基于神经数字孪生的LPBF A286晶格结构高应变率变形的解析与优化

《Journal of Materials Research and Technology》:Neural Digital Twin-Enabled Interpretation and Optimization of High-Strain-Rate Deformation in LPBF A286 Lattice Structures

【字体: 大 中 小 】 时间:2026年05月13日 来源:Journal of Materials Research and Technology 6.2

编辑推荐:

  B. Veera Siva Reddy | C. Chandrasekhara Sastry | A. Hafeezur Rahman | Robert Cep 机械工程系,印度信息技术学院库尔努尔分校(IIITDM Kurnool) 518008,库尔努尔,印度

  B. Veera Siva Reddy | C. Chandrasekhara Sastry | A. Hafeezur Rahman | Robert Cep
机械工程系,印度信息技术学院库尔努尔分校(IIITDM Kurnool)
518008,库尔努尔,印度

**摘要**
本研究提出了一种高保真度的神经数字孪生(NDT)框架,用于预测建模、机械解释以及激光粉末床熔融(LPBF)A286晶格结构在高应变率下的多目标优化。研究人员制造了蜂窝结构、体心立方(BCC)结构和陀螺体结构,并使用分裂Hopkinson压力棒(SHPB)测试方法在2-6巴的压力范围内进行了实验评估。实验结果用于训练深度神经网络,建立了载荷强度与机械性能之间的连续、拓扑敏感的映射关系。NDT表现出优异的预测准确性,峰值应力的决定系数为0.996,最大应变的决定系数为0.926,应变率的决定系数为0.957,吸收能量的决定系数为0.941,有效捕捉了弹性-塑性转变和渐进式塌陷行为。蜂窝结构在载荷承载能力和能量耗散方面表现出色,在6巴压力下达到约480-500 MPa的峰值应力以及约12.0 J的能量吸收,优于BCC和陀螺体结构。BCC结构表现出中等强度并伴随渐进式塌陷,而陀螺体结构在较低峰值应力下具有更好的变形适应性。敏感性分析确定了3.5-5.0巴之间的关键变形区间,标志着从屈曲到密化的转变。能量效率指数(EEI)通过应力需求对性能进行了量化,揭示了依赖于拓扑的效率趋势。多目标优化表明最佳工作压力范围为4-6巴,帕累托分析定义了强度与能量吸收之间的权衡。所提出的NDT框架能够实现数据驱动的设计,并优化高应变率冲击应用中的晶格选择。

**1. 引言**
通过增材制造(AM)技术制造的晶格结构作为一种新型结构材料,通过定制的单元几何形状实现了强度、刚度和能量吸收的优异组合。这些结构轻量化设计同时提供了提升的机械性能,使其在航空航天、汽车、国防和冲击减缓系统中具有吸引力。最近的综述强调,晶格性能受单元格几何形状、相对密度和制造保真度的强烈影响。然而,尽管这些系统具有潜力,但其在高应变率下的行为及其在智能设计框架中的集成仍需进一步探索。

晶格结构在动态载荷条件下的独特变形机制与整体固体显著不同。在高应变率冲击下,单元网络会经历弯曲、屈曲、剪切带形成和密化过程,这些过程高度依赖于支柱方向、节点连接性和拓扑布局。针对增材制造金属晶格的高应变率实验研究揭示了明显的速率依赖性强化、波相互作用效应和塌陷进展现象。例如,Alkhatib等人(2022年)系统地回顾了AM轻金属晶格合金的高应变率响应,并指出了基于铝或钛的合金研究不足的问题。因此,关于超合金晶格的动态机械响应,特别是在拓扑和载荷率变化结合条件下的研究仍然是一个未满足的空白。

同时,数字孪生(DT)的概念作为一种与现实世界系统同步发展的虚拟替代品,在先进制造和结构设计中越来越受到重视。在AM领域,DT使得工艺、结构和性能数据能够实时整合到预测框架中,从而支持优化、不确定性量化和生命周期管理。Jyeniskhan等人(2024年)的最新综述概述了数字孪生在AM领域的最新进展,并强调了闭环实验-计算框架的必要性。尽管如此,将DT应用于AM晶格的高应变率行为仍处于初步阶段,大多数工作集中在工艺异常检测或准静态结构建模上,而非动态性能导向的晶格研究。

将动态载荷下的晶格力学研究与数字孪生支持的预测设计相结合,为下一代轻量化抗冲击系统提供了巨大潜力。特别是,将高保真度实验数据与机器学习驱动的DT框架相结合,可以实现结构响应的连续预测、跨载荷范围的不确定性量化以及拓扑-压力-响应关系的设计空间映射。Ben-Yelun等人(2023年)明确提倡使用数据驱动的方法构建晶格材料的替代机械模型,以降低计算成本同时保持与结构控制行为的相关性。

**2. 实验数据生成和神经数字孪生开发框架**
2.1. LPBF A286晶格结构的制造
本研究中的晶格试样由沉淀硬化型A286铁镍铬超合金制成,该合金具有高强度保持性、抗氧化性和在高应变率变形下的结构稳定性。原料为气雾化A286粉末,颗粒尺寸主要集中在15-45 μm范围内,适合LPBF加工。粉末表现出稳定的重新喷涂行为,确保了均匀的层形成和最小化了制造过程中的缺陷生成。成分符合标准A286规格,保证了所有试样的机械性能一致性,从而为神经数字孪生的开发提供了可靠的数据集。

设计了三种拓扑结构的晶格:体心立方(BCC)、蜂窝结构和陀螺体结构,以代表动态载荷下的不同变形类型。所有试样均采用圆柱形几何形状,外径为12 mm,总高度为8 mm,晶格核心厚度为6 mm,两端配有1 mm的实心端板,以确保SHPB测试期间的应力波传输稳定。这种几何形状满足了高应变率压缩的尺寸稳定性要求,保证了冲击加载过程中的机械性能一致性。BCC晶格采用5 mm的单元格尺寸,支柱直径为1.5 mm,节点直径为3.14 mm,促进了混合拉伸-弯曲变形行为。蜂窝晶格采用六边形阵列,平面内单元格尺寸约为1 mm,通过渐进式铰链形成促进弯曲主导的塌陷。陀螺体晶格模拟为三周期最小曲面,单元格尺寸为5 mm,壁厚为0.36 mm,实现了应力分布和延迟局部化。BCC、蜂窝和陀螺体晶格的相对密度分别为0.5617、0.8685和0.4408,确保在相同材料条件下直接比较拓扑驱动的机械效率。

**3. 实验结果与分析**
实验数据表明,LPBF A286晶格在高应变率冲击下表现出明显的应变率敏感性、渐进式塌陷机制和拓扑依赖的变形路径。BCC结构以拉伸为主,而蜂窝和陀螺体结构则以弯曲为主,它们在应力演变、密化行为和能量耗散效率方面表现出根本不同的响应,这凸显了需要能够捕捉这些非线性相互作用的预测框架。

数字孪生技术作为先进制造的关键推动者,提供了物理系统的虚拟表示,整合了实验数据、仿真和机器学习,用于预测分析和优化。最近的综述指出,数字孪生在增材制造中的应用日益用于工艺监控、缺陷预测和性能优化,尽管其在晶格结构动态机械行为中的应用仍较为有限。数据驱动的建模方法与实验验证的数据集的结合被认为是实现可靠实时预测能力的关键途径。

