利用基因表达编程技术对用于大型结构的5A06铝合金在高温流动应力下的性能进行了预测
《Alexandria Engineering Journal》:A gene expression programming-enabled prediction for hot flow stress of 5A06 aluminum alloy used in large structures
【字体:
大
中
小
】
时间:2026年02月14日
来源:Alexandria Engineering Journal 6.8
编辑推荐:
王静|梁强|李燕|王勇
重庆工商大学机械工程学院,中国重庆400067
**摘要**
5A06铝合金的热轧对于航空航天和造船工业中大型结构部件的制造至关重要。准确预测合金的热流应力对于优化轧制过程和确保产品质量至关重要。本研究使用Gleeble-3500设备进行了热
王静|梁强|李燕|王勇
重庆工商大学机械工程学院,中国重庆400067
**摘要**
5A06铝合金的热轧对于航空航天和造船工业中大型结构部件的制造至关重要。准确预测合金的热流应力对于优化轧制过程和确保产品质量至关重要。本研究使用Gleeble-3500设备进行了热压缩实验以获取实验数据。实验在多个温度水平(分别为573 K、623 K等,最高达到773 K)下进行,采用了不同的应变率(从0.01 s?1到10 s?1,每次增加10倍),最终得到的最大变形百分比为60%。建立了Johnson-Cook(J-C)、Zerilli-Armstrong(Z-A)和Gene Expression Programming(GEP)本构模型,并通过统计分析和DEFORM-2D有限元模拟(FES)评估了这些模型的准确性。统计结果显示GEP模型的性能最佳:R2=0.98(J-C:0.96,Z-A:0.95),最低RMSE=11.41(J-C:26.51,Z-A:30.43),MAE=8.62(J-C:18.83,Z-A:15.86),AARE=9.47%(J-C:31.40%,Z-A:11.64%)。FES进一步证实了GEP模型的优越性,因为它显示出最小的载荷偏差。此外,在两组条件下对非实验条件下的变形应力进行了预测:一组为应变率为0.1 s?1、变形温度为593 K和643 K;另一组为变形温度为573 K、应变率为0.05 s?1、0.5 s?1和2.5 s?1。结果表明,593 K和643 K下的应力曲线与573 K、623 K和673 K下的实验曲线趋势一致,并位于相应的区间内;同样,0.05 s?1、0.5 s?1和2.5 s?1下的应力曲线也符合0.01 s?1、0.1 s?1和1 s?1下的实验曲线趋势,且应变率越高,变形应力越大。GEP模型不仅能有效预测实验条件下的流应力,还能预测非实验条件下的流应力,从而为5A06铝合金的热轧过程的数值模拟和工艺优化提供了有价值的工具。
**1. 引言**
**类别** | **符号** | **定义** | **单位**
--- | --- | --- | ---
J-C模型 | σ | 真应力(MPa) |
ε | 真应变(n) |
n | 应变硬化指数(m) |
T* | 同温软化系数(A) |
σB | 材料应变硬化参数(MPa) |
C | 材料应变率硬化参数(n) |
ε?* | 等效应变率(?1) |
T* | 变形温度(K) |
KTm | 熔点温度(K) |
KTref | 特定温度(K) |
**Z-A模型** | T | 绝对温度(K) |
KA0 | 屈服应力的非热成分(MPa) |
A1, A2, A3 | 材料特定参数(n) |
ε?* | 无量纲塑性应变率(?1) |
ε?0 | 参考应变率(?1) |
Tref | 参考温度(K) |
KC1-C6 | 材料常数(G) |
**GEP模型** | h | 基因头部长度(m) |
C1 - C7 | 常数(d) |
d0 | 真应变(d) |
d2 | 变形温度(K) |
KY | 真应力(MPa) |
5A06铝合金属于Al-Mg铝合金系列,因其高比强度、良好的耐腐蚀性、优异的焊接性能、在挤压和退火状态下的良好塑性、良好的机械性能和可成形性,在航空航天[1]、船舶建造[2]、大型结构[3][4]和汽车工业[5]等多个领域得到广泛应用,例如飞机机身、机翼、船体、甲板、汽车车身、轮毂、屋顶支撑结构以及海滨建筑结构等。用于制造大型结构部件的铝合金板材均通过轧制工艺生产。本构模型是金属材料塑性变形有限元模拟(FES)的核心基础,其预测准确性直接决定了制造过程数值模拟的可靠性和工程价值。对于5A06铝合金的轧制,建立能够准确描述其热变形行为的本构模型对于工艺优化、质量控制和效率提升至关重要。这不仅为轧制模拟提供了可靠的参数,还为实际生产提供了理论指导,具有重要的学术意义和工业应用价值。
