Fortgeschrittene Methoden zur Bewertung des schmelzenspezifischen Zeitstandbruchverhaltens von Werkstoffen des Kraftwerkbaus

Abstract

Bei Anlagen, die im Zeitstandbereich betrieben werden, wie z. B. Dampfkraftwerken stellt die Lebensdauerbewertung der hochbelasteten Hochtemperatur-Komponenten eine wichtige Aufgabenstellung dar. Sie steht im Zusammenhang mit der Verfügbarkeit und damit der Wirtschaftlichkeit und dem Wirkungsgrad, es werden aber auch Aspekte der Betreiberverantwortung abgedeckt. Eine zentrale Problemstellung ist in diesem Kontext die zuverlässige Erfassung und Umsetzung der hierfür notwendigen spezifischen Materialeigenschaften. Im Vordergrund steht hierbei die Festigkeitseigenschaften, ganz besonders aber das zeitabhängige Verformungs- und Bruchverhalten der eingesetzten warmfesten Stähle. Die Festigkeitseigenschaften sind das Resultat wechselseitiger Beeinflussungen, d.h. mehrdimensionaler Abhängigkeiten zwischen den einzelnen Elementen der chemischen Zusammensetzung, der Parameter der Wärmebehandlung und den Herstellbedingungen, d.h. der Erzeugnisform. Die herkömmlichen analytischen Methoden können die Auswirkung dieser Parameter auf den Kennwert, z. B. die Zeitstandbruchfestigkeit nicht ganzheitlich beschreiben. Die individuelle, d. h. schmelzenspezifische Zeitstandbruchfestigkeit kann nach dem Stand der Technik und Wissens daher zuverlässig nur über experimentelle Untersuchungen ermittelt werden. Aus der Literatur sind erfolgreiche Versuche bekannt, mit Hilfe von künstlichen Neuronalen Netzen (kNN) das Werkstoffverhalten in Abhängigkeit von Eingangsgrößen wie chemische Zusammensetzung und Wärmebehandlung, zu simulieren. Die Modellierung mit kNN stellt damit eine Alternative zu den analytischen Methoden dar, da damit mehrdimensionale Zusammenhänge erfasst werden können. Die vorliegende Arbeit hat das Ziel das Potenzial der Anwendung von kNN auf die Bestimmung von maßgebenden Eigenschaften ausgewählter warmfester Stähle zu ermitteln und zu bewerten. Der Schwerpunkt der Untersuchungen wurde auf die optimierte Vorhersage des Zeitstandbruchverhaltens und die Bestimmung der Position der spezifischen Schmelze in dem Streuband des jeweiligen Stahls unter Berücksichtigung aller technisch erfassbaren Parameter gesetzt. Ein wichtiger Ausgangspunkt einer Datenanalyse stellt die Datenbasis selbst dar. Mit der Wahl der Stähle P91, P92 und E911 wurden folgende Ziele erreicht: • die durchgeführten Zeitstandversuche, die die Datengrundlage bilden, entsprechen den Anforderungen der heute gültigen Qualitätsmaßstäben für die Versuchsdurchführung • es wurden Daten von modernen Stählen mit unterschiedlicher Zeitstandfestigkeit, aber vergleichbarer metallurgischen Grundstruktur verwendet • die vorhandenen Ergebnisse für den Stahl X20CrMoV12-1 können einbezogen werden. Vor Verwendung wurden die Daten auf ihre Konsistenz geprüft und in Ebenen mit unterschiedlichen Merkmalen aufgeteilt. Als Merkmale wurden die einzelnen Elemente der chemischen Zusammensetzung, die Parameter der Wärmebehandlung, mechanisch-technologische Kennwerte, die Zeitstandfestigkeit bzw. Zeitstandbruchzeit und der zugehörigen Versuchstemperatur, die Zeitstandbruchdehnung, Mikrostrukturparameter verwendet. Danach wurden mit einem Teil der Daten verschiedene Modelle des kNN trainiert, wobei folgende Zielgrößen verwendet wurden: Zeitstandfestigkeit, Zeitstandbruchzeit, Streckgrenze bei Raumtemperatur. Diese Modelle wurden mit den ermittelten unterschiedlichen Datenebenen trainiert. Das Vorhaben stellte erstmals die Modellierung mit dem kNN den Ergebnissen auf der Basis einer Multiplen Linearen Regressionsanalyse gegenüber. Dabei zeigte sich, dass das kNN ein besseres Korrelationsverhalten aufweist, weil es die mehrdimensionalen Abhängigkeiten zwischen den einzelnen Elementen besser wiedergibt. Die Interpretationen des kNNs wurden dahingehend geprüft, ob die grundlegenden physikalischen und metallurgischen Hintergründe ausreichend reflektiert werden. Die Ergebnisse wurden mit den realen Materialverhalten verglichen und die Auswirkung bei der Lebensdaueranalyse quantifiziert. Hierzu wurde eine „künstliche“ Schmelze definiert, die den Mittelwert aller berücksichtigten Merkmale repräsentierte. Die Verifikation der Modelle mit der Zielgröße Zeitstandfestigkeit erfolgte auf der Basis von experimentellen Daten, die nicht im Datenpool für das Trainieren des kNN enthalten waren. Dabei ergab sich teilweise eine gute Übereinstimmung. Zusammenfassend kann festgestellt werden, dass die Anwendung von kNN zur Ermittlung des individuellen Zeitstandbruchverhaltens bei modernen warmfesten Stählen ein Anwendungspotenzial aufweist, das mit der Absicherung der Datenbasis besonders im Bereich langer Bruchzeiten > 50 000 h eine technische Relevanz zeigen wird. Im Hinblick auf die technische Anwendung im Rahmen einer Lebensdauerberechnung stellt sich das Problem, dass es methodenbedingt keine Abschätzung der Unsicherheit der ermittelten Kennwerte gibt, die der seitherigen Vorgehensweise direkt vergleichbar ist.