**4. 研究成果与贡献**
本研究的主要贡献包括:
1. 实验量化了2-6巴冲击载荷下不同拓扑结构的LPBF A286晶格的高应变率行为,捕捉了速率敏感的塌陷机制和能量耗散指标。
2. 开发了将拓扑和冲击压力映射到多维机械响应的神经网络数字孪生,实现了连续预测、概率评估和设计空间的插值。
3. 推导了能量效率指数,并建立了压力范围内的拓扑主导区域,为冲击减缓应用提供了设计指导。
4. 展示了从实验到预测再到优化的集成DT工作流程,实现了物理测试与智能结构设计之间的闭环。

**结论**
本研究重点评估了实际可行的LPBF制造的晶格配置,这些配置代表了不同的变形类型,而不是强制所有拓扑结构具有相同的相对密度,从而在动态载荷下保持了拓扑特定的机械行为。通过结合先进的AM晶格力学和数字孪生方法,本研究推动了高应变率应用的数据驱动结构设计前沿,并为动态载荷条件下的拓扑特定优化提供了路线图。材料系统的多尺度表征在图2中展示,包括粉末形态、相组成、内部结构完整性以及表面特性。下载:下载高分辨率图像(941KB)下载:下载全尺寸图像

图2. 本研究使用的LPBF制造的A286晶格结构的制造一致性及多尺度结构验证:(a) 气雾化的A286粉末的SEM图像;(b) XRD图谱,确认了稳定的γ-奥氏体结构;(c) 代表性的BCC、蜂窝状和旋涡状晶格的X射线放射图像,显示出均匀的内部结构和无重大缺陷;(d) 后处理后的LPBF制造构件的表面形态。

图2(a)所示的粉末形态主要为球形的雾化A286颗粒,卫星颗粒形成较少。这种形态确保了更好的流动性以及均匀的粉末层沉积,这对于在LPBF制造过程中实现一致的几何精度至关重要。通过X射线衍射(XRD)进行的相表征(如图2(b)所示)确认了存在稳定的γ-奥氏体(FCC)相,未检测到次要相。这表明LPBF工艺及其相关热循环不会引起相的不稳定性,从而确保在动态加载条件下的机械行为一致性。

图2(c)展示了所制造晶格结构的内部结构完整性。BCC、蜂窝状和旋涡状配置的图像显示出均匀的内部结构和一致的构件几何形状。没有明显的缺陷,如未熔合、内部裂纹或不连续性,这证明了高制造精度。制造出的晶格的相对密度保持在设计范围内,确保机械响应主要受拓扑结构控制,而非意外的孔隙变化。

图2(d)显示的表面形态分析表明,具有可控粗糙度的LPBF诱导的表面纹理。通过表面轮廓分布的统计分析得出,平均表面粗糙度(Ra)约为10.6 μm。这种粗糙度水平与LPBF制造的金属晶格相符,预计不会显著影响高应变率加载下的整体变形行为,尽管它可能会在微观尺度上导致局部应力集中。

总体而言,这些观察结果证实了LPBF制造的A286晶格结构具有高几何精度、可控的表面特性以及一致的内部结构[21]。这确保了实验观察到的机械行为和相应的数字孪生预测主要受晶格拓扑和加载条件控制,而非制造过程中的不确定性。

2.3. 高应变率测试和响应获取

使用Split Hopkinson Pressure Bar(SHPB)系统进行了高应变率压缩实验,以生成可靠的动态响应数据,用于训练和验证神经数字孪生。SHPB装置由高强度马氏体时效钢制成的入射杆和传输杆组成,两者与撞击杆同轴对齐,以确保单轴应力波传播并最小化横向扩散。在入射杆和传输杆上优化位置安装了高精度应变计,以最小噪声干扰的方式捕捉弹性波信号。通过气动方式加速撞击杆向入射杆运动,产生一个受控的压缩应力脉冲,该脉冲通过位于杆接口之间的试样传播。

图3示意性地展示了用于高应变率压缩测试的SHPB系统的实验布置。配置突出了应变计的位置、试样位置和杆的对齐情况,确保了应力波的可重复传输和高应变率机械响应参数的准确提取。

本研究使用的SHPB装置由直径为12 mm、长度为1 m的马氏体时效钢制成的撞击杆、入射杆和传输杆组成,确保了与A286晶格试样的机械阻抗兼容性。撞击杆在受控的腔室压力(2、4和6 bar)下通过气动气体枪系统启动,相应的冲击速度分别约为15、20和25 m s-1。为了实现与装置参数无关的可重复性,动态加载条件也以撞击速度表示,相应的冲击能量根据撞击杆的质量和速度使用经典动能关系进行估算。

入射、反射和传输的应变信号通过具有足够带宽的高速数据采集系统记录,以准确捕捉应力波传播而不会产生信号失真。没有使用外部脉冲整形技术;相反,通过平衡入射力和传输力来验证试样内的动态应力平衡,确保获得应力-应变响应的有效性和可靠性。实验配置和信号处理方法遵循既定的SHPB方法论,为评估晶格结构的高应变率变形行为提供了统一且可重复的框架。

测试在三个不同的冲击压力水平下进行,这些压力水平对应逐渐增加的撞击速度和应变率范围。选择这些压力水平是为了覆盖晶格结构的弹性-塑性过渡、渐进性崩塌和致密化阶段,确保覆盖与冲击缓解应用相关的完整变形谱。所选的压力区间便于系统评估应变率敏感性和拓扑依赖的变形行为,同时也为数字孪生学习和插值提供了足够的变异性。

在每次测试中,使用具有足够时间分辨率的高速数据采集系统连续记录入射、反射和传输的应变信号,以解析瞬态波传播现象。记录的信号通过经典的SHPB波理论进行处理,计算试样经历的动态应力、应变和应变率历史。应变率从反射应变脉冲中获得,而应力和应变分别通过传输和积分应变响应确定,确保与标准SHPB分析公式的一致性[22]。

获取信号的后续处理包括信号扩散校正、噪声过滤和基线稳定,以确保准确提取材料响应参数。处理后的应力-应变曲线随后用于确定每种晶格拓扑在相应压力条件下的峰值应力、最大应变、应变率和吸收能量。能量吸收通过对应力-应变响应进行数值积分计算得出,提供了冲击抗力和变形效率的直接测量。

对每种压力-拓扑组合进行了多次重复测试,以确保数据的可重复性和统计可靠性。波形轮廓的一致性和应力-应变行为的可重复性证实了实验设置的稳定性和数据集的稳健性。信号采集和分析处理的精度确保了得到的机械响应参数在物理上具有代表性,并适用于神经数字孪生的高保真度训练,从而能够在后续部分进行准确的预测、不确定性量化和优化。

2.4. 无损检测的数据结构和特征构建

在高应变率实验测试之后,获得的机械响应数据被系统地结构化并转换为数字孪生兼容的数据集,以支持可靠的模型训练和预测解释。数据集构建策略旨在保留实验输入的物理相关性,同时确保神经框架内的数值稳定性和学习效率。特别注意保持实验变量与数字孪生描述符之间的直接对应关系,从而实现拓扑依赖响应行为的准确映射。

