加热速率对7B50铝合金蠕变老化行为的影响及基于深度学习的本构建模

《Materials Research Bulletin》：Heating rate effects on creep aging behavior of 7B50 aluminum alloy and deep learning enhanced constitutive modeling

7B50铝合金在异变加热速率下的蠕变-时效协同行为研究表明，快速加热促进位错累积加速稳态蠕变，而慢速加热促使η'相析出增强材料强度。构建了加热速率-应变本构模型，并采用遗传算法优化的LSTM网络实现模型偏差预测，建立了融合位错密度、析出相尺寸与体积分数的宏微观耦合模型，验证了其在复杂热力条件下的预测精度。

　　这项研究聚焦于7B50铝合金在不同加热速率下的蠕变变形与时效强化行为。通过对实验数据的深入分析，研究人员发现加热速率的变化对材料的宏观性能和微观结构演化具有显著影响。在高温环境下，加热速率越高，材料内部的位错密度积累越快，从而加速了蠕变过程，导致更大的蠕变应变。然而，这种加速的蠕变过程会推迟材料进入稳态蠕变阶段的时间。相反，当加热速率较低时，材料内部会形成更多的η′相粒子，并且这些粒子的体积分数也会增加，从而增强了对位错运动的钉扎效应，提高材料的强度。研究团队开发了一种基于加热速率-应变（HRS）的本构模型，并结合机器学习方法预测该模型与实验数据之间的偏差。值得注意的是，一种经过遗传算法优化的长短期记忆（GA-LSTM）方法在预测这些偏差方面表现出更高的准确性，优于传统的神经网络（ANN）和循环神经网络（RNN）方法。

在工业实践中，大型复杂结构的制造往往面临非均匀温度和应力场的问题，这使得在蠕变时效成型过程中不同区域的加热速率存在差异。这种非均匀性对传统本构模型的预测能力构成了挑战，因为这些模型通常是在理想等温条件下进行校准的，无法准确反映实际工程中材料的回弹行为和力学性能。因此，建立一个能够考虑加热速率影响的新型本构模型对于预测材料在非等温条件下的行为至关重要。目前，已有学者对不同铝合金在不同加热速率下的蠕变时效行为进行了研究，例如2219和AA2050合金。研究结果表明，较慢的加热速率通常有助于析出相的生长，从而提高材料的最终强度，但可能以牺牲蠕变应变为代价。而对AA7050合金的研究则揭示了存在一个最佳的加热速率范围，过慢的加热速率可能导致析出相的溶解，进而影响材料的强度。

尽管已有这些研究成果，但对于高强7B50铝合金在不同加热速率下的蠕变时效行为，仍然缺乏系统性的研究。鉴于其在航空航天领域的广泛应用，深入理解加热速率对材料性能的影响对于实现该合金的精确工业成型具有重要意义。为此，研究团队致力于构建一个能够描述复杂条件下铝合金蠕变时效行为的宏观-微观本构框架。他们开发了一种新型的物理指导本构模型，该模型通过物理本构参数与遗传算法优化的长短期记忆网络相结合，实现了对时间依赖性偏差的学习能力。这种增强型模型进一步整合到一个多层次的预测框架中，该框架能够连接宏观力学响应与微观结构演化，从而准确预测不同加热路径下的屈服强度。研究结果表明，将物理知识与数据驱动学习方法深度融合，能够实现对复杂材料行为的高准确率预测，并提升模型的泛化能力。

为了验证这一理论框架，研究团队进行了系统的实验分析。实验所使用的材料是7B50铝合金的轧制板材，其主要化学成分列于表1中。实验中的蠕变试样厚度为3毫米，主轴方向与轧制方向一致，如图1所示。试样首先经过470°C、持续60分钟的固溶处理，随后进行淬火。为了防止自然时效，试样被存放在冰箱中。实验采用SST-D5蠕变测试机进行恒应力蠕变时效测试。通过对不同加热速率下试样的蠕变曲线进行分析，研究人员发现尽管加热速率不同，蠕变应变的变化趋势仍较为相似。当试样进入稳态蠕变阶段后，较高的加热速率会导致更大的总蠕变应变，而较低的加热速率则有助于形成更多的析出相粒子，提高材料的强度。