国内外学者通过热压缩试验对材料在热变形过程中的本构模型进行了广泛研究。常用的本构模型包括Arrhenius模型[7]、Johnson-Cook(J-C)模型[8](由Johnson G R和Cook W H提出)以及Zerilli-Armstrong(Z-A)模型[9](由Frank J. Zerilli和Armstrong R W提出)。目前,学者们对5A06铝合金的本构模型也进行了一定研究,主要集中在拉伸本构模型方面。Jiao等人[10]在150–300°C的温度范围内建立了5A06-O铝镁合金板材的本构模型,并基于实验结果使用通用有限元软件MSC开发了5A06-O铝镁合金的热成形有限元模拟平台。Ahmad等人[11]采用了三种不同的模型:人工神经网络(ANN)、Johnson-Cook模型和反向传播(BP)模型来预测Al-Mg合金的流应力。Wang等人[12]基于实验流数据的部分导数构建了5A06铝合金的本构模型,且没有显著增加材料参数。Song等人研究了5A06铝合金在激光振荡熔融沉积成形过程中的孔洞抑制机制[13]。Kim等人[14]开发了一种考虑Al-Mg-Si合金单步或三步时效处理过程中个别沉淀物特性的Al-Mg合金本构模型。
目前,学者们还研究了5A06铝合金的机械性能、摩擦特性和焊接性能。Lu、Yang等人[15]研究了激光焊接5A06铝合金的微观结构和断裂行为。Ye、Tao等人[16]通过低温拉伸试验研究了5A06铝合金的低温机械性能,并通过往复线性摩擦磨损试验研究了该合金的低温摩擦学性能。Geng、Yingxin等人[17]开发了一种新型液态CO?辅助摩擦搅拌加工技术,显著提高了5A06铝合金的微观结构控制能力和机械性能。
GEP是一种基于著名遗传算法(GA)的进化算法,用于自动创建计算机程序。GEP通过模拟生物基因的进化过程,自主构建适用于特定问题的计算模型。通过有序组合自然选择筛选出的最佳个体,可以进化出高效的计算模型[18]。与传统遗传算法相比,GEP具有代码长度灵活、收敛速度快和实现容易等优点。它广泛应用于函数拟合、分类预测和优化控制等领域[19][20][21]。与传统算法不同,GEP不需要手动指定函数,可以自主发现最佳解决方案,在解决复杂问题时具有显著优势。Wang等人[22]研究了2024A铝合金的热变形性能,并使用GEP方法构建了该合金的材料模型。Chen、Wei等人[23]以无铅焊料为研究对象,采用GEP方法推导了蠕变数据的本构模型,并重点研究了焊料在不同尺度下的机械性能和结构变形机制。Hamamci、Benek[24]实验研究了铝合金和碳纤维增强聚合物复合材料对粘接接头机械性能的影响,分析了不同条件下的实验对拉伸失效载荷值的影响,并同时采用人工神经网络和GEP模型进行失效载荷预测。Shantanu Debnath等人[25]通过搅拌铸造方法制备了不同质量分数的SiC颗粒增强Al-Cu合金基复合材料,建立了预测模型,使用ANN和GEP方法将Al-4.5% Cu-SiC复合材料在电火花加工(EDM)过程中的材料去除率、工具磨损率和表面粗糙度与三个加工参数(脉冲开启时间、脉冲关闭时间和放电电流)以及SiC颗粒的质量分数相关联。结果表明,GEP模型的预测能力优于ANN模型,其相关系数更高,均方根误差更低,表明其在预测EDM过程结果方面更有效。A. R. Rafieerad等人[26]基于GEP模型预测了铌物理气相沉积涂层的粘接强度和硬度,旨在在Ti67基底上生长混合氧化物纳米管阵列。结果表明,GEP模型训练和测试阶段的计算值与通过Taguchi方法设计的实际实验值高度一致。
上述研究主要集中在5A06铝合金板材的拉伸性能相关的本构模型研究上,为合金板材成形提供了理论基础。然而,5A06铝合金轧制过程的有限元模拟需要基于热压缩实验建立的本构模型。同时,在合金热变形应力预测领域,当前的研究方法仍存在显著局限性:虽然传统物理模型对潜在机制有清晰的理解,但其预测精度不足以满足工业需求。另一方面,以神经网络为代表的机器学习方法可以实现高预测精度[27][28],但由于缺乏明确的解析表达式,难以直接集成到Deform等商业成形模拟软件中。GEP算法凭借其独特的进化计算机制,可以从数据中自动挖掘隐式非线性关系并生成具有解析形式的数学模型,为解决这一难题提供了新的研究方法。进一步文献检索显示,迄今为止尚未有使用GEP方法构建该材料本构模型的研究报道。本研究基于热压缩实验数据,使用J-C模型、Z-A模型和GEP方法为5A06铝合金开发了本构方程。通过统计技术和有限元建模,对三种模型的预测差异进行了比较评估,特别关注GEP在构建热变形本构模型中的应用。