数字孪生的输入空间使用两个主要描述符定义,即晶格拓扑和冲击压力。冲击压力被视为一个连续的标量变量,代表SHPB测试期间施加的加载强度。晶格拓扑作为一个离散的分类变量,使用独热编码方案编码,将定性的结构身份转换为与神经处理兼容的数值格式。这种编码策略确保每个拓扑(蜂窝状、BCC和旋涡状)表示为一个正交向量,从而防止人为的数值排序,并在学习过程中保持结构独立性。这种方法使模型能够通过学习到的特征关系来解释拓扑差异,而不是依赖于强加的数值层次结构。

输出向量使用从处理后的SHPB应力-应变数据中提取的四个机械上重要的响应参数定义,即峰值应力、最大应变、最大应变率和吸收能量。这些参数共同代表了每种晶格拓扑在冲击加载下的结构抗力、变形能力、动态响应敏感性和能量耗散效率。通过同时结合这些输出,数字孪生被构建为能够捕捉高应变率晶格行为的多维特性,而不是依赖于孤立的性能指标[23]。

在神经训练之前,数据集进行了标准化处理,以确保数值一致性并防止输出变量之间的尺度主导。特征缩放使用最小-最大标准化进行,将所有输入和输出参数转换到有界范围内,从而稳定优化过程并提高收敛效率。这一步骤对于在训练过程中保持平衡的梯度流动和防止对具有较大数值大小的参数(如应力或应变率)的偏差至关重要[24]。

因此,结构化的数据集建立了实验观察到的机械行为与输入设计描述符之间的连贯映射,为神经数字孪生训练形成了一个稳健的计算基础。这种构建确保模型学习了冲击压力、晶格拓扑和动态响应特性之间的物理相关性,从而实现了有信度的插值、不确定性感知的预测以及在所研究的压力范围内进行设计空间探索。

2.5. 神经数字孪生架构和训练工作流程

神经数字孪生被开发为一个基于深度学习的替代模型,用于建立实验输入描述符与LPBF A286晶格结构的高应变率机械响应之间的连续、物理一致的关系。该架构旨在捕捉晶格拓扑和冲击压力之间的非线性交互,同时确保在整个研究压力范围内的稳定泛化。该模型不是作为一个简单的回归问题来处理的,而是作为一个能够高保真再现拓扑依赖变形行为的结构响应仿真器构建的。

网络拓扑由一个全连接的多层前馈架构组成,包括输入层、三个隐藏层和一个输出层。输入层接收编码的拓扑向量和连续的冲击压力值,形成一个统一的描述符集,代表结构身份和加载强度。每个隐藏层使用修正线性单元(ReLU)激活函数来促进高效的梯度传播,同时保留高应变率变形所固有的非线性响应特性。每层的神经元数量通过迭代调整来平衡表示能力和过拟合控制,确保在不过度复杂化的情况下进行稳健的学习。

模型在监督学习范式下进行训练,使用实验生成的SHPB数据作为真实参考。数据集被划分为训练和验证子集,以评估学习过程中的泛化能力。由于其自适应学习率特性和对于非线性系统的高效收敛性能,采用了Adam优化算法。训练分多个周期进行,每次迭代都进行批量权重更新,使模型逐步细化其内部参数映射,直到收敛[25]。

损失函数定义为预测输出参数与实验测量输出参数之间的均方误差(MSE),从而同时最小化峰值应力、最大应变、应变率和吸收能量的偏差。通过连续评估训练和验证损失曲线来监控收敛行为,并使用损失趋势的早期稳定作为模型泛化的指标,以防止过度拟合。训练和验证曲线之间没有发散,证实了学习的稳定性和预测可靠性的可靠性。

因此,训练出的架构作为一个神经数字孪生,能够再现LPBF A286晶格结构在不同冲击强度下的多维响应行为。其结构设计和训练策略确保了在定义的设计空间内的可靠插值,为后续的不确定性量化、敏感性分析和性能优化提供了计算基础。

2.6. 计算工作流程整合和数字孪生部署逻辑

实验数据与计算建模的整合被构建为一个闭环数字孪生工作流程,旨在将物理测量转换为可预测的设计智能。该工作流程从实验观察到的机械行为无缝过渡到实时响应预测、不确定性评估和性能优化。这一框架的核心理念是将离散的SHPB测试数据转换为连续的、具有拓扑意识的替代系统,能够探索具有物理一致性的未见设计场景。

工作流程从通过SHPB测试在受控冲击压力下对LPBF制造的晶格结构进行高应变率实验数据的生成开始。这些实验得到的应力-应变响应被处理以提取关键的机械描述符,包括峰值应力、最大应变、应变率和吸收能量,这些构成了数字孪生的响应真实值。这个实验层作为整个框架的物理基础,确保所有后续预测都能保持对实际结构行为的忠实度。实验数据生成、神经数字孪生(Neural Digital Twin)开发、概率预测和优化逻辑的完整集成在图4中进行了总结,该图直观地展示了将物理实验与预测决策联系起来的计算流程。这一工作流程建立了数字孪生作为闭环架构,能够将原始实验观察结果转化为智能设计见解。下载:下载高分辨率图片(522KB)下载:下载全尺寸图片图4. 神经数字孪生工作流程,说明了实验数据、概率预测和优化在晶格响应建模中的集成。处理后的数据集随后被输入到神经数字孪生中,其中结构化的输入描述符(包括晶格拓扑和冲击压力)通过训练有素的神经架构映射到相应的响应参数。这一阶段将实验观察结果转化为连续的预测引擎,使得无需额外的物理测试即可快速评估整个设计空间中的结构性能[26]。因此,数字孪生产生了实验系统的计算替代品,能够再现中间和未见加载条件下的响应趋势。除了预测之外,数字孪生框架还扩展到了优化领域,在该领域中系统地评估模型输出以识别性能高效的配置。预测结果直接用于不确定性量化、敏感性分析和基于期望性的优化程序,从而探索能量吸收和应力调节等相互竞争的机械目标之间的权衡[27]。这使得能够确定最佳的操作范围和拓扑主导区域,有效地将实验数据转化为可操作的设计建议。这些模块的集成建立了涵盖物理实验、数据驱动的预测和优化指导的决策制定的一体化工作流程。这个连贯的架构确保了数字孪生不仅仅是一个被动预测模型,而是一个能够提供可解释的、以性能为导向的见解的主动计算平台。因此,这一工作流程架起了实验力学与智能设计空间探索之间的桥梁,为后续结果和讨论部分中展示的高级分析提供了坚实的基础。