在传统本构模型的应用中，研究人员发现这些模型在描述复杂或极端条件下材料行为时存在一定的局限性。为了克服这一问题，研究团队采用了一种结合物理知识与数据驱动学习的方法，开发了一个能够准确描述7B50铝合金在不同加热速率下蠕变行为的本构模型。该模型不仅考虑了位错密度的演化，还引入了析出相的体积分数和尺寸变化，从而更全面地反映材料的力学性能。此外，该模型还通过机器学习方法对实验数据进行修正，提高了预测的准确性。这种方法的引入为材料科学和工程领域提供了新的思路，有助于提升材料性能预测的精度和可靠性。

研究团队还对传统本构模型在描述蠕变行为方面的局限性进行了分析。传统的模型在复杂条件下往往难以准确预测材料的力学性能，因为其参数校准过程通常较为繁琐，并且缺乏对加热速率变化的考虑。为了弥补这一不足，研究团队采用了一种新颖的物理指导模型，该模型通过将物理本构参数与机器学习方法相结合，实现了对时间依赖性偏差的学习能力。这种结合方式不仅提高了模型的预测精度，还增强了其对不同加热路径的适应性。此外，该模型还整合到一个多层次的预测框架中，能够连接宏观力学响应与微观结构演化，从而更全面地描述材料的性能变化。

在实验过程中，研究人员使用了透射电子显微镜（TEM）和X射线衍射（XRD）技术对材料的相演化和位错行为进行了分析。这些技术能够提供材料微观结构的详细信息，有助于理解加热速率对材料性能的影响机制。通过实验数据与理论模型的对比，研究人员发现该模型在预测不同加热速率下的蠕变行为时具有较高的准确性。此外，该模型还能够有效预测材料的屈服强度，为实际工程应用提供了重要的理论支持。

研究团队还对传统本构模型的局限性进行了深入探讨。传统的模型在描述材料行为时通常依赖于大量的参数，而这些参数的校准过程往往需要大量的实验数据和计算资源，导致模型的泛化能力受限。为此，研究团队引入了一种结合机器学习与物理知识的新型方法，该方法能够通过数据驱动的方式对传统模型进行修正，从而提高其预测的准确性。这种方法的引入不仅降低了模型的校准成本，还提高了其在不同条件下的适用性。此外，该模型还能够有效捕捉材料在不同加热速率下的微观结构变化，从而更全面地描述其力学性能。

在实际工程应用中，材料的性能预测对于确保产品质量和安全性至关重要。因此，研究团队开发的这种结合物理知识与机器学习的本构模型，不仅具有较高的预测精度，还能够适应不同加热条件下的材料行为。这种模型的建立为航空航天领域的大型部件制造提供了重要的理论支持和计算工具。通过深入研究加热速率对材料性能的影响，研究团队为未来材料科学和工程领域的发展提供了新的思路和方法。

此外，研究团队还对机器学习方法在材料建模中的应用进行了探讨。传统的材料建模方法往往依赖于物理理论和实验数据，而机器学习方法则能够通过数据驱动的方式对模型进行优化和修正。这种方法的引入不仅提高了模型的预测能力，还增强了其在不同条件下的适用性。例如，一些研究已经将机器学习方法应用于镁合金的建模，取得了优于传统方法的预测效果。然而，将这种方法应用于蠕变本构模型，尤其是在不同加热速率下的应用，仍然存在一定的探索空间。因此，研究团队致力于开发一种能够有效结合物理知识与数据驱动学习的新型模型，以提高其在复杂条件下的预测能力。

在实验分析过程中，研究人员发现加热速率的变化对材料的宏观性能和微观结构演化具有显著影响。通过实验数据的对比，他们进一步验证了所开发的本构模型的准确性。该模型不仅能够准确预测不同加热速率下的蠕变行为，还能够有效描述材料的强度演化。此外，该模型还能够捕捉材料在不同加热路径下的力学响应，从而为实际工程应用提供重要的参考。通过将物理知识与数据驱动学习方法相结合，研究团队成功构建了一个能够准确描述材料行为的宏观-微观本构框架，为未来材料科学和工程领域的发展提供了新的思路和方法。

研究团队的成果不仅具有重要的理论意义，还具有广泛的实际应用价值。通过深入研究加热速率对材料性能的影响，他们为材料科学和工程领域提供了新的研究方法和计算工具。此外，该模型的建立还能够为航空航天领域的大型部件制造提供重要的理论支持，有助于提高材料的性能预测精度和可靠性。因此，这项研究对于推动材料科学和工程领域的发展具有重要意义。通过将物理知识与数据驱动学习方法相结合，研究团队成功构建了一个能够准确描述材料行为的宏观-微观本构框架，为未来材料科学和工程领域的发展提供了新的思路和方法。