**2. 材料与实验**
本研究使用了经过均匀化退火处理的5A06铝合金锭。金属成分详见表1,金相结构如图1(a)所示。5A06铝合金的主要成分包括Al、Mg、Mn等。Mg是主要的强化元素,可以显著提高合金的强度和耐腐蚀性。Mn可以细化晶粒并改善合金的机械性能。此外,Si和Fe元素也会影响合金的性能。5A06铝合金的微观结构主要包括α-Al固溶体基体和Mg5Al8金属间化合物。通过适当的热机械技术调节合金的微观结构,可以改善其机械性能。考虑到后续需要轧制生产锭材,选择了平面压缩试验进行热压缩实验。试样尺寸为10 mm×15 mm×20 mm。使用Gleeble-3500设备进行热机械模拟,实验系列包括在573 K至773 K的温度范围内施加60%的压缩应变,间隔为50 K。这些试验的应变率从0.01 s?1增加到10 s?1,每次增加10倍。共进行了20组实验。为了确保收集数据的低噪声和平滑的数据曲线,根据实验中的应变率动态调整采集频率:应变率为0.01 s?1时采样频率为5 Hz,0.1 s?1时为50 Hz,1 s?1时为500 Hz,10 s?1时为5000 Hz。样品在进行热压缩试验前需要预热。为了确保样品均匀加热,首先用无水乙醇对5A06铝合金样品进行超声清洗以去除表面油渍。采用热电偶加热,将热电偶焊接在样品的中上部以确保热电偶与样品之间的牢固连接。样品以5 K/s的加热速率加热至设定温度,并保持180秒,以消除样品内部的温度梯度并减少温度各向异性。为了减少样品与压头之间的接触摩擦并降低剪切应力的干扰,在样品与压头界面使用了石墨粉作为润滑剂。压头和压缩样品见图1(b)。在高温压缩完成后,样品经历了突然的水冷过程,以保持因高温变形而改变的结构。表1. 5A06铝合金成分(wt%):Mg 5.8–6.8, Mn 0.5–0.8, Ti 0.02–0.1, Be 0.0001–0.0005, Fe <0.4, Cu <0.2, Si <0.4, Al <0.4。下载:下载高分辨率图片(285KB);下载全尺寸图片。图1. 5A06铝合金样品:(a) 金相结构;(b) 样品形状和加载条件。为了验证实验的可重复性,每组实验条件都进行了三次测试。图2展示了在应变率为0.01 s^-1时,不同温度下三次测试得到的应力-应变曲线。从图2可以看出,每组实验条件下的数据高度一致,表明实验具有出色的可重复性。图2(f)显示了在应变率为0.01 s^-1、五种不同变形温度下进行的三次重复测试的标准偏差,标准偏差是使用公式(1)计算得出的。如图2(f)所示,在这些变形条件下获得的所有标准偏差都小于5%,进一步证实了实验结果的优异可重复性。此外,为了模型预测和准确性评估,在0.05–0.9的应变范围内,每隔0.05提取了一个实验数据点。每个应变对应的应力值是三次重复测试的平均值。(1)S=√(1/N∑i=1/N(Xi?Xˉ)^2,其中S是标准偏差,N是样本数量,X是样本数据,Xˉ是样本数据的平均值。下载:下载高分辨率图片(663KB);下载全尺寸图片。图2. 在不同温度下0.01 s^-1的三条实验曲线。图3展示了5A06铝合金的真实应力-应变关系。随着应变的增加,应力迅速增长,然后缓慢下降并最终稳定。在早期阶段,主要作用是加工硬化。随着变形程度的增加,动态恢复和动态再结晶(两种动态软化形式)开始抵消加工硬化,从而导致应力降低。当加工硬化和动态软化达到平衡时,应力不再降低并保持稳定的水平。此外,图3表明应力变化规则随变形参数而变化。应力随温度的升高而降低,随应变率的增加而增加。在较高的应变率和较低的温度下,动态恢复是主要的动态软化机制。随着温度的升高,动态再结晶的晶粒更容易形成,加速了再结晶过程。对于固定的应变,较慢的应变率提供了更多的变形时间,促进了样品内的动态恢复和再结晶。随着应变率的增加,在相同的温度和应变条件下,变形应力显著增加。原因是应变率增加时,变形时间缩短,位错增殖加速。在高应变率下,位错增殖率远高于湮灭率。同时,热激活能量不足,使得位错难以通过攀移、交叉滑移或其他机制进行长距离运动。相反,位错倾向于在晶界和沉淀物处大量积累,导致局部应力集中。从宏观上看,这与低应变率下的应力显著增加相对应。下载:下载高分辨率图片(380KB);下载全尺寸图片。图3. 不同应变率下5A06的真实应变-应力曲线。3. 构成模型3.1. J-C模型1985年,Gordon R. Johnson和William H. Cook开发的J-C模型展示了应变率、应变、温度与材料机械响应之间的联系。该模型常用于模拟高温下材料的静态和动态条件下的应力-应变特性。该模型结合了加工硬化、应变率效应和温度诱导的软化,能够更好地预测金属材料在复杂加载条件下的应力-应变关系。J-C模型具有形式简单、参数校准容易和计算效率高的优点,可以应用于铝合金的初步工艺设计。然而,对于航空航天领域高精度组件的精轧工艺,J-C模型的基本模型难以满足精度要求,需要进一步修正[29]、[30]、[31]。在高应变率和高温下的应力-应变关系通常用以下表达式表示:(2)σ=(A+Bεn)[1+Cln(ε?*)][1?(T*)^m],其中σ表示真实应力,ε表示真实应变,n是应变硬化指数,m是温度软化系数,A代表材料在特定条件下的屈服应力,B表示材料的应变硬化参数,C表示材料的应变率硬化参数,ε?*表示等效应变率(由公式(3)计算得出),T*是同温温度(由公式(4)计算得出)。在公式(3)中,ε?0是在特定条件下的应变率,在公式(4)中,T表示变形温度,Tmelt表示熔点温度,Tref表示参考温度。