3. 基于数字孪生的结果
3.1. LPBF晶格结构在高应变率下的实验响应
LPBF制造的A286晶格结构在动态压缩下的实验基线力学行为为后续的神经数字孪生开发提供了物理基础。使用SHPB系统在6巴的冲击压力下进行了高应变率测试,代表了本研究中研究的最高加载条件。三种晶格拓扑——蜂窝状(Honeycomb)、体心立方(BCC)和回转体(Gyroid)显示出明显不同的变形特征,表明了强烈的拓扑依赖性应力传递和坍塌机制。图5(a)展示了在相同加载条件下三种晶格结构的平均真实应力-应变响应(平均值±标准差)。阴影区域表示多次测试获得的实验变异性。所有晶格配置和加载条件的详细平均应力-应变曲线及其标准差显示在图S1中。图S2–S7提供了所研究条件的代表性SHPB力平衡图和应变率历史。
下载:下载高分辨率图片(180KB)下载:下载全尺寸图片
图5(a). 在6巴SHPB加载下LPBF A286蜂窝状、BCC和回转体晶格结构的高应变率压缩应力-应变响应(平均值±标准差)。实线代表多次实验的平均响应,而阴影区域表示相应的标准差,突出了实验变异性。蜂窝状晶格表现出最高的峰值应力,达到大约480-500 MPa,对应于0.02-0.025的应变,随后伴随着六边形单元壁的快速局部屈曲而出现急剧的后峰响应。这种急剧的应力上升和突然的坍塌行为证实了以弯曲为主的变形机制,并且对几何缺陷具有高度敏感性[28, 29]。BCC晶格显示了相对平稳的应力演变,初始峰值应力约为150-170 MPa,然后在0.12-0.15的应变附近出现明显的软化区域。这种应力下降对应于晶格网络内的局部杆件屈曲和不稳定性,导致由于关键载荷路径的坍塌而暂时失去承载能力。随着变形的进行,结构经历了逐渐的致密化和载荷重新分配,随后在更高应变下重新硬化并增加了应力。这种行为反映了BCC结构在动态加载条件下的特征性拉伸-弯曲主导变形机制[30]。回转体晶格表现出最低的峰值应力,大约为125-135 MPa,对应于0.07-0.10的应变,但展示了最广泛的应变适应能力,在超过0.45-0.50的应变下保持稳定的变形。其平滑的应力-应变曲线反映了连续曲率和分布式载荷路径的影响,这些因素延缓了局部化并促进了受控的逐步坍塌[31]。
图5(b)定量比较了在6巴压力下三种拓扑的峰值应力、最大应变率和吸收能量。尽管所有晶格的最大应变率相似,大约为1552 s^-1,但蜂窝状结构实现了最高的能量吸收,为12.00 J,其次是BCC的11.16 J,然后是Gyroid的10.11 J。这表明,尽管Gyroid能够适应更高的应变,但在相同的加载强度下,其能量耗散效率仍然较低。
下载:下载高分辨率图片(335KB)下载:下载全尺寸图片
图5(b). 在6巴冲击加载下LPBF A286晶格拓扑的峰值应力、最大应变率和能量吸收特性的比较

为了进一步验证观察到的变形机制,图5(c)展示了SHPB加载前后晶格结构的代表性图像。这些图像清楚地展示了拓扑依赖的变形行为。BCC晶格表现出逐渐的杆件坍塌和局部断裂,回转体晶格显示出更分散的变形和延迟的局部化,而蜂窝状晶格在整个观察到的变形范围内保持了结构完整性。这些实验观察到的变形模式与应力-应变响应一致,并证实了所讨论的变形机制的物理基础[14, 32]。
下载:下载高分辨率图片(299KB)下载:下载全尺寸图片
图5(c). 在高应变率加载下进行SHPB测试期间LPBF制造的晶格结构的代表性变形图像。这些图像显示了BCC、回转体和蜂窝状晶格的变形前后的状态,突出了拓扑依赖的坍塌行为

总体而言,蜂窝状晶格展示了优越的承载能力和能量耗散能力;BCC晶格提供了稳定的变形和平衡的机械性能;而回转体结构则提供了增强的变形耐受性和降低的峰值应力。峰值应力(蜂窝状和回转体之间约20%的差异)和能量吸收(约19%的差异)的定量差异清楚地表明,在相同的加工条件下,晶格几何形状比材料成分更强烈地控制高应变率下的力学行为。这些实验观察到的变化为神经数字孪生框架提供了有力的支持,因为传统的经验模型不足以捕捉动态加载场景下LPBF A286晶格行为的非线性、拓扑依赖的变形机制。

3.2. LPBF A286晶格结构的无损检测(NDT)的构建和验证
3.2.1. 神经数字孪生框架和模型架构
开发了一个高保真的神经数字孪生(NDT),以建立冲击加载条件与LPBF制造的A286晶格结构动态力学响应之间的连续、拓扑敏感的映射。该模型仅使用基于实验的SHPB数据进行训练,这些数据对应于三种在不同高应变率加载下表现出根本不同变形路径的晶格拓扑。神经数字孪生的输入空间包括两个描述符:冲击压力(一个连续的标量变量)和晶格拓扑(一个分类变量)。为了在不引入人工排序的情况下保持结构差异性,晶格拓扑被编码为一个独热向量(one-hot vector),以确保蜂窝状、BCC和回转体配置之间的正交性。输出空间由四个耦合的机械响应参数组成:峰值应力、最大应变、最大应变率和吸收能量,使网络能够学习控制应变率依赖变形的内在多元关系。该架构实现为一个全连接的深度神经网络,包括一个输入层、三个隐藏层和一个输出层。每个隐藏层使用修正线性单元(ReLU)激活函数来保持非线性并捕捉与坍塌和致密化相关的突然转变。模型使用Adam优化器进行训练,以均方误差(MSE)作为损失函数,确保所有响应变量的误差同时最小化。训练在300个周期内进行,并控制了训练-验证分割,收敛行为在图6中展示。损失曲线在前20-25个周期内显示出急剧的指数衰减,随后稳定在一个稳定的状态。训练损失从大约2 × 10^-1降至低于4 × 10^-3,而验证损失稳定在6 × 10^-3左右。训练曲线和验证曲线的紧密跟踪且没有发散,证实了神经数字孪生在探索的压力范围内的强大泛化能力[33]。
下载:下载高分辨率图片(253KB)下载:下载全尺寸图片
图6. 神经数字孪生的训练和验证损失收敛情况,表明了稳定的学习和高泛化效率

没有振荡性发散以及超过50个周期后的持续平稳行为表明,模型在没有过度参数敏感性的情况下实现了收敛。这种稳定的收敛证实了所选架构有效地捕捉了拓扑、加载强度和机械响应之间的非线性耦合,从而验证了其作为高应变率晶格行为预测替代品的适用性。

3.2.2. 预测准确性和实验一致性
通过直接比较实验测量的SHPB响应和模型预测,评估了NDT的预测准确性,如图7所示。所有四个性能参数在所有晶格拓扑和压力条件下都显示出优秀的相关性。
下载:下载高分辨率图片(617KB)下载:下载全尺寸图片
图7. 数字孪生预测的峰值应力、最大应变、最大应变率和能量吸收与实验值的匹配分析

从定量上看,数字孪生在峰值应力方面达到了0.996的确定系数(R2),在最大应变方面为0.926,最大应变率为0.957,吸收能量方面为0.941,显示出异常高的预测准确性。峰值应力预测沿匹配线显示出近乎完美的线性一致性,反映了模型捕捉拓扑控制的强度演变的能力。尽管最大应变显示出略微较高的散布,但趋势仍然强烈相关,证实了模型解决变形能力变化的能力。应变率和能量吸收的预测也在实验范围内显示出一致的对齐,没有系统性的偏差或聚类,表明在低响应和高响应状态下都表现稳定。数字孪生有效地捕捉了由拓扑敏感的坍塌行为引起的微妙非线性,包括致密化率和应变局部化模式的变化[34]。

