面向热成形钢组织与性能不确定性的随机过程建模与神经网络分布代理框架

《Materials Today Communications》：Hybrid stochastic and neural-network modelling of microstructure and property uncertainty in hot-formed steel

　　

热成形（hot forming）及冷却过程中组织演化的不确定性可导致钢材最终性能出现显著变异性。本工作建立了一个随机全流程建模框架（stochastic through-process modelling framework），用于将工艺条件、初始组织及冶金现象的变异性传播至热变形、再结晶、相变及基于模型的性能预测过程。该方法应用于S355J2钢，并用于生成覆盖广泛轧制与热处理条件的参考概率分布（reference probability distributions）。针对每一工艺条件，研究人员执行1000次随机实现（stochastic realizations），形成包含95,298个案例的数据集。为降低重复不确定性传播的计算成本，研究人员训练了一个神经网络代理模型（neural-network surrogate），以复现单一基于模型的冲击韧性描述符（model-based impact-toughness descriptor）的概率分布。该代理模型在采样工艺域内准确复现参考分布，在独立测试子集（independent test subset）上的平均近似推土机距离（Earth Mover’s Distance, EMD）为1.56 J/cm²，描述符中位数的平均绝对误差（MAE）为1.19 J/cm²。进一步分析表明，该代理模型在采样工艺域边界附近仍保持可比的预测性能。训练完成后，该代理模型将重复分布评估的计算成本降低了数个数量级。因此，所提出框架为热成形工艺链中的快速不确定性传播及未来不确定性感知工艺分析（uncertainty-aware process analysis）提供了高效基础。

研究背景方面，热成形及冷却过程中组织演化的不确定性会造成钢材最终性能的显著波动，工艺条件、初始组织、测量噪声及冶金现象的随机性均需在制造过程模拟中加以考虑。现有全场模型（如基于元胞自动机、Monte Carlo或Level Set方法）虽能描述异质多相组织演化，但计算成本高；平均场模型计算较快，却难以提供组织特征统计分布。机器学习代理模型已被用于降低组织敏感材料模拟成本，但常规确定性代理多预测均值或单一性能值，难以直接表征随机模型输出的概率分布。因此，研究人员旨在建立随机全流程建模框架，并引入基于多层感知机（multilayer perceptron, MLP）的分布代理模型，以传播热成形和冷却过程中的制造偏差与冶金随机性，直接预测基于模型的冲击韧性描述符概率分布，降低重复不确定性传播成本，为未来不确定性感知工艺分析与工艺窗口筛选提供计算基础。
研究人员开展了面向S355J2钢的随机全流程建模与不确定性传播研究，将热变形、再结晶、冷却相变及基于模型的性能预测耦合起来，并以概率控制再结晶和新相形核，将相应组织变量在连续时间步中演化，从而获得相组成、组织参数及最终产品性能分布。研究采用1000次随机实现构建参考分布，形成95,298个工艺条件数据集；训练MLP代理模型直接输出12箱直方图概率分布，并比较Kullback-Leibler（KL）散度损失与基于累积分布函数（CDF）的EMD型损失。结果表明，代理模型可较好复现参考分布，KL型MLP在独立测试集上平均CDF误差0.1166、平均近似EMD为1.56 J/cm²，中位数q_0.50的R²=0.964、MAE=1.19 J/cm²、RMSE=1.53 J/cm²；q_0.05和q_0.95误差较大，尤其上尾分位数更难复现。代理模型训练后批量推理约2.45×10^?5 s/工艺条件，相较单次1000实现参考计算约6–7 min，训练后推理加速约1.5×10⁷。其意义在于将重复随机全流程计算转化为单次神经网络评估，同时保留分位数和累积概率等分布级信息，为快速不确定性传播和未来工艺窗口评估提供基础。
