基于混合人工神经网络(ANN)和有限元方法(FEM)的逆向识别程序,采用Levenberg–Marquardt迭代法:应用于X100CrMoV5钢合金

《Mechanics of Materials》:Hybrid ANN/FEM-Based inverse identification procedure using the Levenberg–Marquardt method: Application to X100CrMoV5 steel alloy

【字体: 大 中 小 】 时间:2026年05月06日 来源:Mechanics of Materials 4.1

编辑推荐:

  娜杰姆·A. | 阿尔特迈耶·G. | 库德雷·Z. | 杜乔萨尔·A. 图尔大学,奥尔良大学,INSA CVL,le LaMé,马塞尔·达索大道7号,图尔,37000,法国 **摘要** 本研究探讨了X100CrMoV5钢合金在严苛热化学条件下的力学响应,并通过逆

  娜杰姆·A. | 阿尔特迈耶·G. | 库德雷·Z. | 杜乔萨尔·A.
图尔大学,奥尔良大学,INSA CVL,le LaMé,马塞尔·达索大道7号,图尔,37000,法国

**摘要**
本研究探讨了X100CrMoV5钢合金在严苛热化学条件下的力学响应,并通过逆向方法确定其本构参数。该方法结合了实验力-位移曲线、有限元数值模拟和人工神经网络预测,以提高准确性和计算效率。实验测试在动态条件下使用Gleeble热机械试验机进行,温度为环境温度和高温。开发了一个有限元模型来复现实验测试,以便与实验数据进行详细比较。此外,利用在数值模拟结果上训练的人工神经网络来预测材料测试的结果,显著加速了识别过程。逆向识别过程被表述为一个优化问题,并使用确定性Levenberg–Marquardt方法求解,以最小化实验结果和数值结果之间的差异。所提出的混合识别策略展示了将数值模拟与人工神经网络(特别是长短时记忆(LSTM)网络)结合使用的有效性,从而提高了准确性和显著降低了计算成本。本研究的结果突显了人工智能驱动方法在材料表征和识别方面的潜力。

**引言**
数值模拟是优化新兴和传统制造过程的强大工具(Liu等人,2023年;Zhao等人,2024年)。然而,为了使数值模型既可靠又相关,准确描述材料的力学行为至关重要。材料本构模型在模拟制造过程中起着关键作用。确定该模型的参数(通过本构定律数学表达)是一个关键且具有挑战性的步骤。理解材料行为建模需要广泛的基础研究,包括实验和理论方法(Pogorelko等人,2024年)。参数的识别通常涉及最小化表征测试的实验数据与这些测试的数值结果之间的差异。大多数情况下,这种最小化依赖于迭代算法来确定一组最佳参数,以减少参考值、目标实验数据与相应的数值应力-应变曲线之间的误差(Ojal等人,2022年)。因此,数值模型的选择和作用、其执行方法和数值方案以及识别算法同样重要。基于有限元的数值模拟在这一领域被广泛认为是有价值的方法。正如Prates等人(2016年)在文献综述中指出的,由于其易于实现和灵活性(Pottier等人,2011年),只要数值模型能够准确复制真实的实验条件和边界约束(Kacem等人,2021年),它已被广泛用于各种识别应用。然而,数值模拟的计算复杂性可能导致较高的计算成本,尤其是在模型参数数量较多或迭代次数增加时。为了应对这些挑战,人工神经网络(ANN)提供了一个有趣的替代方案。一旦训练完成,人工神经网络可以即时提供响应,并能处理大量输入参数,包括物理属性、几何数据和测试条件。此外,它们应该能够预测与材料表征和切割测试相关的各种输出。尽管它们具有潜力,但在该领域的应用仍然相对有限。虽然它们已在分类任务(Gao等人,2023年;Sarrionandia等人,2023年)和图像处理(Heidenreich等人,2023年)中得到广泛应用,但它们也被认为是能够建模复杂功能依赖性的通用逼近器。因此,它们已被用于材料力学中以再现完整的应力-应变曲线(Gorji等人,2020年;Sakaridis等人,2022年;Mayer等人,2021年),并且提出了基于替代的识别策略来减少与迭代有限元逆向分析相关的计算负担(Queipo等人,2005年;Forrester和Keane,2009年)。这些方法通常遵循两个主要方向:第一种是直接逆向模型,其中人工神经网络被训练直接从实验信号预测本构参数(Bessa等人,2017年;Herrmann等人,2025年);尽管在推理时计算效率高,但这些策略可能具有有限的鲁棒性和潜在的非唯一性问题,因为测量响应与材料参数之间的逆向映射不一定适定性。第二种方向依赖于前向替代模型,其中神经网络近似给定参数集的数值模拟响应,然后与优化算法结合使用(Wang等人,2019年;Raissi等人,2019年)。尽管这保留了逆问题的物理结构,但大多数现有研究专注于简化的加载条件、缩减的参数空间或静态前馈架构,这些架构没有明确利用热机械响应的路径依赖性和序列性。因此,在确定性逆向识别框架内有效整合基于序列的神经架构方面仍存在方法论空白,以代表切削过程的强非线性热粘塑性行为。此外,尽管有这些优势,替代模型需要精心构建的训练数据集,而这样的数据库设计仍然是一个关键挑战。作为一种替代方案,可以使用有限元模型生成数值数据集,然后利用这些数据集开发和优化人工神经网络替代模型(Mu?oz-Sánchez等人,2011年)。在这项工作中,我们提出了一种基于确定性Levenberg–Marquardt算法的混合人工神经网络-有限元模拟逆向识别方法。该方法用于在严苛实验条件下识别X100CrMoV5钢合金的本构模型参数,以复制切削条件。实验结果对应于在Gleeble热机械模拟器上进行的剪切测试。测量了试样级别的反作用力和位移,并开发了数值模型来复现这些测试。然后基于数值模型训练了一个长短时记忆(LSTM)人工神经网络来预测这些模拟的结果。这两种数值工具随后被集成到最小化算法中,测试了不同的配置,以评估人工神经网络在识别过程中的作用和相关性。本文还讨论了所提方法的范围、适用性和方法论考虑。