总体而言,所有响应参数之间的强关联性证实了神经数字孪生能够忠实再现LPBF A286晶格结构的复杂高应变率行为,并作为进一步的不确定性分析、优化和设计探索的可靠计算替代品。

3.2.3. 统计误差分布和模型鲁棒性
为了严格评估神经数字孪生预测的统计可靠性,使用相对于实验值的百分比偏差表示的相对误差分布进行了残差分析。这种标准化使得能够在具有显著不同幅度的多个响应参数之间进行无尺度的模型性能评估。结果分布显示在图8中。与绝对残差不同,相对误差表示提供了对预测偏差和变异性的更清晰洞察。如图8所示,所有四个响应值的误差分布都集中在接近零的位置,表明模型预测中没有显著的系统性偏差。虚线垂直线表示零误差,而实线表示每个参数的平均预测误差。
下载:下载高分辨率图片(631KB)下载:下载全尺寸图片
图8. 神经数字孪生预测的峰值应力、最大应变、应变率和吸收能量的相对误差分布,展示了无偏的和无尺度的模型性能

对于峰值应力,相对误差分布显示出轻微的正均值(+10%),表明有轻微的过度预测倾向,标准差约为11%。分布保持紧凑,没有显示出过度的偏斜,证实了稳定的预测行为。最大应变预测显示出更宽的分布,均值约为?7%,反映出轻微的低估。相对较大的分布(标准差20%)归因于应变预测对局部变形行为的敏感性以及相对较小的应变值,这放大了相对偏差。对于最大应变率,模型表现出几乎无偏的行为,平均误差约为?2.5%,分散度适中(13%)。这表明神经数字孪生能够在不同的冲击条件下以合理的准确性捕捉动态加载特性。同样,吸收能量的预测显示出轻微的低估趋势(平均值低4.8%),且变异系数相对较低(8%),这证实了尽管该指标是基于积分的性质,但在累积响应预测方面的稳定性仍然很强。需要注意的是,极端相对误差值,特别是在最大应变的情况下,是由分母小的效应引起的,并不表明模型存在系统偏差。为了可视化清晰,这些异常值已经被截断在±50%的范围内,而不影响整体的统计解释。总体而言,相对误差分布表明,神经数字孪生体在所有调查的响应参数上保持了稳定、无偏差且稳健的预测性能,没有表现出特定于拓扑或压力依赖的不稳定性。

3.2.4 数字孪生的定量性能指标
表2展示了神经数字孪生体的定量性能摘要,报告了所有机械响应参数的决定系数和均方误差。
表2. 神经数字孪生体的性能评估
输出参数 R2值 均方误差
峰值应力(MPa) 0.996 10.92
最大应变(-) 0.926 1.0 × 10^-4
最大应变率(s^-1) 0.957 384.5
吸收能量(J) 0.941 0.246

这些指标证实,数字孪生体在所有四个机械响应参数上都保持了高相关性和低绝对误差,验证了其适用于预测建模、敏感性解释和优化驱动的设计探索[35]。

3.2.5 科学意义和验证总结
结果表明,NDT(数字孖生体)作为一种高保真度的替代模型,能够以极高的精度再现LPBF A286晶格结构在复杂高应变率下的变形行为。该模型能够准确捕捉拓扑敏感的应力演变、应变局部化和能量耗散机制,在所研究的冲击压力范围内表现优异。与传统回归工具不同,所开发的数字孪生体展示了强大的物理一致性、统计稳定性和预测完整性,能够在定义的设计域内进行有信心的外推[36]。这种经过验证的替代框架为后续章节中介绍的先进不确定性量化、敏感性引导的解释和多目标优化提供了基础。因此,神经数字孪生体的稳健性将离散的实验数据集转化为一个连续的、与物理原理一致的预测系统,适用于极端动态载荷下晶格结构的智能设计。

3.3 概率预测和不确定性量化
3.3.1 基于集合的不确定性建模
尽管经过验证的神经数字孪生体表现出高确定性的准确性,但由于微观结构的异质性、轻微的几何缺陷以及应变局部化敏感性,高应变率载荷下的结构响应本质上是随机的。因此,采用了基于集合的不确定性建模策略对数字孪生体进行了概率扩展,以明确量化预测置信度与平均响应行为。构建了一组独立训练的神经数字孪生体,每个孪生体具有相同的网络架构,但使用不同的随机权重进行初始化,并在实验数据集的自助子集上进行训练。这种方法捕捉了由数据稀疏性和模型参数变化引起的认识论不确定性。对于每种晶格-压力输入组合,集合产生了一个预测分布而不是单一的确定性值。集合平均值代表最可能的机械响应,而相关的标准偏差(σ)量化了预测不确定性。这种概率框架将数字孪生体转变为一个具有不确定性意识的替代模型,同时提供预期的响应趋势和置信界限。对于需要考虑结构安全裕度以应对非确定性变形行为的关键应用来说,这种表示方法至关重要[37]。

图9展示了概率数字孪生体设计图,其中每种机械响应参数作为冲击压力的函数绘制出来,适用于蜂窝状(Honeycomb)、体心立方(BCC)和螺旋球面(Gyroid)结构。实线代表集合平均值预测,而阴影区域对应于±1σ的不确定性范围,直接可视化了整个设计域内的可靠性。
下载:下载高分辨率图像(660KB)
下载:下载全尺寸图像

3.3.2 压力依赖的预测范围和不确定性行为
图9揭示了结构响应和预测确定性的几个关键见解。在所有四个响应参数中,随着冲击压力的增加而呈现出单调增加的趋势,这与塑性断裂和致密化机制的逐步激活一致。然而,不确定性范围的大小和稳定性表现出强烈的压力依赖性和拓扑敏感性。对于峰值应力,蜂窝状结构始终表现出最高的应力水平,其次是体心立方和螺旋球面结构,这反映了其较高的相对密度和平面单元约束。在整个压力范围内,峰值应力的不确定性范围保持狭窄,偏差通常低于5%,表明应力响应被稳健预测,受随机变形变异性的影响最小。在较高压力下,所有三种拓扑的最大应变响应显示出逐渐的收敛性,表明从拓扑主导的变形转变为几何约束的致密化。在较低的压力(2-3巴)下,观察到更宽的不确定性范围,这突出了对局部屈曲行为和初始缺陷驱动的断裂模式的敏感性。随着压力的增加,应变路径趋于稳定,不确定性减少,反映了更为确定的塑性流动。

3.3.1 基于集合的不确定性建模
尽管经过验证的神经数字孪生体表现出高确定性的准确性,但由于微观结构异质性、轻微的几何缺陷以及应变局部化敏感性,高应变率载荷下的结构响应本质上是随机的。因此,采用了基于集合的不确定性建模策略对数字孪生体进行了概率扩展,以明确量化预测置信度与平均响应行为。构建了一组独立训练的神经数字孪生体,每个孪生体具有相同的网络架构,但使用不同的随机权重进行初始化,并在实验数据集的自助子集上进行训练。这种方法捕捉了由数据稀疏性和模型参数变化引起的认识论不确定性。对于每种晶格-压力输入组合,集合产生一个预测分布而不是单一的确定性值。集合平均值代表最可能的机械响应,而相关的标准偏差(σ)量化了预测不确定性。这种概率框架将数字孪生体转变为一个具有不确定性意识的替代模型,同时提供预期的响应趋势和置信界限。这种表示对于需要考虑结构安全裕度以应对非确定性变形行为的关键应用至关重要[37]。

