作用下单枝晶生长过程模拟验证本文构建的CA-LBM模型。模拟合金为 Al-4. 7Cu 合金,计算域为 200 × 200,网格大小 5 μm,初始过冷度设置为 4. 5 K,边界处散热采用 Zhu 等[27]的边界条件,溶质场及流场计算时边界视为固体边界,采用半步长反弹格式进行处理。Al-4. 7Cu 合金物理参数如表 1 所示。
表 1 Al-4. 7Cu 合金热物性参数
Table 1 Thermophysical parameters of Al-4. 7Cu alloy
枝晶生长计算结果如图 2 所示。在图 2(a)中黑色箭头为流线,箭头方向为对流方向,可以观察到,枝晶上游(上半部分) 一次臂长度大于下游,为了定量分析,将枝晶上、下以及水平方向尖端生长速度同 LGK 理论模型进行比较,结果如图 3所示。
图 2 枝晶生长:(a)枝晶形貌及流场;(b)溶质场;(c)温度场
Fig. 2 Dendrite growth: (a) dendrite morphology and flow field; (b) solute field; (c) temperature field
图 3 枝晶生长速度图
Fig. 3 Dendrite growth rate diagram
从图 3 可以看出,初始时刻枝晶的生长速度较快,随后逐渐趋于稳定。具体而言,下半部分即下游枝晶的生长速度相对较慢,上游枝晶的生长速度较快,而水平方向的枝晶生长速度介于二者之间。这种现象主要受到对流作用的影响,如图 2所示,在溶质-热自然对流作用下,枝晶生长排出的溶质和潜热富集在枝晶下游,因此该区域的生长速度受到抑制;而在枝晶上游,由于温度和液相浓度都较低,因此,生长速度相对较高。水平方向的生长速度则兼具上下两部分的特点,与理论生长速度吻合较好。
在计算完成后,整个计算区域内的平均溶质浓度为 4. 696,误差在千分之一以内,且在计算过程中平均溶质浓度并未出现明显波动。相同物理以及模拟参数下未修正迁移模型的 CA-LBM 模型在 Al-4. 7Cu 单枝晶生长计算结束后平均溶质浓度为 4. 856,误差约为 3. 3%。这表明本文迁移模型修正后的 CA-LBM 模型具有较好的计算精度以及稳定性。
3 模拟结果及讨论
Fe-0. 34C 铸锭物理模型如图 4 所示,在计算过程中铸锭被划分为 200 × 500 正方形元胞,每个元胞尺寸为 50 μm,顶部由于钢渣保温视为绝热边界[28],底部及侧边散热。Fe-0. 34C 合金热物性参数如表 2 所示。
图 4 铸锭物理模型
Fig. 4 Ingot physical model
表 2 Fe-0. 34C 合金热物性参数
Table 2 Thermophysical parameters of Fe-0. 34C alloy
3.1 全域柱状晶凝固过程模拟
对 Fe-0. 34C 铸锭全域柱状晶凝固过程进行模拟,底部及侧边散热速率为 400 W/(m2·K)。由于模拟中两侧壁面形核条件相同,因此选取铸锭右半部分进行分析,凝固过程中枝晶形貌、溶质场、温度场演化图如图 5、6、7 所示。观察图 5 可以发现,在凝固的前期(图 5(a)、(b))枝晶基本垂直于壁面生长,固液界面呈平面状由壁面向内部推进,但图 5(c)中可以看到顶部枝晶生长速度变慢,且生长方向不再垂直于壁面而是斜向上,固液界面的平面状生长被打破。随后在图 5(d)~(f)中枝晶持续生长,直至铸锭完全凝固。
图 5 枝晶形貌及流线演变图
Fig. 5 Dendritic morphology and streamline evolution plots: (a) 2 s; (b) 4 s; ( c) 8 s; ( d) 12 s; (e) 20 s; (f) 30 s
