《CIRP Journal of Manufacturing Science and Technology》:A grey-box approach based on Johnson-Cook constitutive model to improve predictions of mechanical loads of cutting simulations for normalized AISI 1045
编辑推荐:
在机械加工中,高温和应变率影响工件材料的流动应力,因此理解这些工艺条件下的材料行为对于有意义的切削过程有限元分析(FEA)至关重要。Johnson-Cook本构模型尽管应用最广泛,但据报道难以捕捉其校准参考条件之外的材料行为。然而,在常规材料测试中确定这些参数
在机械加工中,高温和应变率影响工件材料的流动应力,因此理解这些工艺条件下的材料行为对于有意义的切削过程有限元分析(FEA)至关重要。Johnson-Cook本构模型尽管应用最广泛,但据报道难以捕捉其校准参考条件之外的材料行为。然而,在常规材料测试中确定这些参数具有挑战性。为解决此问题,该研究提出一种灰箱方法,旨在提高FEA过程力预测的准确性,采用通过分离式霍普金森压杆(Split-Hopkinson Pressure Bar)实验和Gleeble 3800c高温压缩实验确定的AISI 1045的Johnson-Cook模型,覆盖多种切削参数。总共进行了110次切削实验及其对应的仿真,采用全因子实验设计,包含11个切削速度和10个未变形切屑厚度。在白箱模型之后,训练一个黑箱模型以捕捉仿真与切削实验之间的非线性行为。在测试的算法中,极端梯度提升(XGBoost)和支持向量回归(SVR)在预测切削力和进给力方面优于随机森林和神经网络。所提出的灰箱方法显示出改进的切削力和进给力预测能力,与白箱模型相比,切削力的平均绝对误差和均方误差分别降低了97.9%和99.9%,进给力分别降低了94.9%和99.7%。灰箱模型在过程力预测中达到了1.3%的平均误差和0.1的标准差。
在机械加工领域(占发达国家GDP的5%),有限元分析(FEA)已成为优化工艺参数和刀具几何形状以提升生产率和可持续性的重要工具,但其仿真精度高度依赖于工件材料在高应变率(高达10
6 s
?1)和高温(高达1200°C)条件下的流动应力模型。Johnson-Cook(J-C)本构模型虽广泛应用,但因其形式简单,在偏离校准参考条件时难以准确描述材料行为,导致FEA预测的切削力与实验值之间存在显著偏差。当前确定J-C参数的传统材料测试(如准静态压缩、分离式霍普金森压杆SHPB)难以完全复现实际切削工况,而逆解方法又存在参数不唯一性问题。为解决这一矛盾,研究人员提出了一种灰箱方法:首先利用SHPB和Gleeble 3800c高温压缩实验确定正火AISI 1045的J-C参数,然后通过FEA(DEFORM-2D)建立白箱模型,再训练一个黑箱模型(比较了随机森林RF、支持向量回归SVR、极端梯度提升XGBoost和神经网络FFNN)来捕捉FEA预测与110组全因子切削实验(11种切削速度×10种未变形切屑厚度)之间的非线性误差。结论表明,该灰箱模型将切削力的平均绝对误差(MAE)和均方误差(MSE)分别降低了97.9%和99.9%,进给力降低94.9%和99.7%,最终过程力预测的平均误差仅为1.3%(标准差0.1),显著优于单一白箱模型。该研究发表于《CIRP Journal of Manufacturing Science and Technology》,证明了物理模型与数据驱动模型融合的灰箱策略在有限实验数据下大幅提升预测精度的可行性。
主要关键技术方法包括:① 利用分离式霍普金森压杆(SHPB)在室温下测定高应变率(约1.5–3.0 bar气压)下的应力-应变曲线,以确定J-C模型中的应变率硬化系数C;② 采用Gleeble 3800c热模拟试验机在25°C至1000°C范围内进行准静态压缩实验(应变率4×10
?3 s
?1),以确定热软化系数m;③ 在EMAG VLC 250立式车床上对正火AISI 1045(化学成分符合DIN EN ISO 683–1,硬度178–180 HBW,晶粒尺寸≥5 μm)进行正交切削实验,使用Kistler 9129A测力计记录切削力和进给力,共110组参数组合(切削速度100–200 m/min,未变形切屑厚度0.06–0.15 mm);④ 基于DEFORM-2D(v13.1)软件建立拉格朗日网格重划分的2D正交切削仿真,采用混合摩擦模型(粘着区剪切因子m=1,滑动区库仑摩擦系数μ=0.25),并测量刀具前角5°、后角7°、刃口半径20 μm;⑤ 灰箱建模中,白箱输出为FEA预测力,黑箱部分训练了四种机器学习模型(RF、SVR、XGBoost、FFNN)以及线性/多项式回归,通过10折交叉验证和1000次bootstrap重采样评估性能,最终选择XGBoost用于切削力修正、SVR用于进给力修正。