本文选定的参考温度为573 K,特定应变率为0.01 s^-1。(a) ε?=0.01 s^-1 (b) ε?=0.1 s^-1 (c) ε?=1 s^-1 (d) ε?=10 s^-1在指定参数下,公式(2)简化为公式(5)。(5)σ=(A+Bεn)根据指定条件下的应力,可以确定这种变形条件下的屈服应力A为150 MPa。对公式(4)的两边应用对数变换得到公式(6):(6)ln(σ?A)=ln(B+nlnε),公式(6)表明ln(σ?A)和lnε呈线性相关。通过在指定条件下选择应变分别为0.05、0.1、0.15……0.9的数据进行线性回归,得到了斜率n。该值用于公式(6)计算B,从而得出n=0.2147;B=66.683。在给定温度下,为了考虑应变率对变形应力的影响,应力表达式用公式(7)表示,该公式简化为公式(8)。在公式(8)中,参数已经确定,σA+Bεn与ln(ε?ε?0)之间存在线性关系,其中C是斜率。通过在573 K和0.01 s^-1的指定条件下,绘制不同应变率下的应力值曲线(如图4所示),通过线性拟合得到C值C=0.0789。(7)σ=(A+Bεn)[1+Cln(ε?ε?0)](8)σ(A+Bεn)=1+Cln(ε?ε?0)下载:下载高分辨率图片(68KB);下载全尺寸图片。图4. σA+Bεn与ln(ε?ε?0)之间的曲线。考虑到变形温度对特定应变率下变形应力的影响,公式(2)转化为公式(9)。(9)σ(A+Bεn)[1+Cln(ε?*)]=[1?(T*)^m]为了方便书写,令Y=σ(A+Bεn)[1+Cln(ε?*)],公式(8)转化为公式(10),并通过对方程(10)进行对数变换得到公式(11)。(10)1?Y=(T*)^m(11)lnY=mlnT*选择ε?=0.01 s^-1和ε=0.3,以及变形温度573 K、623 K、673 K、723 K、773 K,绘制了lnY与lnT*之间的曲线,如图5所示。通过线性拟合得到斜率(m=1.0008)。所有材料参数见表2。下载:下载高分辨率图片(63KB);下载全尺寸图片。图5. lnY与lnT*之间的曲线。表2. J-C模型的材料参数。ABn C m 150 6 6.683 0.2147 0.0789 1.0008 3.2. Z-A模型20世纪70年代,Zerilli和Armstrong共同提出了一个创新的Z-A模型[32],这是一个对变形温度和应变率敏感的本构关系,基于位错理论。此外,该模型具有坚实的物理基础,其参数具有明确的物理意义。在原始Z-A模型的框架内,如公式(12)所述,所有涉及的参数都是未确定的系数。尽管该模型的构建过程考虑了位错理论,但它未能考虑变形条件之间的相互影响,这与实际情况不符,严重影响了模型的预测准确性。Kyong Ho Sim等人提出了一个改进的Z-A模型,用于预测Ti-22Al-25Nb合金在热变形过程中的应力[33]。该模型充分考虑了变形率、温度和应变之间的相互影响。修订后的Z-A模型表示为公式(13)[34]。(12)σ=A0+A1εnexp(?A2T+A3Tlnε?)在这个方程中,σ表示材料的流动应力,ε表示等效塑性应变,ε?表示材料的应变率,T表示绝对温度,A0-A3和n是材料特定的参数[35]。(13)σ=(C1+C2εn)exp{?(C3+C4ε)T*+(C5+C6T*)lnε?*)其中,σ、ε、ε?、T、n的含义与公式(11)中相同,ε?*表示无量纲塑性应变率,由ε?*=ε?ε?0计算得出,ε?0表示参考应变率,Tref表示参考温度,C1-C6是材料常数。该模型使用基准温度(573 K)和应变率(0.01 s^-1)作为参考值。本文基于上述改进的Z-A模型预测了5A06铝合金的高温流动应力。C1表示在参考温度和应变率下发生的屈服应力。公式(14)是通过对方程(13)的两边应用对数变换得到的。(14)lnσ=ln(C1+C2εn)?(C3+C4ε)T*+(C5+C6T*)lnε?*在不同变形条件下,当变形应变率等于参考应变率时,公式(14)可以简化为公式(15),其中lnσ与T*之间的关系是线性的。从18组不同温度(间隔0.05)下的应变为0.05到0.9的数据中选择应力-应变数据绘制图表,如图6所示。通过线性回归分析可以确定参数a?和b?,分别代表线性关系的斜率和截距。(15)lnσ=ln(C1+C2εn)?(C3+C4ε)(16)a1=ln(C1+C2εn)(17)b1=C3+C4ε下载:下载高分辨率图片(81KB);下载全尺寸图片。图6. lnσ与T*之间的曲线。通过操作公式(16)得到公式(18)。(18)ln[exp(a)?C1]=lnC2?nlnε在公式(18)中,ln[exp(a)?C1]与lnε之间是线性的。根据在不同应变下计算的a1和C1的值,可以确定ln[exp(a)?C1]的值。图7展示了ln[exp(a)?C1]与lnε之间的相关性。通过线性拟合得到斜率(m=1.0008)和截距(lnC2)。所有材料参数见表2。下载:下载高分辨率图片(63KB);下载全尺寸图片。