分析图 6 可以发现,由于 C 元素密度相较于Fe 基体较低,因此固液界面处排出的溶质在浮力作用下向上运动,在图 6(a)中形成了一个大的环流。图 6(b) 中该环流进一步扩展。在图 6(c)中,随着溶质持续富集到铸锭顶部,在顶部形成了涡流而大环流位置相应下移。在图 6(d)中观察到,随着溶质持续随着对流向上输运,顶部溶质富集程度进一步增加,顶部的涡流区域也随之扩大,而在铸锭底部由于界面持续向内推进,液相区域面积减少,图 6(c)中的大环流也随之缩小成底部涡流。在图 6(e)中,底部的涡流消失,顶部的涡流也随着固液界面推进而减弱。
图 6 溶质场及流线演变图
Fig. 6 Solute field and flow line evolution diagrams: (a)2 s; (b) 4 s; ( c) 8 s; ( d) 12 s; ( e) 20 s;(f) 30 s
分析图 7 可以发现,图 7(a)、(b)中等温线基本呈平面状,而在图 7(c)中铸锭顶部温度场等温线出现了向内的凹陷,这是由于在凝固的中后期顶部枝晶生长速度较中部慢,因而释放的潜热较中部减少,最终导致温度略低于中部。随后在图 7(d)~(f)中,等温线持续向内推进,铸锭温度持续降低。
图 7 温度场演变图
Fig. 7 Temperature field evolution plots: ( a) 2 s; ( b)4 s; (c) 8 s; (d) 12 s; (e) 20 s; (f) 30 s
3.2 宏观偏析成因分析
溶质场最终计算结果如图 8 所示。由图 8 中计算结果与碳钢铸锭中典型宏观偏析分布图对比可以看到,本文计算结果中两侧的 A 型偏析,底部负偏析以及 V 型偏析位置与实际钢锭的宏观偏析分布基本一致。由于未计算凝固收缩,因此顶部正偏析位置相对靠上。
图 8 (a)碳钢铸锭宏观偏析分布图[29] 与(b)溶质场模拟结果对比
Fig. 8 (a) Macrosegregation distribution of carbon steel ingots[29]compared with ( b) solute field simulation results
由图 6(a)可知,在固液界面处的对流方向是向上的,同时固液界面凝固时排出的溶质在对流作用下向上迁移,这些高浓度的溶质会经过正在进行凝固的区域,导致该区域在凝固完成后溶质浓度较其他区域更高,形成了 A 型偏析。如图 6(b)所示,由于铸锭中存在固液边界处的溶质-热自然对流,侧边的溶质向上流动,而铸锭芯部的溶质则向下运动,一部分被带到顶部的溶质在对流作用下再次向下流动,最终形成了 V 型溶质富集带。随着凝固的进行,这些区域成为固相区域,而溶质在这些区域呈现 V 型分布,即 V 型偏析。A型偏析和 V 型偏析的成因均与溶质-热自然对流密切相关,这与 Asai 等[30]的研究结果一致。如图 6(e)所示,在对流作用下,溶质从铸锭底部迁移并逐渐富集至顶部。通过分析顶部区域的流线分布可知,该区域形成了一个涡流结构,使得溶质在局部区域内循环流动,未能向下扩散。该局部涡流进一步加强了顶部溶质的富集效应,最终导致图 6(f)中顶部正偏析和底部负偏析的形成。
为了定量描述铸锭宏观偏析分布情况,在图 4铸锭模型图中 3 条不同的水平线(Y= 50、200、400)处,对铸锭的水平方向浓度分布进行分析,具体结果如图 9 所示。
图 9 水平方向溶质分布
Fig. 9 Horizontal solute concentration distribution
对比分析 3 条水平高度的浓度分布可以发现:
1)Y= 200、400 水平线上的浓度均在铸锭中心部分最高,这是因为铸锭凝固时会排出溶质,而铸锭中部最后凝固,凝固排出的溶质聚集在铸锭中部,即在铸锭中上部形成了中轴线正偏析带。而 Y= 400 水平线处浓度最高,在该处开始形成顶部正偏析。