In the systems which operate in the creep range, such as steam power plants, the life time assessment of highly loaded high-temperature components poses an important task. It is associated with the availability and thereby the cost-effectiveness and the efficiency, but also covers aspects of the responsibilities of the operator. The main problem in this context is the reliable detection and evaluation of the specific material characteristics. First of all there are the strength properties, and especially the time-dependent deformation and fracture behavior of the heat-resistant steels. The strength properties are the result of the alternating influences, i.e. multidimensional interdependences between the individual elements of the chemical composition, the heat treatment parameters and the production conditions such as product form. The conventional analytical methods cannot describe the effect of these parameters on the target variables completely, for example, the creep rupture strength. Therefore, with the current state of knowledge and technology, the individual, i.e. melt-specific creep rupture strength can only be determined through experimental investigation. Other articles have shown successful attempts of simulation of the material behavior as a function of input variables such as chemical composition and heat treatment using artificial neural networks (ANN). Modeling with neural network techniques therefore represents an alternative to analytical methods since multidimensional relationships can be taken into account. This work aims to identify and assess the potential for the application of artificial neural networks to the determination of relevant properties of selected high-temperature-resistant steels. The emphasis of the study was on the need for the optimized prediction of the material behavior considering the stress/time-to-rupture data and the determination of position of the specific melt in the scatter band for the given steel under consideration of all relevant technical data. The vital starting point for a data analysis represents the database itself. With the selection of the steels P91, P92 and E911 for the investigation, the following goals were accomplished: • the performed creep rupture tests, which form the data basis, meet the requirements of the currently valid quality standards for the performance of tests; • the data of modern steels were used with a different creep rupture strength but comparable metallurgical basic structure; • the available results of the steel X20CrMoV12-1 can be involved in the analysis process. First and foremost, the data was obtained and checked for consistency and divided into levels with different number of features. The following parameters were used as features: the individual elements of the chemical composition, heat treatment parameters, mechanical-technological parameters, creep rupture strength and respectively time-to-rupture, as well as the corresponding test temperature, creep tensile elongation, microstructure parameters. Afterwords, the various models of the ANNs were trained with one part of the data, in which the different target variables were used, such as creep rupture strength, creep rupture time, yield strength at room temperature. These models were trained with the different data levels. The project has demonstrated for the first time modelling with the ANN against the results, based on a regression analysis, i.e. Multiple Linear Regression analysis. It could be shown that the ANN shows better correlation behaviour, because it reproduces better the multidimensional dependencies between the individual elements. The interpretations of the neural network have been checked whether basic physical and metallurgical backgrounds are reflected. The results were compared with real material behaviour gained from creep strength tests and the effects of the neural network tool on technical use in life time assessment was investigated. Furthermore, an artificial melt was defined, which represents the mean of all independent features of all available melts by the variation of time-to-rupture. The verification of the models with the target variable creep strength was based on the experimental data which does not take part in the training process of the neural network. The result was a partly good conformity. Overall it can be said, that the use of ANN shows an application potential for the determination of the individual material behaviour considering the stress/time-to-rupture data of modern high-temperature-resistant steels, which will show a technical relevance with the coverage of database particularly in the area of long time-to-rupture data > 50 000 h. With regard to a technical application within the scope of a life time calculation there is a method-related problem that there is no uncertainty assessment of measured values, which can be directly compared with currently existing approach.