关键技术方法概括（不超过250字）：研究人员采用S355J2钢（0.12 wt.% C、1.5 wt.% Mn）压缩试验及变形后奥氏体晶粒尺寸测量识别热变形与再结晶模型系数，采用膨胀试验识别冷却相变模型系数；以Gleeble 3800物理模拟进行组织演化验证；结合有限元热力历史与随机组织模型分析空间非均匀性；对每个工艺条件执行1000次Monte Carlo随机实现生成参考直方图；构建三层128神经元MLP，以softmax输出12箱直方图，并用KL散度和CDF型EMD损失训练分布代理模型。
研究结果方面：4.1 模型识别与验证。通过压缩试验、变形后奥氏体晶粒尺寸测量及膨胀试验进行逆分析识别模型系数，并用Gleeble 3800三级变形与三阶段冷却物理模拟验证；计算与实测奥氏体晶粒尺寸及铁素体晶粒尺寸直方图比较的EMD为0.186–0.616，表明模型能以较好精度复现热变形和冷却后的晶粒尺寸分布。需注意该验证针对组织演化部分，基于模型的冲击韧性描述符经验关系未用Charpy冲击测量独立验证。
4.2 产品性能不确定性。通过刚塑性热力有限元耦合随机材料模型分析棒材截面不同点的热力历史，并考虑再加热后奥氏体晶粒尺寸分布、加热温度不确定性、随机再结晶、空气冷却换热系数不确定性及随机相变；结果表明不确定性沿完整工艺链传播，截面空间热力历史差异与局部随机冶金事件共同造成铁素体晶粒尺寸、相特异性硬度和冲击韧性相关描述符的分散，因此产品质量不宜仅以期望值评价，还应采用概率分布和分位数。
4.3 基于MLP的分布代理模型精度与效率。通过独立测试子集比较参考与预测直方图、分位数、全概率范围分位数误差、训练稳定性及计算加速；KL型与EMD型MLP精度相近，KL型在多数指标略优并被选为主要代理。KL型模型平均CDF误差0.1166、平均近似EMD 1.56 J/cm²；中位数预测最好，q_0.05的R²=0.909、MAE=1.38 J/cm²，q_0.95的R²=0.927、MAE=3.20 J/cm²，尾部更敏感。与高斯参数基线相比，直方图MLP的CDF误差、近似EMD、KL散度、总变差距离及分位数R²均更优，说明直接直方图学习更适合该随机响应。五次独立训练集成显示对随机初始化较稳定；直方图分辨率在约8–31箱时预测指标较稳定，12箱作为分布分辨率、统计稳定性和输出维度间的折中。边界区域分析显示多数边界附近性能与中心区域可比，但第五目标厚度和再加热温度等边界及上尾q_0.95更具挑战。训练后批量推理约2.45×10^?5 s/工艺条件，相对一次参考随机计算约6–7 min，训练后推理加速约1.5×10⁷；该加速不含一次性HPC数据集生成和网络训练成本。
讨论部分总结：讨论指出，所提出随机全流程模型可将初始组织状态和工艺条件不确定性传播至最终组织描述符及基于模型的性能量，模型不仅给出单一确定性预测，还给出相关输出分布；实测与计算晶粒尺寸直方图吻合支持概率化再结晶与相变描述对组织分散的适用性，但经验冲击韧性描述符未用Charpy数据独立验证。不确定性分析表明，再加热后奥氏体晶粒尺寸分布、再加热温度变化、换热系数不确定性以及再结晶和相变随机性均沿工艺链累积，支持采用全流程而非孤立阶段建模；有限元获得的空间热力历史差异应与局部随机变异性区分，二者共同造成产品变异性。代理数据集采用代表轧制后段的六个道次简化参数化，其依据是热轧后组织主要受最后几道次影响，因此代理应理解为聚焦最影响部分的分布模型，而非完整17道次全部变量的独立代理。