2)Y= 50 水平线上的浓度在铸锭中心部分最低,溶质在自然对流作用下向顶部汇集导致底部浓度低,形成了底部负偏析。
3)Y= 200、400 水平线前半段上可以看到明显凸起,这些凸起的峰就是 A 型偏析。
4)Y= 400 水平线后半段上可以看到溶质浓度出现了明显凸起,即 V 型偏析。
3.3 散热速率对铸锭溶质分布影响
为了研究散热速率对全域柱状晶凝固宏观偏析影响,分别对壁面散热为 200 W/(m2·K)以及800 W/(m2·K)下的 Fe-0. 34C 铸锭凝固过程进行了模拟,并将溶质场计算结果同 3. 2 小节进行了比较,结果如图 10 所示。分析图 10 发现,随着散热速率的提高,铸锭内部偏析现象呈现显著变化:底部负偏析区和顶部正偏析区的偏析程度均明显加剧。同时,A 型偏析的数量显著增加且分布范围扩大,而 V 型偏析则表现出明显的上移趋势。图 11 为 Tu 等[13]钢锭宏观偏析实测结果,其中顶部区域存在明显的负偏析缺陷分布,图 10(c)中顶部负偏析分布同 Tu 等[13]的实验结果分布位置较为一致。
图 10 3 种散热速率下溶质分布
Fig. 10 Solute distribution under three heat dissipation rates: (a) 200 W/ (m2·K);(b) 400 W/(m2·K);(c) 800 W/(m2·K)
图 11 顶部负偏析分布[13]
Fig. 11 Top negative segregation distribution[13]
为研究铸锭顶部负偏析的形成过程,对800 W/(m2·K)散热速率情况下溶质场演化过程进行分析,顶部负偏析形成过程中溶质分布如图 12所示。
图 12 溶质场演化过程
Fig. 12 Solute field evolution: (a) 1 s; ( b) 2 s; ( c)2. 5 s; (d) 3 s
分析图 12 可知,图 12(a)中凝固初期排出的溶质较少,因此溶质分布和流线同图 6(a)较为接近。随着凝固过程的进行,溶质不断排出,图 12(b)中界面处开始形成向上运动的高浓度溶质团,此时溶质分布及流线同图 6(b)相似。但在图 12(c)中,铸锭顶部的溶质-热自然对流方向转为向下,大量溶质随对流向下移动,形成了 V 型溶质分布,导致顶部固液界面处溶质浓度较图 12(b)降低,最终凝固后的固相浓度相应下降。在图 12(d)中,该区域对流方向转变为向上,溶质持续上移,顶部固液界面处溶质浓度较图 12(c)高,因此在该区域凝固结束后形成的溶质分布由外向内为高低-高,即形成了顶部负偏析。
综上所述,随着散热速率的增加,偏析的数目以及分布面积都有所增加,在 800 W/(m2·K)散热速率情况下顶部正偏析以及底部负偏析的面积最大,且 A 型偏析数目最多、长度最长,同时出现了较小换热系数下未出现的顶部负偏析现象。上述现象可归因于散热速率增加导致枝晶生长速度加快,界面处溶质浓度升高,同时温度梯度增大,从而增强了溶质-热对流强度,促使更多溶质向铸锭上部输运。最终导致铸锭底部负偏析和顶部正偏析程度均显著增加。结合 3. 2 节的研究结果可知,V 型偏析主要源于铸锭中上部的 V 型溶质分布,而随着散热速率的增加,V 型溶质分布随铸锭整体溶质分布上移。这一系列变化规律表明散热速率对铸锭偏析行为具有重要影响。因此,通过调节散热速率可以有效地调控碳钢铸锭中宏观偏析的分布及程度。
4 结论
1)基于改进的 LBM 演化方程,成功构建了严格满足质量、动量和热量守恒的 CA-LBM 模型,经过验证发现改进后的模型具有良好的计算收敛性以及稳定性。