**文章结构**
本文首先介绍了深度学习方法,包括长短时记忆(LSTM)神经网络的架构、优化和训练过程。接下来描述了所提出的混合逆向识别算法。该算法将有限元方法(FEM)模拟与LSTM模型结合,以迭代最小化数值预测和实验测量之间的误差。特别关注用于处理数值和实验结果的后处理去噪过程。然后介绍了实验程序和结果,以及用于验证识别过程并为神经网络提供训练数据的相应数值模型。详细描述了X100CrMoV5钢合金的本构建模,涵盖了从弹性到裂纹起始和扩展的完整行为,包括热粘塑性行为、损伤演变以及通过塑性耗散实现的热机械耦合。最后,结果和讨论部分检验了训练后的LSTM网络在训练和测试数据集上的鲁棒性和预测准确性。接下来评估了逆向识别过程,突出了混合神经网络方法对识别本构参数的影响。文章以总结关键发现和所提方法的优势结束。

**部分摘录**
- **深度学习对结构力-位移演化曲线的预测**
所提出的混合ANN/FEM识别方法需要创建和训练一个强大的人工神经网络,该网络能够捕捉网络输入(在这种情况下是材料的本构模型参数)与其输出(即表征测试期间的反作用力演化)之间的复杂依赖关系。因此,使用了长短时记忆(LSTM)人工神经网络(Hochreiter和Schmidhuber,1997年)。
- **逆向识别过程**
材料参数的识别被表述为一个优化问题,因为它涉及最小化一个目标函数,该函数衡量实验数据与相应数值预测之间的误差。优化问题使用确定性Levenberg–Marquardt算法(Levenberg,1944年;Marquardt,1963年)求解。此处研究了X100CrMoV5钢合金的本构参数的逆向识别。实验数据对应于……
- **奇异值分解滤波方法**
在本工作中,采用了奇异值分解(SVD)(Golafshan和Yuce Sanliturk,2016年)方法来去噪和过滤数值和实验数据。尽管传统的Savotzky–Golay(Savgol)滤波器或巴特沃斯低通滤波器被广泛使用,但它们存在重要缺点:Savgol滤波器倾向于通过将噪声混入数据来平滑信号,而基于频率的滤波器需要一个难以定义的截止频率……
- **实验表征**
研究了X100CrMoV5钢合金的热机械响应。这种合金由于其出色的耐久性,常用于制造切割模具、大型刀具、螺纹滚压钳以及冲压、成型和模具工具。尽管其应用广泛,但在现有文献中对其在这种条件下的行为研究不足,这促使了这项研究。
- **数值模型**
理解和准确建模X100CrMoV5钢合金的热机械行为对于可靠的模拟和逆向识别至关重要。在这项工作中,开发了一个详细的本构模型,以捕捉这种材料在严苛加工和成型条件下的复杂响应。尽管其在工业上的重要性,但X100CrMoV5钢的行为在文献中仍不够充分表征,特别是在高应变率和高温条件下……
- **结果和讨论**
通过将LSTM人工神经网络的预测与训练和测试集的数值模拟结果进行比较,检验了其鲁棒性。然后展示了X100CrMoV5钢合金参数的逆向识别结果,并评估了神经网络在识别过程中的贡献。
- **结论**
在这项研究中,开发了一种用于确定材料热机械模型本构参数的混合逆向识别程序。识别过程被表述为一个优化问题,其中目标函数使用Levenberg–Marquardt算法最小化。这个成本函数衡量了通过表征测试获得的实验数据与通过求解结构演化方程获得的数值数据之间的误差……

**作者贡献声明**
娜杰姆·A.:撰写——原始草稿,可视化,验证,软件,方法论,概念化。
阿尔特迈耶·G.:撰写——审阅和编辑,监督,方法论,概念化。
库德雷·Z.:数据整理,形式分析,软件。
杜乔萨尔·A.:撰写——审阅和编辑,监督,方法论,资金获取。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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