The goal of this research was to develop a mechanical property prediction model using machine learning applied at the hot rolling processing stage for microalloyed steel strip produced at the Algoma steel mill located in Ontario, Canada. A neural network model was created to provide predictions of the lower yield strength (LYS) and ultimate tensile strength (UTS). The asreceived dataset for prediction of mechanical properties comprised chemical composition and hot rolling processing parameters of temperature, roll speed, roll gap, and strip speed. The model was able to predict the LYS of 88% of the test data with an error of less than or equal to ± 5% and the UTS of 99% of the test data within the same error range.

The model results were then used to determine the relative influence of each element in the chemical composition and each hot rolling process parameter on the LYS and UTS. Important features for the determination of strength were the strain at the roughing stand, strain at finishing stand number 2, nitrogen (for LYS) and niobium (UTS) concentrations, and the bar entry temperature. The importance of these features can be rationalized on the basis of physical metallurgy principles based on the effect of hot deformation on the formation of Nb(C,N) precipitates. Precipitation start time is expected to be influenced by the grain size of recrystallized austenite inherited from strain at the roughing stand. Depending on the precipitation start time, strain accumulation in austenite begins as early as after finishing stand number 2 and ultimately influences UTS and LYS by the mechanism of grain refinement. The bar entry temperature will influence the temperature profile through the entire hot rolling stage.

A potential application of the model is to reduce the variation of mechanical properties. To demonstrate a possible application of this model, it was shown that variations in chemical composition observed in the as-received dataset will lead to mechanical property variations, but these can be countered by modifying the hot rolling process details, thus reducing mechanical property variations.

Le but de cette recherche était de développer un modèle de prédiction des propriétés mécaniques en utilisant l'apprentissage automatique appliqué à l'étape du traitement par laminage à chaud pour les bandes d'acier microallié produites à l'aciérie d'Algoma située en Ontario, Canada. Un modèle de réseau neuronal a été créé pour fournir des prédictions de la limite inférieure d'élasticité (LEI) et de la résistance à la traction ultime (UTS). La données tel que reçu pour la prédiction des propriétés mécaniques comprenait la composition chimique et les paramètres du traitement de laminage à chaud, à savoir la température, la vitesse des rouleaux, les écarts entre les rouleaux et la vitesse de la bande. Le modèle a été capable de prédire la LEI de 88% des données d'essai avec une erreur inférieure ou égale à ± 5%. D'autre part, le modèle a prédit l'UTS de 99% des données d'essai dans la même plage d'erreur.

Les résultats du modèle ont ensuite été utilisés pour déterminer l'influence relative de certains éléments de la composition chimique et de chaque paramètre du processus de laminage à chaud sur la LEI et l'UTS. Les caractéristiques importantes pour la détermination de la résistance étaient la déformation à la cage d'ébauche, la déformation à la cage de finition numéro 2, les concentrations en azote (pour la LEI) et en niobium (UTS), et la température d'entrée de la bande. L'importance de ces caractéristiques peut être rationalisée sur la base des principes de la métallurgie physique basés sur l'effet de la déformation à chaud sur la formation de précipités de carbonitrure de niobium. On s'attend à ce que le temps de début de la précipitation soit influencé par la taille des grains de l'austénite recristallisée héritée de la déformation d'ébauche. En fonction de le temps de début de la précipitation, l'accumulation de la déformation dans l'austénite commence dès le poste de finition numéro 2 et influence finalement l'UTS et la LEI par le mécanisme de raffinement du grain. La température d'entrée de la barre influence le profil de température tout au long de l'étape de laminage à chaud. Pour démontrer une application possible de ce modèle, il a été montré que les variations de la composition chimique observées dans l'ensemble des données telles que reçues conduiront à des variations de propriétés mécaniques, mais celles-ci peuvent être contrées en modifiant les détails du processus de laminage à chaud, réduisant ainsi les variations de propriétés mécaniques.