2)模拟了 Fe-0. 34C 合金铸锭穿晶凝固过程,成功预测出 A 型偏析、V 型偏析、顶部正偏析以及底部负偏析的形成过程,模拟结果与钢锭典型宏观偏析分布特征具有良好的一致性。
3)对模拟结果中宏观偏析形成过程进行分析发现,顶部正偏析、底部负偏析、A 型偏析以及V 型偏析的形成都同溶质-热自然对流密切相关。
4)通过对 3 种散热速率下的铸锭凝固进行对比发现,随着散热速率增大,宏观偏析的分布面积以及程度都有所提高,同时在 800 W/(m2·K)散热速率下在顶部出现了负偏析,分析发现该偏析是由顶部对流方向转变所致。
图 1 更正后的 LBM 迁移示意图
Fig. 1 Corrected LBM migration diagram
图 2 枝晶生长:(a)枝晶形貌及流场;(b)溶质场;(c)温度场
Fig. 2 Dendrite growth: (a) dendrite morphology and flow field; (b) solute field; (c) temperature field
图 3 枝晶生长速度图
Fig. 3 Dendrite growth rate diagram
图 4 铸锭物理模型
Fig. 4 Ingot physical model
图 5 枝晶形貌及流线演变图
Fig. 5 Dendritic morphology and streamline evolution plots: (a) 2 s; (b) 4 s; ( c) 8 s; ( d) 12 s; (e) 20 s; (f) 30 s
图 6 溶质场及流线演变图
Fig. 6 Solute field and flow line evolution diagrams: (a)2 s; (b) 4 s; ( c) 8 s; ( d) 12 s; ( e) 20 s;(f) 30 s
图 7 温度场演变图
Fig. 7 Temperature field evolution plots: ( a) 2 s; ( b)4 s; (c) 8 s; (d) 12 s; (e) 20 s; (f) 30 s
图 8 (a)碳钢铸锭宏观偏析分布图[29] 与(b)溶质场模拟结果对比
Fig. 8 (a) Macrosegregation distribution of carbon steel ingots[29]compared with ( b) solute field simulation results
图 9 水平方向溶质分布
Fig. 9 Horizontal solute concentration distribution
图 10 3 种散热速率下溶质分布
Fig. 10 Solute distribution under three heat dissipation rates: (a) 200 W/ (m2·K);(b) 400 W/(m2·K);(c) 800 W/(m2·K)
图 11 顶部负偏析分布[13]
Fig. 11 Top negative segregation distribution[13]
图 12 溶质场演化过程
Fig. 12 Solute field evolution: (a) 1 s; ( b) 2 s; ( c)2. 5 s; (d) 3 s
表 1 Al-4. 7Cu 合金热物性参数
Table 1 Thermophysical parameters of Al-4. 7Cu alloy
表 2 Fe-0. 34C 合金热物性参数
Table 2 Thermophysical parameters of Fe-0. 34C alloy
涂武涛, 沈厚发, 柳百成. 铸造凝固过程宏观偏析数值模拟研究[J]. 大型铸锻件, 2014(2): 1-3.
