基于小冲杆数据与序列迁移学习的跨材料应力-应变预测方法研究

针对金属材料应力-应变关系传统测试方法成本高、耗时长且跨材料数据稀缺的问题，利物浦大学团队提出一种融合Gramian Angular Field（GAF）和高阶矩匹配（HoMM）的Seq2Seq迁移学习框架，通过小冲杆试验（SPT）数据实现高强钢向铝合金的知识迁移。实验表明，该方法对真实铝合金样本的预测误差低至2.86%，为工业材料性能评估提供了高效无损的解决方案。

　　

在机械工程和汽车工业领域，准确获取材料的应力-应变关系是保障结构安全的核心课题。随着轻量化材料如铝合金的广泛应用，传统单轴拉伸试验的局限性日益凸显——不仅需要破坏性取样，且对新材料的数据积累严重不足。小冲杆试验（SPT）虽能以微小样本实现力学性能评估，但现有依赖有限元方法（FEM）的应力-应变反演过程计算成本高昂，难以满足工业界对高效跨材料预测的需求。

针对这一技术瓶颈，利物浦大学Zhengni Yang团队在《Neurocomputing》发表研究，创新性地将自然语言处理中的序列到序列（Seq2Seq）架构引入材料科学领域。该工作通过5000组高强钢和50组铝合金的FEM仿真数据，结合14组真实铝合金样本，构建了融合时空特征的迁移学习模型。关键技术包括：将SPT载荷-位移序列转化为Gramian Angular Field（GAF）图像以增强特征表达；采用高阶矩匹配（HoMM）算法对齐不同材料域的统计分布；设计多头交叉注意力机制捕捉跨材料关联性。

方法论
研究团队首先通过有限元模拟生成覆盖不同厚度（1-4mm）、屈服应力（20.98-1367.06MPa）和应变硬化指数（0.068-0.380）的高强钢数据集。对于目标域铝合金，则采用物理实验与仿真结合的方式获取数据。原始SPT时序数据经GAF转换后，与一维时序特征共同输入双通道编码器，通过HoMM对齐源域（高强钢）和目标域（铝合金）的四阶矩特征分布。

实验结果
模型在高强钢上达到平均绝对误差（MAE）<5MPa的精度。对于力学性能差异显著的铝合金，预测应变硬化指数的误差仅8.63%，验证了跨材料迁移的有效性。特别值得注意的是，在厚度仅0.75mm的极薄铝合金样本上仍保持2.86%的误差率，显著优于传统FEM方法。

结论与意义
该研究首次实现了基于小样本的跨材料应力-应变智能预测，其创新性体现在三方面：一是GAF-HoMM融合策略突破了传统域适应方法仅对齐低阶统计量的局限；二是Seq2Seq架构实现了端到端的时序特征学习；三是为材料科学中的小样本问题提供了可扩展的解决方案。这项技术将SPT的实验成本降低90%以上，为航空、汽车等领域的材料快速评估开辟了新途径。未来可通过引入更多材料体系（如钛合金）进一步验证泛化能力。