图5. lnY与lnT*之间的曲线。表2. J-C模型的材料参数。ABn C m 150 6 6.683 0.2147 0.0789 1.0008 3.2. Z-A模型20世纪70年代,Zerilli和Armstrong共同提出了一个创新的Z-A模型[32],这是一个对变形温度和应变率敏感的本构关系,基于位错理论。此外,该模型具有坚实的物理基础,其参数具有明确的物理意义。在原始Z-A模型的框架内,如公式(12)所述,所有涉及的参数都是未确定的系数。尽管该模型的构建过程考虑了位错理论,但它未能考虑变形条件之间的相互影响,这与实际情况不符,严重影响了模型的预测准确性。Kyong Ho Sim等人提出了一个改进的Z-A模型,用于预测Ti-22Al-25Nb合金在热变形过程中的应力[33]。该模型充分考虑了变形率、温度和应变之间的相互影响。修订后的Z-A模型表示为公式(13)[34]。(12)σ=A0+A1εnexp(?A2T+A3Tlnε?)在这个方程中,σ表示材料的流动应力,ε表示等效塑性应变,ε?表示材料的应变率,T表示绝对温度,而A0-A3和n是材料特定的参数[35]。(13)σ=(C1+C2εn)exp{?(C3+C4ε)T*+(C5+C6T*)lnε?*)其中,σ、ε、ε?、T、n的含义与公式(11)中相同,ε?*表示无量纲塑性应变率,由ε?*=ε?ε?0计算得出,ε?0表示参考应变率,Tref表示参考温度,C1-C6是材料常数。该模型使用基准温度(573 K)和应变率(0.01 s^-1)作为参考值。本文基于上述改进的Z-A模型预测了5A06铝合金的高温流动应力。C1表示在参考温度和应变率下发生的屈服应力。公式(14)是通过对方程(13)的两边应用对数变换得到的。(14)lnσ=ln(C1+C2εn)?(C3+C4ε)T*+(C5+C6T*)lnε?*在不同变形条件下,当变形应变率等于参考应变率时,公式(14)可以简化为公式(15),其中lnσ与T*之间的关系是线性的。从18组不同温度(间隔0.05)下的应变为0.05到0.9的数据中选择应力-应变数据绘制图表,如图6所示。通过线性回归分析可以确定参数a?和b?,分别代表线性关系的斜率和截距。(15)lnσ=ln(C1+C2εn)?(C3+C4ε)(16)a1=ln(C1+C2εn)(17)b1=C3+C4ε下载:下载高分辨率图片(81KB);下载全尺寸图片。图6. lnσ与T*之间的曲线。通过操作公式(16)得到公式(18)。(18)ln[exp(a)?C1]=lnC2?nlnε在公式(18)中,ln[exp(a)?C1]与lnε之间是线性的。根据在不同应变下计算的a1和C1的值,可以确定ln[exp(a)?C1]的值。图7展示了ln[exp(a)?C1]与lnε之间的相关性。通过线性拟合得到斜率(n)和截距(lnC2),从而可以计算材料常数C2。按照相同的方法,可以相应地得出C?和C?的值。下载:下载高分辨率图片(120KB);下载全尺寸图片。图7. ln[exp(a)?C1]与lnε之间的曲线,b1和ε。在变形应变率偏离参考应变率的情况下,公式(14)中lnσ与lnε?*之间的关系是线性的,C6T*是斜率,C5是截距。图7显示了18组lnε?*和C6T*的数据。通过图8的拟合得到18组数据的斜率和截距。此外,还确定了不同变形条件下的C5和C6的值。所有材料常数见表3。下载:下载高分辨率图片(73KB);下载全尺寸图片。图8. lnσ与lnε?*之间的曲线。表3. Z-A模型的材料常数。C1 C2 C3 C4 C5 C6 150 6 3.926 6 0.008 57.5*10^-4 0.05 3 27.8 1*10^-4 3.3. GEP模型Carlos Ferreira在2001年提出了遗传表达编程(GEP)的理论框架[18]。GEP作为一种进化技术,通过将染色体内的遗传物质转换为表达式来逐步生成线性遗传配置,从而解决问题,实现最优解。在GEP框架中,问题的解决方案由基因表达树表示,这些树反映了遗传表达的概念。这些树由基因分组组成,每个基因是树结构中的一个顶点。基因是构成染色体的基本单位,主要由头部(h)和尾部(t)组成。对于特定问题,基因头部的长度是固定的,而尾部(t)的长度根据公式(19)计算得出。(19)t=h(n?1)+1其中,h表示头部的长度,t表示尾部的长度,n指函数中需要最大变量多样性的总参数。在GEP中,基因是最小的单位,可以以两种方式表示:表达式或表达树(ET),分别代表基因型和表型。这两种形式是可以转换的。所有ET通过根节点使用“+”或布尔函数连接。头部允许函数,而尾部只允许终端和常数。如图9所示,模型由三个ET组成:Sub-ET1表示表达式a+bc,Sub-ET2表示表达式a(b+c),Sub-ET3表示表达式a/(c?d)。最终模型是这三个表达式的总和,即a+bc+a(b+c)+a/(c?d)。下载:下载高分辨率图片(48KB);下载全尺寸图片。图9.染色体编码方法。在本文中,使用GeneXproTools 5.0软件按照步骤1)-9)获得了高精度的本构模型。