基于高维贝叶斯推断的激光粉末床熔融Hastelloy X循环载荷晶体塑性参数辨识

本综述提出了一种融合高斯过程代理模型与贝叶斯优化（BO）的创新框架，成功解决了晶体塑性（CP）模型在多参数（>8）校准中的计算效率难题。通过新型目标函数匹配多应变幅下的实验数据，该方案仅需50次初始仿真与75次优化迭代即可实现高精度参数识别，为疲劳性能预测与抗疲劳新材料设计提供了高效计算范式。

　　

Highlight

本研究通过贝叶斯优化（BO）框架实现了对激光粉末床熔融（L-PBF）Hastelloy X晶体塑性模型的高效参数校准，首次采用多周期协同匹配策略显著提升循环硬化行为预测精度。

Specimen manufacturing and fatigue testing

试样制造与疲劳测试基于Pal等人前期研究。采用Concept Laser M2系统制备L-PBF Hastelloy X试样，经热等静压（HIP）和两次镍钎焊热循环后，通过电子背散射衍射（EBSD）分析晶粒形貌与织构。高温疲劳试验在500°F（260°C）下开展，采用应变控制模式并记录应力-应变响应。

Grid convergence study

网格收敛性研究通过DREAM.3D软件调整分辨率参数实现。研究表明：当单元数量达到临界值后，应力响应趋于稳定，最终选定计算精度与效率最优的网格配置用于后续CP仿真。

Conclusion

本研究证实贝叶斯优化（BO）可显著降低晶体塑性（CP）模型校准成本，新型目标函数有效捕获循环硬化行为。敏感性分析揭示屈服参数主导应力应变响应，而运动硬化参数影响峰值应变应力。SHAP分析量化了参数交互效应，为CP模型机制解读提供新视角。

CRediT authorship contribution statement

Eralp Demir：审阅编辑-软件方法学；Amrita Basak：审阅编辑-项目管理与资金获取；Ajay Kushwaha：原稿撰写-数据可视化与验证分析

Declaration of generative AI in scientific writing

第一作者Ajay Kushwaha使用OpenAI ChatGPT辅助语法修正与可读性提升，并对最终学术内容承担全部责任。

Funding information

本研究由Solar Turbines Incorporated（PAT-18-00112）、美国能源部核工程大学计划（DE-NE0009253）及宾州州立大学机械工程系共同资助。

Declaration of Competing Interest

? 作者声明不存在可能影响研究结果的财务利益冲突或人际关系

Acknowledgements

感谢Solar Turbines Incorporated提供Hastelloy X试样，以及宾州州立大学Darren Pagan教授在晶体塑性仿真方面的宝贵讨论。