机械工程材料

作者：钱迪鑫, 王立人, 夏春明

关键词：高温合金, 本构参数反演, 有限元模拟, 机器学习, 神经网络

采用拉丁超立方采样方法对基于文献的GH4169合金Johnson-Cook（J-C）本构参数空间进行均匀采样,利用有限元模拟输出对应参数组合的应力-应变曲线。以模拟应力-应变曲线数据为输入,J-C本构参数为输出,采用前向神经网络（FNN）模型、随机森林（RF）模型、循环神经网络（RNN）模型进行训练,并对模型进行贝叶斯超参数优化,通过测试集的决定系数R2对3种模型的参数反演能力进行对比；以试验获得的应力-应变曲线数据为输入,利用训练后的机器学习模型输出对应的J-C本构参数,再通过有限元模拟生成应力-应变曲线,并与试验结果进行对比。结果表明：FNN模型、RF模型和RNN模型测试集的R2分别为0.847,0.499,0.741,FNN模型的表现最佳,而RF模型的表现最差,不适用于GH4169合金J-C本构参数的反演；采用FNN模型反演J-C本构参数预测得到850~1?050?℃下GH4169合金的压缩应力-应变曲线与试验曲线更加吻合,平均相对误差比采用RNN模型反演J-C本构参数和由试验曲线拟合本构参数预测得到的曲线分别低约11.9%和2.1%,验证了机器学习方法在反演GH4169合金J-C本构参数上的有效性。

来源：2024年第12期

《机械工程材料》期刊编辑部

查看机械工程材料杂志2024年第12期