基于人工神经网络（ANN）的形状记忆合金弹热冷却热-力耦合模型开发与应用

本文创新性地构建了一种基于人工神经网络（ANN）的热-力耦合本构模型，用于模拟形状记忆合金（SMA）在弹热冷却过程中的复杂力学行为与温度响应。该模型通过将应变张量主分量、环境温度和等效应变历史作为输入，实现了应力与内热源的高精度预测，并成功嵌入有限元软件ABAQUS（UMAT子程序）。研究突破了传统物理模型数学复杂度高的限制，为高效环保的固态冷却技术（elastocaloric cooling）提供了可靠的仿真工具，显著提升了SMA结构设计与性能评估的效率和准确性。

　　

Section snippets

Numerical experiments and data generation

用于训练人工神经网络（ANN）模型的数据集可来源于实验测量或计算模拟。本节采用经典的Lagoudas本构模型进行数据生成，代表一系列数值实验。

为建立ANN模型，需收集涵盖不同环境温度下多种加载路径的应力-应变和内热源-应变关系的综合数据集。

ANN-based model and its finite element implementation

本节首先讨论ANN中超参数对预测精度的影响，随后提出一个包含四个隐藏层的ANN结构，并利用第2节生成的数据集对其进行训练。之后，提供该模型的数值算法，推导一致切线模量，并通过编写用户自定义材料子程序（UMAT）将模型植入有限元软件ABAQUS。

Verification and discussion

本节将采用所提出的ANN模型预测典型SMA结构的全局与局部响应。需指出，本研究引入了比例加载假设以确保ANN输入输出层的维度能有效降低。因此，本节结构所受载荷限于比例加载情况。尽管比例加载不能保证结构中所有材料点均经历比例变形，但验证结果表明ANN模型在预测非比例路径下的响应时仍表现出良好鲁棒性与泛化能力。

Conclusion

本研究构建了一种热-力耦合的ANN模型，用于表征形状记忆合金（SMA）在复杂载荷下的变形行为与温度演化。该ANN架构以主空间应变张量分量、温度及从初始状态至当前加载状态的最大等效应变历史作为输入特征，而以主空间应力张量分量及内热源作为输出。模型通过有限元实现与实验验证，展现了在多种加载条件下的优异预测能力，为SMA在弹热冷却器件中的设计与优化提供了高效计算工具。

CRediT authorship contribution statement

Chao Yu: 撰写-评审与编辑、验证、监督、研究设计、资金获取、概念化；

Guozheng Kang: 撰写-评审与编辑、验证、监督、资金获取；

Xingyu Zhou: 撰写-初稿、验证、软件、方法论、研究执行；

Ziang Liu: 验证、方法论、数据整理。

Uncited reference

Xiang et al., 2022.

Declaration of Competing Interest

? 作者声明不存在任何已知的竞争性财务利益或个人关系，以免影响本研究报告的客观性。

Acknowledgments

感谢国家自然科学基金（NSFC 12322203）和四川省科技计划（2024ZYD0088）的资助。