Tu Wutao, Shen Houfa, Liu Baicheng. Researches on macrosegregation numerical simulation during cast alloy solidification process [J]. Heavy Casting and Forging, 2014(2): 1-3. DOI: 10.14147/j.cnki.51-1396/tg.2014.02. 001
Chen Q P, Shi H, Shen H F. Modelling of solidification structure and macro-segregation in an industrial DC cast slab[J]. Modelling and Simulation in Materials Science and Engineering, 2022, 30 (8): 085003. DOI: 10.1088/1361-651X/ac9692
Yu Sheng, Zhu Longqiang, Lai Jinhu, et al. Application of heat absorption method to reduce macrosegregation during solidification of bearing steel ingot [J]. Journal of Iron and Steel Research International, 2022, 29(12): 1915-1926. DOI: 10.1007/s42243-022-00763-x
Zhang Pan, Wang Minglin, Shi Pengzhao, et al. Effects of alloying elements on solidification structures and macrosegregation in slabs[J]. Metals, 2022, 12 (11): 1826. DOI: 10.3390/met12111826
Zhao Yuhong, Xin Tongzheng, Tang Song, et al. Applications of unified phase-field methods to designing microstructures and mechanical properties of alloys[J]. MRS Bulletin, 2024, 49(6): 613-625. DOI: 10.1557/s43577-024-00720-x
Zeng Chen, Liu Maolong, Zhang Weihao, et al. Development and validation of a one-dimensional solidification model-Part I: Analytical model[J]. Annals of Nuclear Energy, 2023, 193: 110057. DOI: 10.1016/j.anucene.2023.110057
Weber F, Broeckmann C, Züch V, et al. Multi-domain optimization of cast iron components in wind turbines[J]. Forschung im Ingenieurwesen, 2023, 87 (1): 39-50. DOI: 10.1007/s10010-023-00616-3
Chandra S, Radhakrishnan J, Huang S, et al. Solidification in metal additive manufacturing: challenges, solutions, and opportunities[J]. Progress in Materials Science, 2025, 148: 101361. DOI: 10.1016/j.pmatsci.2024.101361
Li Jun, Xu Xiaowei, Ren Neng, et al. A review on prediction of casting defects in steel ingots: From macrosegregation to multi-defect model[J]. Journal of Iron and Steel Research International, 2022, 29(12): 1901-1914. DOI: 10.1007/s42243-022-00848-7
Liu Hong, Wang Yadong, Zhang Lifeng. An Improved three-dimensional macrosegregation model for the full-length curved continuous casting bloom [J]. Metallurgical and Materials Transactions B, 2022, 53 (5): 3262-3275. DOI: 10.1007/s11663-022-02604-4
Park S B. Heterogeneous nucleation models to predict grain size in solidification [J]. Progress in Materials Science, 2022, 123: 100822. DOI: 10.1016/j.pmatsci.2021.100822
Zhang Haijie, Wu Menghuai, Rodrigues C M G, et al. Dendrite fragmentation mechanism under forced convection condition by rotating magnetic field during unidirectional solidification of AlSi7 alloy [J]. Acta Materialia, 2022, 241: 118391. DOI: 10.1016/j.actamat.2022.118391
Tu Wutao, Duan Zhenhu, Shen Bingzhen, et al. Three-dimensional simulation of macrosegregation in a 36-ton steel ingot using a multicomponent multiphase model[J]. Jom, 2016, 68: 3116-3125. DOI: 10.1007/s11837-016-2023-x
Liu Xiang, Zhang Chaojie, Hu Shaowei, et al. Research progress and prospects on the formation mechanism of macrosegregation and shrinkage porosity in large steel ingots[J]. Progress in Natural Science: Materials International, 2024, 34(3): 470-481. DOI: 10.1016/j.pnsc.2024.05.009
董士虎, 张红伟, 吕文朋, 等. 基于界面追踪-动网格技术模拟凝固收缩下 Fe-C 合金宏观偏析[J]. 金属学报, 2024, 60(3): 388-404.
Dong Shihu, Zhang Hongwei, Lü Wenpeng, et al. Numerical simulation on macrosegregation in Fe-C alloy under solidification shrinkage through interface tracking-dynamic mesh technique [J]. Acta Metallurgica Sinica, 2024, 60(3): 388-404. DOI: 10.11900/0412.1961.2022.00494
Lesoult G. Macrosegregation in steel strands and ingots: Characterisation, formation and consequences [J]. Materials Science and Engineering: A, 2005, 413-414: 19-29. DOI: 10.1016/j.msea.2005.08.203
Chen Weiping, Hou Hua, Zhang Yuntao, et al. Phasefield lattice-boltzmann study for α-Mg dendrite growth of Mg-5wt% Zn alloy with forced convection [J]. Acta Metallurgica Sinica (English Letters), 2023, 36 (11): 1791-1804. DOI: 10.1007/s40195-023-01591-y
Zhao Yuhong. Understanding and design of metallic alloys guided by phase-field simulations [J]. npj Computational Materials, 2023, 9(1): 94. DOI: 10.1038/s41524-023-01038-z
Zhao Yuhong, Liu Kexin, Hou Hua, et al. Role of interfacial energy anisotropy in dendrite orientation in Al-Zn alloys: A phase field study[J]. Materials & Design, 2022, 216: 110555. DOI: 10.1016/j.matdes.2022.110555
张士杰, 王颖明, 王琦, 等. 基于元胞自动机-格子玻尔兹曼模型的枝晶碰撞行为模拟[J]. 物理学报, 2021, 70(23): 238101-238109.