讨论强调性能应统计解释，即使期望值满足要求，分布下尾仍可能对质量控制关键；分位数和概率分布比均值更有用。计算成本是直接随机传播的主要限制，MLP代理直接学习随机模型统计响应并输出离散概率直方图，KL型与EMD型损失精度相近，KL型略优；中位数预测最准，尾部误差较大。参考直方图由有限Monte Carlo样本构成，存在有限采样不确定性，尤其尾部；深度集成显示代理对随机初始化较稳定。代理训练后推理约2.45×10^?5 s，较参考计算加速约10⁷量级，但数据集生成与训练成本一次性发生，盈亏平衡约10⁵次代理查询。代理输出可用于未来基于可靠度的工艺窗口分析，例如由预测累积分布估计P(E_dlim)或使用q_0.05作为下尾准则，但本研究未执行可靠度约束工艺窗口筛选或优化。局限包括：输入采用简化轧制参数化；仅针对单一基于模型的冲击韧性描述符和固定12箱表示；其他输出需专用数据集与分箱；不可外推至训练域外；高斯基线仅为一个简单参数基线；硬度为相特异性而非多相组织整体硬度；冲击韧性量为J/cm²的基于模型比冲击能描述符，不是标准Charpy冲击能KV的直接预测；经验关系及尾部分位数仍需更广实验验证。总体而言，该框架为不确定性感知工艺分析提供有用计算路径，使从确定性工艺—性能预测迈向未来基于分布的工艺设计。
研究结论翻译：研究人员开发了一个随机全流程模型，并将其应用于S355J2钢热成形和冷却过程中组织演化及基于模型的性能不确定性预测。该模型结合热变形、再结晶、相变和性能预测描述，同时显式考虑初始奥氏体晶粒尺寸分布、再加热温度不确定性、冷却换热系数变异性及冶金转变随机性。结果表明，不确定性沿完整工艺路线传播并影响最终组织和性能相关量分布；有限元获得的热力历史空间差异导致不同局部组织演化路径，再结晶和相变随机性进一步造成最终铁素体晶粒尺寸、相特异性硬度和基于模型的冲击韧性描述符分散，因此产品质量应同时以概率分布和分位数分析，而不能仅看期望值。模型通过与热变形和冷却实验获得的晶粒尺寸分布比较得到验证，计算与实测直方图吻合表明随机表述可复现实验观察到的组织参数分散。为降低重复随机模拟成本，研究人员提出MLP分布代理模型；与确定性代理不同，该网络预测单一基于模型的冲击韧性描述符的离散概率分布，其内部范围100–260 J/cm²划分为10个等宽箱，并另设低于100 J/cm²和高于260 J/cm²两个边界箱，共12个输出箱；训练参考分布来自每个工艺条件1000次随机实现。比较KL散度和基于CDF的EMD型损失，两种变体精度相似，KL型MLP测试集性能略优并选为最终代理；独立测试集上KL型平均CDF误差0.1166、平均近似EMD 1.56 J/cm²，中位数R²=0.964、MAE=1.19 J/cm²、RMSE=1.53 J/cm²，下分位数和上分位数较难复现，尤其q_0.95，与尾部分位数对直方图形状小变化更敏感一致。代理显著降低计算成本：参考随机计算基于1000次实现生成一个分布约需6–7 min，训练后MLP批量推理约2.45×10^?5 s生成一个分布，训练后批量推理加速约1.5×10⁷，但不含一次性HPC训练数据生成和网络训练成本；训练后可在训练数据采样工艺域内快速预测新工艺条件描述符分布。主要局限是MLP代理仅针对单一基于模型的冲击韧性描述符和固定输出范围，12箱表示特定于该描述符和范围；其他输出如铁素体晶粒尺寸、相分数或硬度需输出专用训练数据和分箱方案；代理不应外推至训练数据工艺域之外。未来工作应扩展至多输出分布、改进尾概率表示，并用更广实验数据库验证预测性能分布。总体而言，所提框架为不确定性感知工艺分析提供高效路径：随机全流程模型实现有物理依据的组织变异性传播，MLP分布代理使重复评估在计算上可行，二者结合为未来热成形与冷却工艺窗口筛选及不确定性感知优化提供计算基础。