3.4 敏感性引导的变形行为解释
3.4.1 压力敏感性分析
NDT(数字孪生体)的一个核心优势是它能够通过基于梯度的敏感性分析提取物理信息。评估了机械响应参数相对于冲击压力的偏导数,特别是能量吸收和峰值应力,以量化结构性能随着载荷强度增加的演变速率。这种表述提供了结构响应性的连续度量,将离散的实验观测转化为可机械理解的响应景观[40]。图10(a)展示了所研究晶格拓扑中能量吸收的压力敏感性。在大约2到3巴的低压力范围内,所有结构都表现出较高的能量吸收敏感性值,表明载荷的小幅度增加会触发吸收能量的显著增加。这种行为对应于单元壁弯曲的开始、局部不稳定性和早期屈曲现象,其中几何缺陷和支柱细长度起着主导作用。蜂窝状结构在此区域内表现出最高的敏感性,这反映了其平面单元几何形状和较高的相对密度,促进了施加能量向弯曲主导变形的有效转换。

随着冲击压力的增加,敏感性曲线上升并在大约3.5到5.0巴的范围内达到最大值。这一区域构成了一个关键的压力走廊,在此区间内,变形从不稳定性驱动的屈曲转变为渐进式破坏和支柱致密化。在此窗口内,单位压力下的能量吸收增量最大化,表明这是冲击缓解最有效的操作区间[41]。超过这一阈值后,所有拓扑结构的能量吸收增量逐渐减少,表明能量吸收的边际回报逐渐减少,因为变形越来越多地由致密化而非结构重配置所控制。在研究的架构中,蜂窝状结构在整个载荷谱范围内始终表现出最高的压力敏感性,其次是体心立方和螺旋球面结构。这种趋势反映了蜂窝状拓扑通过顺序铰链形成和受控弯曲来维持渐进式破坏的固有能力。对于应力敏感性也观察到了类似的趋势,这加强了相同的压力走廊控制了最佳应力响应和能量耗散效率的观点。这种压力敏感性分析因此确定了一个机械上最优的操作域,在此区间内,冲击强度的微小增加能够带来最大的结构性能提升。这种洞察对于工程设计特别有价值,因为需要在不导致过度结构致密化或材料效率降低的情况下最大化抗冲击性。

3.4.2 拓扑敏感性分析
为了进一步阐明建筑设计在控制性能差异中的作用,通过计算相对于蜂窝状参考晶格的差异能量吸收进行了拓扑敏感性分析。所得的ΔEnergy值提供了在不同压力条件下各拓扑结构的效率的直接定量度量。图10(b)展示了压力诱导的能量吸收行为差异。在整个压力范围内,体心立方-蜂窝(BCC-Honeycomb)和螺旋球面-蜂窝(Gyroid-Honeycomb)都表现出负的ΔEnergy值,证实了蜂窝状架构在能量耗散性能上的优越性。然而,这种差异的幅度随载荷强度的变化而变化。

在低冲击压力下,性能差距仍然有限,表明在早期屈曲和弹性不稳定期间变形效率相当。当压力进入先前确定的关键走廊时,差异急剧增加,在中等压力范围内达到最大差异。这一区域对应于渐进式破坏的开始,蜂窝状结构的几何配置使得应力更有效地重新分布,防止了灾难性的局部化。在较高压力下,差异趋于稳定,反映了致密化行为的增加影响力,减少了架构对性能的影响。这种拓扑敏感性分析揭示了在从弯曲主导到破坏主导的过渡期间,结构架构对机械响应的控制最为显著。一旦致密化成为控制机制,拓扑的影响减弱,不同设计之间的结构行为趋于一致。压力敏感性和拓扑敏感性的综合解释建立了一个明确的机械框架,将架构与响应演变和性能效率联系起来[43]。因此,神经数字孪生体不仅能够进行准确的预测,还能提供基于物理的变形机制洞察,为特定拓扑的设计策略和冲击缓解优化提供了科学上坚实的基础。

3.5 数字孪生体衍生的能量效率指数
3.5.1 能量效率指数的构建和物理意义
为了建立一个同时考虑结构抗性和冲击能量耗散的性能指标,在数字孪生体框架内制定了一个能量效率指数(EEI):
EEI = (ΔEnergy / ΔP)

其中ΔEnergy表示冲击过程中消耗的总能量,ΔP表示相应的峰值压缩应力。该指数提供了一种能量标准化的机械效率度量,反映了晶格架构在最大化能量吸收的同时最小化应力集中的能力[44]。与传统的孤立指标(如峰值应力或单独的吸收能量)不同,EEI将变形抗性和耗散能力整合到一个统一的无量纲描述符中,实现了对冲击缓解性能的全面评估。EEI是使用概率数字孪生体预测在整个研究压力范围内连续计算的。图11展示了蜂窝状、体心立方(BCC)和螺旋球面(Gyroid)晶格的压力依赖性EEI趋势,以及代表±1σ范围的阴影不确定性范围。这种表示允许直接评估效率稳定性;所有拓扑的置信界限和压力依赖的性能变化。