1) 初始种群创建:选择热压缩过程的参数作为初始数据。初始数据被随机分为训练集和验证集,本研究使用了240组训练数据和120组验证数据。训练数据用于学习模型参数,而验证数据用于模型评估。2) 函数集和变量设置:选择了函数集F = {+, -, *, /, tanh(x), log}和变量集T = {d0, d1, d2},其中d0是应变,d1是应变率,d2是变形温度,输出是应力。3) 适应度评估函数:选择均方根误差(RMSE,公式(20))作为适应度函数。4) 基因数量和头部长度的确定:基因数量和头部长度直接影响模型的准确性。图10提供了决定系数(R2,公式(21))、RMSE和头部长度之间的关系。从图10可以清楚地观察到,模型的R2和RMSE受到头部长度和基因数量的显著影响。其中,头部长度和基因数量对模型预测准确性和预测误差的影响没有明显的规律。随着染色体数量的增加,模型的预测准确性R2先增加后减少,而预测误差RMSE先减少后增加。基于图10,本文选择了最优参数集,结果显示头部长度、基因数量和染色体数量的最优值分别为4、9和30。(20)RMSE=1/N∑i=1N(Ei?Pi)2(21)R2=1?∑i=1N(Ei?Pi)2∑i=1N(Ei?Eˉ)2其中:Ei表示实际值,Pi是模型预测值,Eˉ表示实验数据的平均值,N表示样本总数。较高的R2值和较低的RMSE值表示较高的预测准确性。下载:下载高分辨率图像(236KB)下载:下载全尺寸图像图10. 染色体数量、头部长度和基因数量对预测准确性的影响。(a) 头部长度和基因数量对R2的影响 (b) 头部长度和基因数量对RMSE的影响 (c) 染色体数量对R2和RMSE的影响。5) 参数设置:通过初步测试,根据表4确定了最优参数。表4. GEP设置参数。参数类别参数名称设置/具体描述遗传运算符突变概率0.1单点重组0.3两点重组0.3基因重组0.1基因转位0.1IS转位0.1RIS转位0.1种群与染色体种群大小1000基因头部长度3染色体数量30基因数量7进化与收敛最大代数10000收敛阈值10?5适应度函数Copula函数+每个基因的常数4下限-10上限10数据类型浮点数6) 停止条件设置:研究选择了一个停止条件,即R2接近1。7) 函数在训练数据上的训练:在训练数据上训练函数以构建模型。8) 函数的验证:使用构建的函数验证验证集中的数据,测试函数的预测效果。9) 预测结果与实验结果的比较分析:通过将预测结果与实验数据进行匹配来评估方法的可靠性。使用GeneXproTools 5.0,并按照上述参数设置运行程序,获得了最优染色体。此时,染色体上每个基因对应的子表达树如图11所示,其中C代表一个随机常数。C0-C7分别为16.878、22.431、0.399、?8.289、8.990、841.073、?34.343和19.053。由于染色体上每个基因的连接函数为“+”,因此可以相应地得出5A06铝合金的最优本构模型,如公式(22)所示。(22)Y=Y1+Y2+Y3+Y4Y1=[(C4C5)1/3?(C5C5)1/3](d11/3+C3)Y2=C0log[tanh(C2d2)?tanh(d1)]+C1Y3=[C6log(d0)]1/3?(C6d0+d1?C6)1/3Y4=d1log{tanh[tanh(d0d1C7)]}下载:下载高分辨率图像(257KB)下载:下载全尺寸图像图11. 表达树。将所有常数和变量代入公式(22),可以得到5A06铝合金的本构模型,如公式(23)所示。(23)σ=16.878log[tanh(0.399T)?tanh(ε?)]+[?34.343log(ε)]1/3?(?34.343ε+ε?+34.343)1/3+ε?log{tanh[tanh(εε?19.053)]}?69.4749(ε?)1/3+698.306其中,σ表示真实应力,ε表示真实应变,ε表示真实应变率,T是变形温度。为了验证GEP模型是否能准确反映5A06铝合金的变形应力与变形参数之间的关系,对模型进行了敏感性分析,并将结果与实验数据进行了比较。在分析一个参数时,其他参数被设置为从实验数据中选定的常数值,以确保与实验结果的有效比较。在分析变形应力与应变的关系时,应变率设置为0.01?s?1,温度设置为723?K。在分析变形应力与应变率的关系时,应变固定在0.5,温度设置为623?K。在分析变形应力与温度的关系时,应变设置为0.5,应变率设置为0.1?s?1。在本研究中,对GEP模型中的参数d?、d?和d?(分别代表变形应变率、变形温度和应变)进行了敏感性分析。分析结果如图12所示。可以观察到,在GEP模型中,5A06铝合金的变形应力随着应变的增加而增加,随着变形温度的降低而减小。这一趋势与实验数据一致。下载:下载高分辨率图像(207KB)下载:下载全尺寸图像图12. GEP本构模型的敏感性分析结果。4. 结果与讨论4.1. 统计方法测试分析R2:用于量化模型预测值与实验数据之间的线性相关性,其值范围为[0, 1]。