基于机器学习的增材制造晶格结构高应变率响应预测研究——SHPB实验与多输出模型构建

来自某研究团队的研究人员针对增材制造晶格结构在高应变率下的力学行为预测难题，通过激光粉末床融合技术制备A286高温合金的BCC、Gyroid和蜂窝晶格结构，结合分离式霍普金森压杆(SHPB)实验(2-6 bar冲击压力)，构建了包含峰值应力(PeakStress)、最大应变(MaxStrain)、最大应变率(MaxStrainRate)和吸能(EnergyAbsorbed)的多输出监督学习数据集。研究对比四种回归模型，其中全连接神经网络预测性能最优(R2达0.9859-0.9884)，SHAP分析揭示压力(bar)和晶格类型(Lattice_Type)是关键影响因素，为高应变率应用场景的AI辅助材料设计提供了新范式。

　　

这项突破性研究将人工智能技术与先进制造工艺深度融合，通过激光粉末床融合(Laser Powder Bed Fusion)技术精准制备出三种具有不同拓扑结构的晶格材料——体心立方(BCC)、螺旋二十四面体(Gyroid)和经典蜂窝结构，全部采用航空航天级A286超合金为原料。研究人员巧妙运用分离式霍普金森压杆(Split Hopkinson Pressure Bar, SHPB)实验装置，在2-6 bar的冲击压力范围内捕捉材料动态响应，构建起包含四大核心力学指标的多维数据库。

研究团队创新性地采用多任务学习框架，让线性回归、支持向量回归(SVR)、随机森林和深度神经网络四大算法同台竞技。最终深度神经网络以接近完美的预测精度胜出，对峰值应力的解释方差R²高达0.9859，最大应变率预测误差仅131.59 s^-1。通过沙普利值(SHAP)可解释性分析揭晓了有趣的发现：冲击压力(Pressure_Bar)是影响MaxStrainRate的"首席指挥官"，而晶格拓扑类型(Lattice_Type)则主导着PeakStress和EnergyAbsorbed的"命运交响曲"。

这项研究为极端工况下的材料性能预测开辟了新航道，其构建的机器学习框架不仅实现了±5%以内的实验误差控制，更可作为物理仿真实验的"数字替身"，大幅加速新型防护材料、冲击吸收结构的研发进程。这种数据驱动的研究范式，未来可与物理信息神经网络(PINN)深度融合，为航空航天、军事防护等领域的材料基因组计划注入智能新动能。