基于深度神经网络（DNN）的注射成型抗冲改性热稳定PA66汽车宽温域温度相关拉伸应力–应变行为预测

《Polymers》：Deep Neural Network-Based Prediction of Temperature-Dependent Tensile Stress–Strain Behavior in Injection-Molded Impact-Modified Heat-Stabilized PA66 for Automotive Applications

　　

深度神经网络（DNN）已成为预测工程聚合物温度相关拉伸响应的有前景工具。本研究开发了一种基于温度相关DNN的预测框架，用于估算抗冲改性热稳定聚酰胺66（PA66 IM HS）在与汽车应用相关的宽热范围内应力–应变响应。所提出的模型使用?40 °C至150 °C之间实验获得的拉伸数据进行训练和验证。所开发的框架成功捕捉了在所研究温度范围内实验观察到的非线性拉伸应力–应变响应。实验结果表明，刚度、拉伸强度、延性和屈服后变形强烈依赖于热条件，并伴随与玻璃化转变区域（glass transition region）和热激活变形过程相关的明显行为转变。与传统插值方法相比，所提出的DNN模型在实验表征温度处以及在所研究热域内中间温度处插值时，提供了稳定且物理一致的应力–应变预测。该模型准确再现了所评估热范围内的弹性行为、屈服转变和屈服后变形，与实验曲线取得极好的一致性。此外，实施了一种断裂感知插值策略（fracture-aware interpolation strategy），以保留低温下实验观察到的断裂行为。所得结果表明，所提出的基于DNN的方法可作为在所研究热域和实验域内估算温度相关单调拉伸应力–应变行为的计算工具。

研究背景与问题：DNN在估算工程材料热力学行为方面较传统本构方程具有处理复杂非线性关系和大数据集、预测更快更准确等优势，并可融合数据驱动信息与物理约束。温度相关粘弹性（viscoelasticity）和塑性（plasticity）变形显著影响PA66在汽车工程中的刚度、延性和耐久性。应力–应变（stress–strain）曲线是评估聚合物力学行为、识别弹性和塑性变形区间、开展失效分析和结构可靠性设计的重要工具；汽车部件服役温度可覆盖?40 °C至85 °C以上，ISO 16750-4:2023列出85、105、125、150 °C等最高工作温度分类及?40 °C最低温度。现有数据驱动本构模型多需更大更多样数据集，纯数据驱动模型可能受实验域采样不完整和缺乏显式物理约束限制；针对抗冲改性热稳定PA66（PA66 IM HS）、?40 °C至150 °C、每温度多试样、且保留低温断裂域的减少输入DNN插值框架研究仍有限。因此，研究人员开发并评估以应变和温度为输入、应力为输出的减少输入DNN框架，训练数据来自七个离散温度各五个试样的实验拉伸曲线，并采用断裂感知后处理约束低温预测。结论表明该框架能再现弹性、屈服、屈服后和低温断裂行为，在实验表征温度及中间温度给出物理一致插值；其意义在于为材料建模和有限元（finite element）校准提供补充应力–应变估计，但模型限于所研究实验条件，不能替代未表征温度下的实验验证。

关键技术方法（≤250字）：样本为工业注塑PA66 IM HS，按ASTM D638 Type I、50 mm/min测试，七温度（?40、0、23、85、105、125、150 °C）各5试样；详细工艺、取向和批次追溯因工业保密未披露。方法包括差示扫描量热法（DSC）和SDT Q600热分析、衰减全反射傅里叶变换红外光谱（ATR-FTIR）成分核验；DNN以应变和温度为输入、应力为输出，三层全连接（64/64/32）修正线性单元（ReLU），Adam优化算法，500 epochs，mini-batch 128，初始学习率0.001；采用留一温度验证（LOTO）及?40–23 °C断裂感知线性插值。