R2越接近1,模型解释数据变化趋势的能力越强[36]。RMSE:定义为预测值与相应实验数据点之间误差平方的平均值的平方根。它反映了预测误差的分布,并对异常值敏感[37]。MAE(公式(23):指预测值与实际值之间绝对误差的平均值。它直观地反映了预测误差的大小,其值范围从0到正无穷大。较小的MAE(越接近0)表示模型性能越好[38]。AARE(公式(24)是所有个别相对误差的平均值。它用于评估实验结果与真实值之间的相对误差水平,反映了测量数据的准确性和稳定性[39]。R2、RMSE、MAE和AARE在评估模型预测误差时表现出很好的互补性。因此,本研究选择了这四个指标来评估三个模型的预测误差。(23)MAE=1/n∑i=1n|Ei?Pi|(24)AARE%=1/n∑i=1n|Ei?Pi|Ei|×100其中:Ei表示实际值,Pi是预测值,n表示样本数量。三个模型的预测误差计算结果如表5所示。从预测误差结果来看,GEP模型表现出最佳的预测性能。GEP模型的决定系数(R2 = 0.98)超过了J-C模型(R2 = 0.96)和Z-A模型(R2 = 0.95)。GEP模型的RMSE为11.41,明显低于J-C模型的26.51和Z-A模型的30.43。同样,GEP模型的MAE为8.62,也低于J-C模型的18.83和Z-A模型的15.86。此外,GEP模型的AARE为9.47,也显著低于J-C模型的31.40和Z-A模型的11.64。表5. 模型的误差统计。模型R2RMSEMAEAAREJ-C模型0.9626.5118.8331.40Z-A模型0.9530.4315.8611.64GEP模型0.9811.418.629.47图13显示了使用J-C、Z-A和GEP方法构建本构模型时5A06在不同应变率下的应力实验和预测曲线。图13(a)-(d)中的GEP预测曲线与实验曲线的吻合度都高于J-C和Z-A方法。这与表5中的统计误差分析结果一致。下载:下载高分辨率图像(743KB)下载:下载全尺寸图像图13. 5A06在不同应变率下的应力实验和预测曲线。图14显示了使用GEP方法构建本构模型得到的预测数据。图14(b)显示了在593?K和643?K变形温度下,应变率为0.1?s?1时的预测应力曲线。593?K和643?K下的预测应力曲线与573?K、623?K和673?K下的实验曲线趋势一致。此外,593?K和643?K下的预测应力曲线分别位于573?K和623?K以及623?K和673?K之间的位置,符合材料的高温应力变化趋势。图14(c)显示了在573?K变形温度下不同应变率的应力预测曲线。图14(c)中的0.05?s?1、0.5?s?1和2.5?s?1应变率的应力-应变曲线与0.01?s?1、0.1?s?1和1?s?1应变率下的实验曲线一致,且0.05?s?1和0.5?s?1的预测应力曲线分别位于0.01?s?1、0.1?s?1和1?s?1预测应力曲线之间,2.5?s?1的曲线高于1?s?1的实验应力-应变曲线,符合较高应变率对应较大变形应力的规律。下载:下载高分辨率图像(358KB)下载:下载全尺寸图像图14. GEP模型的预测数据。(a) 训练和验证组的结果,(b) 593?K、643?K&0.1?s?1的预测数据,(c) 0.05?s?1、0.5?s?1、2.5?s?1和623?K的预测数据。4.2. 有限元方法测试分析材料本构模型的准确性直接影响FES在材料成形中的预测结果。因此,本研究采用了有限元模拟来进一步验证本构模型的预测精度。研究使用DEFORM-2D建立了试样的等温压缩有限元模型,如图15所示。在该模型中,工件代表试样,冲头代表模具。工件被视为塑性材料,其变形行为严格遵循塑性力学的本构关系。模具被视为绝对刚体,在分析过程中完全忽略了其弹性变形和位移。只有工件需要有限元网格划分,网格数量为5500。工件的材料模型选择了3.1 J-C模型、3.2 Z-A模型、3.3 GEP模型,即J-C模型、Z-A模型和GEP模型。根据实验方案,采用双边水平加载方法压缩模具组件,压缩位移设置为原始高度的60%(即3?mm)。根据参考文献[40]、[41],在润滑方案基本一致的情况下,考虑到5A06铝合金具有较高的塑性,导致界面滑动阻力稍大,模具与工件之间的界面被设置为摩擦系数为0.4的剪切摩擦模型。下载:下载高分辨率图像(39KB)下载:下载全尺寸图像图15. 有限元模型。图16、图17、图18的面板(a)、(b)和(c)显示了在三种变形条件(即623?K&0.1?s?1、673?K&0.1?s?1和673?K&0.01?s?1)下热压缩FES过程中试样的等效应变分布。图16、图17、图18的面板(f)显示了在上述三种变形条件下进行的热压缩实验中获得的试样金属流动线。从图16、图17、图18的面板(a-c)可以看出,热压缩模拟过程中试样的变形区域主要集中在中心区域,变形沿45°线发生,没有观察到不稳定现象。同样,图16、图17、图18的面板(f)中显示的金属流动线也证实了试样沿45°线变形,热压缩过程中没有不稳定性。