Ti–0.4O–4Fe合金热变形过程中的流动行为与微观组织演变：本构模型与人工神经网络建模

《Journal of Materials Science》：Flow behavior and microstructure evolution of Ti–0.4O–4Fe alloy during hot deformation: constitutive and artificial neural network modeling

　　Ti–0.4O–4Fe合金热变形的精确预测对于优化其热机械加工至关重要。本研究提出了一种修正的Fields–Backofen（MFB）本构模型，并将其与原始FB模型及两种人工神经网络（ANN）模型进行了基准对比。在700–850 °C和0.001–0.1 s?1条件下进行了等温压缩试验。预留了25%的留出数据集（覆盖所有应变速率的850 °C数据），专用于独立验证。微观组织演变强烈受热机械条件控制，升温和低应变速率有利于动态恢复和微观组织均匀化，而高应变速率则促进了变形不均匀性和显著亚结构的形成。在预留验证数据上，MFB模型显著优于FB模型（R = 0.988，平均误差 = 6.772%，而FB为R = 0.959，平均误差 = 29.89%）；在校准数据上，MFB实现了R = 0.993，平均误差为 ?0.291%。LM-ANN取得了最低的RMSE和MAE（R = 0.99998，MAE = 0.137 MPa，RMSE = 0.226 MPa，平均误差 = 0.0015%，误差范围为 ?1.574% 至 5.175%）。为进行对比评估，四种模型均被用于有限元（FE）模拟中，所得预测结果与相同的实验参考数据进行了比较。有限元严格用作共同的基准测试平台，而非独立的验证方法或用于预测变形结果。该集成的实验–本构–ANN–FE框架为流变应力预测、微观组织控制以及热变形加工优化提供了一种可靠的策略。