3.5.2 拓扑排序和压力依赖的效率行为
EEI趋势显示出随着冲击压力的增加而演变的拓扑依赖效率的明确层次结构。在较低的压力(2-3巴)下,螺旋球面(Gyroid)架构显示出最高的EEI值(约0.037-0.038 J/MPa),反映了其平滑的曲率和分布的载荷路径,有助于在中等应力水平下实现渐进式的能量耗散。这种行为表明在弯曲主导的变形期间效率得到提升,其中渐进式曲率控制的破坏使得单位应力下的能量转换更高[45]。随着冲击压力进入中等压力范围(大约3.5-5巴),效率排名发生了变化。蜂窝状晶格显示出更高的效率稳定性,保持了相对均匀的EEI并且不确定性范围狭窄。这表明有效的应力重新分布和渐进式铰链驱动的破坏,使得能量吸收得以持续,而峰值应力的增加不成比例。在较高压力(超过5.5巴)下,所有拓扑的EEI值趋于收敛,接近0.034-0.035 J/MPa。这种收敛反映了致密化主导行为的开始,其中结构致密化限制了进一步的变形驱动的能量耗散和特定于架构的优势的减弱。曲线之间的距离减小以及不确定性范围的缩小证实,响应效率越来越受到材料整体压缩的影响,而非几何设计的影响。3.5.3 从以弯曲为主导到以致密化为控制的转变 随着冲击压力的增加,EEI(能量吸收效率)的变化提供了基本变形模式转变的机制签名。在低压下,相对较高的EEI值对应于以弯曲为主的响应,涉及弹性-塑性构件的弯曲和渐进性屈曲。在这种模式下,建筑特性显著影响变形效率,导致不同晶格之间的效率曲线有明显的分离。随着压力的增加,在中等压力范围内出现了一个最佳效率走廊,在该范围内,相对于施加的应力,能量吸收达到最大。这个区域对应于受控制的渐进性失效,其中变形是分布式的且结构高效。超出这个走廊后,EEI的逐渐下降表明进入了以致密化为控制的变形阶段,在这个阶段,由于结构压缩、变形自由度降低以及失效体积的限制,额外的应力导致能量增益逐渐减少。这种行为突显了压力-拓扑相互作用在确定可实现的最大效率中的关键作用。因此,基于数字孪生的EEI作为一个稳健的、与设计相关的指标,能够识别冲击缓解系统的最佳操作模式和拓扑选择。通过将EEI嵌入到概率性数字孪生框架中,效率预测整合了性能趋势和不确定性范围,提供了一个用于性能驱动设计优化的可靠工具[46]。这为选择在保持结构完整性的同时最大化冲击能量吸收的晶格架构建立了定量基础,从而推动了高应变率应用中建筑材料的理性设计。3.6 多目标优化和设计空间映射 3.6.1 愿望指数框架为了将数字孪生预测转化为一个合理的设计工具,采用了基于愿望的决策理论实施了多目标优化框架。这种方法能够同时优化机械上相互竞争的目标,并提供了一个适合自动化设计选择的统一标量指标。在高应变率冲击系统中,主要性能冲突在于最大化能量吸收和最小化峰值应力之间,因为过度的应力集中会加速结构失效,而能量耗散不足则会降低冲击缓解效率。每个预测的响应参数都被标准化,并转换为介于0到1之间的单独愿望函数,其中接近1的值表示最佳性能。能量吸收被赋予最大化标准,而峰值应力被定义为最小化约束。随后通过对这些单独函数的加权聚合来确定全局愿望指数,确保了应力抵抗和耗散能力的机械重要性相等。这种公式在晶格-压力域内产生了一个连续的优化表面,使得可以系统地评估结构效率,而不仅仅是孤立响应指标。图12(a)展示了蜂窝、BCC和Gyroid架构随着冲击压力变化的愿望趋势。每条曲线代表在同时竞争约束下的综合机械性能效率,揭示了压力依赖的优化行为。BCC拓扑在整个研究压力范围内(约0.501-0.503)始终显示出最高的愿望值,表明在结构强度和能量耗散之间达到了最佳平衡。相比之下,蜂窝结构随着压力的增加而表现出逐渐增加的愿望值,而Gyroid架构在高压力、以应力为主导的阶段显示出有限的改进。下载:下载高分辨率图像(187KB)下载:下载全尺寸图像图12(a)。在多目标优化标准下LPBF A286晶格结构的压力依赖性愿望响应 这种基于愿望的公式被广泛认为是机械约束系统中多目标优化的稳健工具,特别是在冲击工程和建筑材料设计中[47]。3.6.2 优化走廊识别和拓扑主导区域为了可视化全局优化行为,使用从概率性数字孪生中获得的愿望指数构建了一个晶格-压力设计空间热图(图12(b))。该图清晰地划分了拓扑主导区域,并揭示了结构效率随压力变化的转变。下载:下载高分辨率图像(187KB)下载:下载全尺寸图像图12(b)。使用基于愿望的数字孪生优化得到的晶格-压力设计空间热图,展示了拓扑主导区域和最佳操作区域在低冲击压力(2-3巴)下,所有拓扑的愿望值保持聚集,表明几乎没有主导性和以弯曲为主的变形。然而,在中等压力区域(大约3.5-5.5巴),出现了一个明显的优化走廊。在这个阶段,BCC架构表现出持续的主导性,其愿望指数超过0.502,明显超过了蜂窝和Gyroid配置。这种行为表明BCC晶格在将施加的脉冲转化为受控制的变形方面具有更好的能力,而不会出现过度的应力集中。在更高压力(>6巴)下,所有拓扑的愿望值趋于一致,反映了向以致密化为控制的变形的转变,在这个阶段,几何差异失去了机械影响,结构响应受到材料整体压缩的支配。因此,优化图提供了一个物理上可解释的景观,将结构拓扑、加载强度和机械效率联系起来。这使得可以直接识别出性能最优区域,而不仅仅依赖于离散的实验观察。与传统的确定性方法不同,基于数字孪生的愿望景观包含了对不确定性的考虑和性能权衡,从而能够为高冲击应用选择可靠的晶格架构。这种方法与最近在建筑材料的数据驱动结构优化方面的进展保持一致,其中基于替代品的愿望映射越来越多地用于晶格和超材料系统的冲击韧性设计[47, 48]。3.7 帕累托最优行为和权衡分析 3.7.1 帕累托前沿特性和非主导区域虽然基于愿望的优化提供了一个统一的标量性能指标,但要物理上完整地表示结构效率,需要明确阐述能量耗散和应力需求之间的内在权衡。为了实现这一点,使用基于数字孪生的预测结果对吸收的能量与峰值应力进行了帕累托前沿分析,从而可以直接识别响应空间中的非主导设计配置[49]。所得到的帕累托前沿在图13中展示,其中每个点代表由神经数字孪生预测的一个可行的晶格-压力设计组合。突出的帕累托边界对应于一组解决方案,在这些解决方案中,提高能量吸收而不增加峰值应力是不可能的。这些点定义了在动态加载下机械效率响应状态的最佳权衡表面。下载:下载高分辨率图像(194KB)下载:下载全尺寸图像图13。通过NDT(数值模拟)预测得到的LPBF A286晶格架构的能量吸收与峰值应力之间的帕累托最优权衡表面位于此前沿以下的配置被认为是受支配的解决方案,在这些配置中,性能较差表现为能量吸收减少和应力需求增加。帕累托曲线的平滑、单调进展证实了数字孪生捕获了一个连续的、物理上有意义的变形流形,该流形连接了结构压缩、拓扑驱动的不稳定性和应变能量耗散。值得注意的是,帕累托前沿显示出轻微的曲率,而不是突然的不连续性,表明从以弯曲为主的变形到以致密化为控制的压缩的渐进性转变[50]。这种行为与建筑晶格系统一致,在这些系统中,能量吸收随着应力的增加而通过顺序的构件屈曲、折叠带形成和塑性致密化来变化,而不是通过离散的失效模式。此外,帕累托前沿上的不同簇对应于由不同晶格拓扑主导的区域,证实了建筑设计控制了权衡表面的特定部分。