这些结果共同证明了在三种指定变形条件下,模拟中试样的变形行为与实验测试中获得的结果一致。这种一致性验证了FES方法的准确性。(a)ε?=0.01s?1 (b) ε?=0.1s?1 (c) ε?=1s?1 (d) ε?=10s?1下载:下载高分辨率图像(352KB)下载:下载全尺寸图像图16。图17. 在623 K和0.1 s?1的条件下,测试样品的压缩过程和金属流动线的有限元应力分析(FES):(a) 使用GEP模型的FES应变效应;(b) 使用J-C模型的FES应变效应;(c) 使用Z-A模型的FES应变效应;(d) 三种模型下的FES载荷;(e) 三种模型下的FES载荷偏差;(f) 测试样品的金属流动线。下载:下载高分辨率图像(362KB)下载:下载全尺寸图像
图18. 在673 K和0.01 s?1的条件下,测试样品的压缩过程和金属流动线的有限元应力分析(FES):(a) 使用GEP模型的FES应变效应;(b) 使用J-C模型的FES应变效应;(c) 使用Z-A模型的FES应变效应;(d) 三种模型下的FES载荷;(e) 三种模型下的FES载荷偏差;(f) 测试样品的金属流动线。下载:下载高分辨率图像(368KB)下载:下载全尺寸图像
图16、图17和图18的(d)和(e)部分展示了模具载荷、载荷偏差与模具位移之间的关系。从载荷结果可以看出,使用这三种本构模型时,模具载荷的趋势是一致的。表6展示了在三种变形条件下,三种模型的模拟载荷与实验载荷之间的相对偏差。相对偏差的计算是根据公式(25)进行的。GEP模型的模拟载荷与标准实验载荷的相对偏差分别为0.04、0.049和0.05,均小于J-C模型(0.11、0.23、0.42)和Z-A模型(0.13、0.1、0.08)。此外,GEP模型在整个变形过程中表现出相对较小的载荷偏差,且没有显著波动,优于J-C模型和Z-A模型。
(25)RD=(P?E)/E
其中,P是模拟载荷,E是实验载荷。
表6. 三种模型的模拟载荷与标准实验载荷之间的相对偏差。
模型 | 相对偏差
|------|-------|
| J-C模型 | 0.11 |
| Z-A模型 | 0.13 |
| GEP模型 | 0.04 |
| 623 K & 0.1 s?1 | 0.11 |
| 673 K & 0.01 s?1 | 0.23 |
| 673 K & 0.1 s?1 | 0.049 |
| 平均值 | 0.253 |
| | 0.103 |
5. 结论与未来工作
本文预测了5A06铝合金在不同热变形条件下的热流应力,旨在建立一个可靠的本构模型以优化轧制过程。热压缩试验在573–773 K的温度范围内和0.1–10 s?1的应变率下进行。使用Z-A、J-C和GEP三种方法开发了流应力的本构模型。通过统计分析和有限元模拟严格评估了这些模型的预测准确性。主要发现包括:1) 与Johnson-Cook模型和Zerilli-Armstrong模型相比,GEP模型在预测5A06铝合金的热流应力方面表现出更高的准确性,其决定系数(R2 = 0.98)最高,而J-C模型为0.96,Z-A模型为0.95。同时,GEP模型的均方根误差(RMSE=11.41)、平均绝对误差(MAE=8.62)和平均相对误差(AARE=9.47%)显著低于J-C模型(RMSE=26.51、MAE=18.83、AARE=31.40%)和Z-A模型(RMSE=30.43、MAE=15.86、AARE=11.64%)。2) GEP模型在不同变形温度和应变率下预测的应力曲线与实验数据观察到的趋势一致。例如,不同温度下的预测应力曲线位于实验曲线之间,反映了材料的高温应力变化趋势。同样,不同应变率下的预测应力曲线也表现出应变率敏感性,与实验结果一致。3) 使用J-C、Z-A和GEP本构模型通过FES预测的载荷与实验载荷的趋势一致。在三种变形条件下,GEP模型的模拟载荷与实验载荷之间的相对偏差分别为0.04、0.049和0.05,均小于J-C模型(0.11、0.23、0.42)和Z-A模型(0.13、0.1、0.08)。此外,GEP模型在整个变形过程中保持相对较小且稳定的载荷偏差,优于J-C模型和Z-A模型。
与其他机器学习方法相比,GEP方法在预测准确性方面尚未形成显著竞争力。同时,其预测准确性受关键参数(如头部长度、基因数量和染色体数量)设置的影响。不合理的参数配置可能导致模型过拟合等问题;此外,GEP模型生成的显式表达式的物理可解释性仍需深入探索。基于此,未来的研究可以进一步扩展到以下方向:系统研究参数优化策略以提高GEP本构模型的预测准确性;研究模型表达式的物理机制可解释性,以增强该方法在材料热变形本构建模中的适用性和可靠性。
CRediT作者贡献声明:
WANG JING:撰写——原始草稿,方法论;
Yong Wang:撰写——审阅与编辑,资金获取;
Yan Li:数据整理;
Qiang Liang:软件,形式分析。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号