基于U-Net架构与迁移学习的3D多晶材料全场弹性应变张量演化预测研究

为解决高能X射线衍射显微镜(HEDM)实验耗时昂贵、晶体塑性(CP)模拟计算量大的问题，研究人员开发了具有递归连接的U-Net架构深度学习模型，实现3D多晶材料全场弹性应变张量(εel )的快速预测。通过迁移学习技术，模型成功适配铜(Cu)、高熵合金(CoCrMnSi/Ni)和铝合金(AA)等不同材料体系，训练效率提升50%以上，为实时优化HEDM实验设计提供新范式。

　　

在材料科学领域，高能X射线衍射显微镜(HEDM)犹如一台"时空望远镜"，能让科学家们非破坏性地观测材料在热机械载荷下的微观力学演变。然而这台精密仪器的每次实验都代价高昂——单次点聚焦扫描需耗时9小时，而传统晶体塑性(CP)模拟又因计算量巨大难以提供实时反馈。这种矛盾严重制约了新材料研发和极端环境材料行为的探索效率。

美国洛斯阿拉莫斯国家实验室的研究团队独辟蹊径，将医学图像处理领域的U-Net架构与递归神经网络(RNN)相结合，构建出能预测3D多晶材料全场弹性应变张量(ε_el
)演化的深度学习模型。该研究创新性地引入迁移学习策略，以铜(Cu)为基准训练网络后，仅需少量数据即可适配高熵合金CoCrMnSi、CoCrMnNi和铝合金(AA)等不同材料体系。相关成果发表于《Mechanics of Materials》，为实时指导HEDM实验提供了革命性工具。

关键技术方法包括：1)采用弹性粘塑性快速傅里叶变换(EVP-FFT)晶体塑性模拟生成训练数据；2)构建具有递归-循环连接的3D U-Net架构，输入材料参数和硬化系数；3)设计冯·米塞斯应力损失函数强化物理约束；4)开发三种迁移学习策略(参数冻结/微调/渐进解冻)；5)使用13个应变步长捕捉弹塑性转变过程。

【Dataset generation】
通过EVP-FFT模拟生成包含铜、高熵合金等材料的3D多晶数据集，每个体积元包含13个应变步长的ε_el
张量演化数据，采用Hooke定律关联应力(σ)与弹性应变(ε_el
)。

【Results】
迁移学习使新材料训练效率提升50%以上，其中渐进解冻法在铝合金上取得最佳效果，平均绝对误差(MAE)较从头训练降低23%。网络成功预测了不同材料体系的ε_el
张量空间分布及时序演化，包括CoCrMnNi的异常应变局部化现象。

【Conclusions】
该研究首次实现了3D多晶材料全场ε_el
张量的实时预测，突破传统CP模拟的时效瓶颈。迁移学习策略大幅降低新材料的训练成本，为HEDM实验的智能优化开辟新途径。未来可扩展至塑性应变、位错密度等更多场变量的联合预测。

【CRediT authorship contribution statement】
Ashley Lenau主导算法开发与验证，Reeju Pokharel提供晶体塑性专业知识，Alexander Scheinker设计物理约束损失函数，团队协作攻克了高维数据建模难题。

这项研究标志着计算材料学与人工智能的深度融合，其建立的"预训练-迁移"范式不仅适用于HEDM实验优化，更可为航空发动机叶片、核反应堆材料等关键部件的寿命预测提供新思路。随着更多材料数据的积累，这种智能代理模型有望成为材料数字孪生系统的核心引擎。