研究结果：
3.1 热表征（DSC与TGA）：DSC和SDT Q600显示约73 °C玻璃化转变区域、约256 °C熔融转变，TGA热降解起始约425 °C；测试至150 °C远低于熔融和降解，故拉伸变化与热软化一致而非热降解，但未建立玻璃化转变与拉伸响应的直接机制。
3.2 实验应力–应变行为：随温度升高，屈服强度、极限拉伸强度（UTS）和弹性刚度下降、断裂延伸增加；?40 °C呈脆性，UTS约116.83 MPa（应变6.25%），约7.75%断裂；150 °C UTS约21.69 MPa；UTS降低约81%，断裂应变由7.75%增至14%以上。
3.3 模型预测与实验数据比较：DNN预测跟踪各温度实验均值并位于实验散差包络内；?40 °C和0 °C断裂区散差较大，85–150 °C一致性较高；再现弹性、屈服转变和屈服后变形。
3.4 误差分析：预测误差在大部分变形范围较低，初始约0%–1.8%轴向应变出现峰值，归因于试样装夹、载荷稳定和微滑移等；稳定后误差快速下降。
3.5 DNN模型的LOTO验证：105 °C和125 °C最佳，均方根误差（RMSE）2.346和2.401 MPa，决定系数（R²）0.940和0.920；85 °C RMSE 4.922 MPa、R² 0.798；0 °C和23 °C较差，RMSE 14.612和19.740 MPa，23 °C的R²为0.038；插值精度依赖可用温度分布和相邻温度间响应变化幅度。
3.6 中间温度预测：10、95、140 °C预测UTS分别为89.35、39.22、26.06 MPa，均位于相邻实验温度值之间，曲线平滑无振荡；但无对应实验数据，应视为插值估计。
3.7 与其他工作比较：文献中人工神经网络、DNN或循环架构多用于室温或较窄温区；本研究覆盖?40 °C至150 °C，结合多试样实验和低温断裂约束，展示宽温域插值能力。

讨论与结论：热分析确认PA66 IM HS在机械测试范围内热稳定；拉伸性能呈强温度依赖，UTS由?40 °C的116.83 MPa降至150 °C的21.69 MPa，断裂应变由7.75%增至14%以上；DNN在10、95、140 °C给出物理一致插值，断裂感知策略防止低温下应力超过实验观察断裂应变后的非物理延续；LOTO表明预测精度非均匀，实验覆盖仍重要，未表征温度预测不能替代实验验证，扩展至其他加载、环境或材料需额外数据和独立验证。研究结论（译）：所提出的DNN成功再现了注射成型PA66 IM HS在所研究温度范围（?40 °C至150 °C）内拉伸应力–应变行为的主要温度依赖趋势，捕捉实验数据集中代表的弹性、屈服、屈服后和低温断裂状态。PA66 IM HS表现出强温度依赖力学响应，UTS从?40 °C的116.83 MPa降至150 °C的21.69 MPa，约降低81%，断裂应变从7.75%增至14%以上，表明随温度升高逐渐向更延性行为转变。SDT Q600热流信号识别约73 °C玻璃化转变区域和约256 °C熔融转变，热重信号表明热降解起始约425 °C。DNN框架再现实验表征拉伸响应，并在所研究热域内中间温度提供应力–应变插值估计；10、95、140 °C的UTS分别为89.35、39.22、26.06 MPa，应解释为插值估计而非独立实验验证。断裂感知策略防止了实验支持的低温范围内预测应力超过估计断裂应变后的非物理延续。LOTO验证表明预测精度非均匀：105 °C和125 °C的RMSE为2.346和2.401 MPa、R²为0.940和0.920；85 °C的RMSE为4.922 MPa、R²为0.798；保留0 °C和23 °C时RMSE为14.612和19.740 MPa，23 °C的R²为0.038。结果表明所提方法可作为实验表征热域内估算温度相关单调拉伸行为的计算工具，但实验覆盖仍重要，未表征温度预测不应视为实验验证替代，需要更高精度或训练温度间距较大时可能需要额外实验数据。