**3.1 确定的J-C参数**
通过Gleeble 3800c压缩实验获得不同温度下的应力-应变曲线(图7上),以及SHPB实验获得高应变率下的应力-应变曲线(图7下)。利用线性回归法,在参考温度(25°C)和参考应变率下,由室温准静态曲线确定初始屈服应力A=331 MPa、硬化模量B=614 MPa和加工硬化指数n=0.26;再由SHPB实验通过式(21)拟合得到应变率系数C=0.07;最后通过高温压缩实验(参考应变率)拟合热软化系数m=1.19。所得J-C参数列于表5。
**3.2 测量与仿真过程力的比较**
在正交切削仿真(DEFORM-2D,混合摩擦模型μ=0.25)与实验(EMAG VLC250,Kistler 9129A测力计,经频率响应函数FRF检验)的对比中,10组切削速度×进给量的全因子试验结果显示(图10):实验力随切削深度增加而增大,随速度增大缓慢下降,但呈非线性趋势,尤其在进给力上低速度高进给时出现陡升;仿真力再现了随进给线性增加的趋势,但曲面更平滑,且存在明显的力偏移。以0.1 mm切深和150 m/min速度的典型截面图(图11)进一步说明:仿真捕捉了切削力随速度下降的趋势,但幅度不及实验;而进给力在仿真的线性拟合斜率(8260 N/mm)与实验(6318 N/mm)偏差达23.5%,表明误差并非单纯偏移,而是由J-C模型参数、摩擦模型及刃口半径等多因素耦合导致。刀具磨损微观检测(图12)证实实验期间刃口无明显变化,排除磨损影响。
**3.3 所提灰箱模型的评估**
针对FEA与实验的误差,训练了四种机器学习模型(RF、SVR、XGBoost、FFNN)及线性/多项式回归。图13显示所有AI模型均能捕捉非线性误差,其中树模型(XGBoost、RF)呈现以训练样本为中心的平台状拟合曲面,SVR和FFNN则更平滑。XGBoost的特征重要性表明切削速度(v
c)对误差的贡献(0.8682)远大于切深(a
p,0.2035)。表6的性能指标显示:XGBoost在切削力预测上取得最低MAE(5.65 N)和MSE(60.24),R2=0.982;SVR在进给力预测上取得最低MAE(7.60 N)和MSE(104.65),R2=0.994。FFNN因小数据集过拟合表现最差,线性/多项式回归误差显著更高。Sobel敏感性分析(表7)进一步确认v
c主导了FFNN输出方差(一阶效应S1=0.874)。最终灰箱模型将切削力MAE和MSE分别降低97.9%和99.9%,进给力降低94.9%和99.7%,过程力预测平均误差1.3%(标准差0.1)。
**讨论与结论**
讨论部分强调,即便利用Gleeble 3800c和SHPB等先进设备测定J-C参数,仿真精度仍可通过灰箱模型显著提升,且J-C参数的唯一性避免了逆解优化问题。在所选AI算法中,XGBoost和SVR精度最高,FFNN因训练数据有限而效果较差,线性/多项式回归证明非线性关系必须由AI方法捕捉。结论部分原文翻译如下:
本研究聚焦于改善大范围工艺参数下切削仿真中机械载荷的预测。主要结论如下:
• 使用FEA进行金属切削仿真时,机械载荷预测的精度高度依赖于描述高应变率和高温下流动应力的材料模型;尽管Johnson-Cook模型被广泛使用,但在其标定范围外表现不佳,导致仿真与实验力之间存在差异。
• 为克服这一局限,首先利用分离式霍普金森压杆和Gleeble 3800c高温压缩试验等先进设备标定正火AISI 1045的Johnson-Cook模型,进而开发了一种灰箱建模方法。
• 对110个试验条件下的2D正交切削仿真与实验进行比较,发现仿真与实验确定的工艺力之间存在非线性偏差。由于机器学习算法能有效捕捉非线性,因此采用灰箱框架解决该问题,实施了随机森林、XGBoost、支持向量回归和神经网络,以及线性/多项式回归。
• 基于最低的MAE、MSE和MAPE,XGBoost最优地捕捉了切削力建模误差,而支持向量回归被确定为适合预测进给力误差。在该任务中,机器学习算法优于线性/多项式回归。
• 灰箱模型在切削/进给力预测中实现了1.3%的平均误差和0.1的标准差,表明基于物理的模型与数据驱动模型结合为灰箱模型,即使在有限数据下也能显著提高预测精度。