Zhang Shijie, Wang Yingming, Wang Qi, et al. Simulation of dendrite collision behavior based on cellular automata-lattice Boltzmann model [J]. Acta Physica Sinica, 2021, 70(23): 238101-238109. DOI: 10.7498/aps.70.20211292
Zhang Shijie, Li Chenyu, Li Ri. Cellular automata-lattice Boltzmann simulation of multi-dendrite motion under convection based on dynamic grid technology[J]. Materials Today Communications, 2022, 31: 103342. DOI: 10.1016/j.mtcomm.2022.103342
张宇, 朱宝丰, 张士杰, 等. 基于微观形貌的逆偏析形成机理的数值模拟分析[J]. 材料科学与工艺, 2025, 33(1): 31-40.
Zhang Yu, Zhu Baofeng, Zhang Shijie, et al. Numerical simulation study on the formation mechanism of reverse segregation based on microscopic morphology [J]. Materials Science and Technology, 2025, 33(1): 31-40. DOI: 10.11951/j.issn.1005-0299.20230075
Zhang Shijie, Li Yunbo, Zhang Siyu, et al. Numerical simulation of cellular automata-multiple relaxation time lattice Boltzmann for three-dimensional dendrite motion[J]. International Journal of Thermal Sciences, 2025, 211: 109737. DOI: 10.1016/j.ijthermalsci.2025.109737
Zhang Shijie, Zhu Baofeng, Li Yunbo, et al. Cellular automata-lattice Boltzmann model for polycrystalline solidification with motion of numerous dendrites [J]. Computational Materials Science, 2024, 245: 113308. DOI: 10.1016/j.commatsci.2024.113308
张洋, 张士杰, 李云博, 等. 计入枝晶运动生长的铸锭宏观偏析的研究 [J]. 物理学报, 2025, 74 (10): 336-348.
Zhang Yang, Zhang Shijie, Li Yunbo, et al. Study of macroscopic segregation in ingots considering the movement and growth of equiaxial crystal [J]. Acta Physica Sinica, 2025, 74(10): 336-348. DOI: 10.7498/aps.74.20241702
Guo Zhaoli, Shi Baochang, Zheng Chuguan. A coupled lattice BGK model for the Boussinesq equations [J]. International Journal for Numerical Methods in Fluids, 2002, 39(4): 325-342. DOI: 10.1002/fld.337
Zhu M F, Stefanescu D M. Virtual front tracking model for the quantitative modeling of dendritic growth in solidification of alloys[J]. Acta Materialia, 2007, 55(5): 1741-1755. DOI: 10.1016/j.actamat.2006.10.037
Ferreira I L, Spinelli J E, Pires J C, et al. The effect of melt temperature profile on the transient metal/mold heat transfer coefficient during solidification [J]. Materials Science and Engineering: A, 2005, 408(1-2): 317-325. DOI: 10.1016/j.msea.2005.08.145
沈厚发, 陈康欣, 柳百成. 钢锭铸造过程宏观偏析数值模拟[J]. 金属学报, 2018, 54(2): 151-160.
Shen Houfa, Chen Kangxin, Liu Baicheng. Numerical simulation of macrosegregation in steel ingot casting [J]. Acta Metallurgica Sinica, 2018, 54 (2): 151-160. DOI: 10.11900/0412.1961.2017.00431
Asai S, Muchi I. Theoretical analysis and model experiments on the formation mechanism of channeltype segregation[J]. Transactions of the Iron and Steel Institute of Japan, 1978, 18(2): 90-98. DOI: 10.2355/isijinternational1966.18.90

友情链接LINKS