这表明没有单一拓扑能在整个能量-应力谱上实现通用最优性,强调了针对具体应用进行结构选择的必要性。3.7.2 工程含义和特定于拓扑的设计标准帕累托前沿明确表明,在冲击载荷下进行结构优化本质上是一个基于折中的过程。因此,选择最佳晶格配置必须由功能优先级来指导,而不是任何单一机械指标的绝对最大化。对于强调最大能量吸收的应用,如爆炸缓解和碰撞吸收系统,优选位于帕累托曲线高能量区域的设计点,尽管允许的峰值应力较高。相比之下,需要严格控制应力以避免灾难性失效的结构系统,如航空航天或 containment 组件,可以从帕累托前沿的低应力区域选择配置,即使能量吸收潜力较低。这确立了需要特定于拓扑的设计标准,在这些标准中,必须结合操作压力来选择晶格几何形状,以实现所需的机械性能范围[51]。因此,帕累托分析将数字孪生预测转化为一个决策支持机制,能够理性选择满足结构韧性和能量耗散要求的设计配置。通过明确映射可行与次优性能之间的边界,这种方法引入了一个考虑约束的优化范式,超越了传统的确定性评估。这种基于帕累托的解释越来越被认为是设计受复杂加载条件影响的建筑材料所必需的,特别是在能量吸收系统和超材料优化工作流中。4. 制造驱动的机械解释 4.1 LPBF A286晶格结构在高应变率下的机械综合解释图14(a-d)中展示的整合机械响应趋势为解释LPBF制造的A286晶格结构在高应变率载荷下的变形行为提供了连贯的机械框架。在整个研究的冲击范围内(2-6巴),观察到一个一致的结构层次结构,其中蜂窝拓扑表现出最高的峰值应力和能量吸收能力,其次是BCC和Gyroid。这种排序反映了拓扑控制的载荷路径连续性、构件方向和屈曲动力学在动态压缩过程中调节应力重分布和能量耗散的主导作用。如图14(a)所示,蜂窝拓扑在整个研究压力范围内始终表现出最高的峰值应力,其次是BCC和Gyroid。相应的能量吸收趋势在图14(b)中揭示了类似的拓扑依赖性层次结构。在低压阶段(2巴),变形主要由弹性弯曲和局部塑性屈曲的开始控制。蜂窝架构由平面排列的构件网络和连续的承重墙定义,促进了稳定的以弯曲为主的变形,并伴随着高效的应力传递穿过相连的单元。这种配置延迟了过早的局部化,并支持了更高的应力吸收。相比之下,Gyroid拓扑具有平滑曲折的三倍周期性表面,更均匀地分布应力,但表现出更大的结构柔顺性,导致应力集中有限和相对较低的能量吸收效率。BCC晶格表现出中等行为,由节点应力集中和混合的弯曲-拉伸变形驱动,产生适度的抵抗力和能量存储能力。随着冲击压力的增加(4和6巴),变形转变为以失效为主的阶段,其特征是持续的构件不稳定性、局部折叠和最终的致密化。这种转变与通过数字孪生敏感性分析确定的压力走廊相吻合;其中峰值机械效率出现在大约3.5到5巴之间。在这个阶段,蜂窝结构表现出受控制的层状失效,使得应力能够持续适应并通过稳定的塑性铰链形成进行连续的能量耗散。这种行为通过其定向的单元几何形状得到增强,这种几何形状有助于预测变形路径,并减少了与灾难性失效模式相关的突然应力下降[52]。BCC拓扑由于间歇性的节点屈曲和局部构件屈曲而显示出波动的应力演变,反映了其混合变形模式,这种模式由弯曲和拉伸共同控制。此外,帕累托前沿上的不同簇对应于由不同晶格拓扑主导的区域,证实了建筑设计控制了权衡表面的特定部分。这表明没有单一拓扑能在整个能量-应力谱上实现通用最优性,强化了根据具体应用进行结构选择的必要性。3.7.2 工程含义和特定于拓扑的设计标准帕累托前沿明确表明,在冲击载荷下进行结构优化本质上是一个基于折中的过程。因此,选择最佳晶格配置必须由功能优先级来指导,而不是任何单一机械指标的绝对最大化。对于强调最大能量吸收的应用,如爆炸缓解和碰撞吸收系统,偏向帕累托曲线高能量区域的设计点是首选,尽管允许的峰值应力较高。相比之下,需要严格控制应力以避免灾难性失效的结构系统,如航空航天或containment组件,可以从帕累托前沿的低应力区域选择配置,即使能量吸收潜力较低。这确立了需要特定于拓扑的设计标准,在这些标准中,必须结合操作压力来选择晶格几何形状,以实现所需的机械性能范围[51]。因此,帕累托分析将数字孪生预测转化为一个决策支持机制,使得能够理性选择满足结构韧性和能量耗散要求的设计配置。通过明确映射可行与次优性能之间的边界,这种方法引入了一个考虑约束的优化范式,超越了传统的确定性评估。这种基于帕累托的解释越来越被认为是设计受复杂加载条件影响的建筑材料所必需的,特别是在能量吸收系统和超材料优化工作流中。这种可视化加强了数字孪作作为机械上可解释框架的作用,它能够指导在竞争设计约束下的拓扑选择,而不仅仅是一个纯粹的预测模型。4. 制造驱动的机械解释 4.1 LPBF A286晶格结构在高应变率下的机械综合解释图14(a-d)中汇总的机械响应趋势为解释LPBF制造的A286晶格结构在高应变率载荷下的变形行为提供了连贯的机械框架。在整个研究的冲击范围内(2-6巴),观察到一个一致的结构层次结构,其中蜂窝拓扑表现出最高的峰值应力和能量吸收能力,其次是BCC和Gyroid。这种排序反映了拓扑控制的载荷路径连续性、构件方向和屈曲运动学在调节动态压缩过程中的应力重分布和能量耗散中的主导作用。如图14(a)所示,蜂窝拓扑在整个研究压力范围内始终表现出最高的峰值应力,其次是BCC和Gyroid。图14(b)中展示的相应能量吸收趋势也显示了类似的拓扑依赖性层次结构。图14(b)中展示的相应能量吸收趋势也揭示了类似的拓扑依赖性层次结构。在低压阶段(2巴),变形主要由弹性弯曲和局部塑性屈曲的开始控制。蜂窝架构由平面排列的构件网络和连续的承重墙定义,促进了稳定的以弯曲为主的变形,并伴随着有效的应力传递穿过相互连接的单元。这种配置延迟了过早的局部化,并支持了更高的应力吸收。相比之下,Gyroid拓扑具有平滑曲折的三倍周期性表面,更均匀地分布应力,但表现出更大的结构柔顺性,导致应力集中有限和相对较低的能量吸收效率。BCC晶格表现出中等行为,由节点应力集中和混合的弯曲-拉伸变形驱动,产生适度的抵抗力和能量存储能力。随着冲击压力的增加(4和6巴),变形转变为以失效为主的阶段,其特征是持续的构件不稳定性、局部折叠和最终的致密化。这种转变与通过数字孪生敏感性分析确定的压力走廊相吻合;其中峰值机械效率出现在大约3.5到5巴之间。在这个阶段,蜂窝结构表现出受控制的逐层失效,使得应力能够持续适应并通过稳定的塑性铰链形成进行连续的能量耗散。这种行为通过其定向的单元几何形状得到增强,这种几何形状有助于预测变形路径并最小化了与灾难性失效模式相关的突然应力下降[52]。BCC拓扑由于间歇性的节点屈曲和局部构件屈曲而表现出波动的应力演变,反映了其由弯曲和拉伸共同控制的混合变形模式。尽管这种配置能够实现适度的能量吸收,但由于屈曲稳定性较低,其结构效率仍然低于蜂窝架构。同时,Gyroid结构保持了更平滑的应力传播和延迟的局部化,但其连续的曲率降低了其在高级变形阶段对能量吸收的贡献。因此观察到的机械趋势建立了结构-变形-性能之间的明确联系。蜂窝的优势不仅源于其能够协调受控制的塑性失效,同时保持了高应力抵抗能力,还源于其较高的相对密度,这增强了承载能力并促进了有效的应力重新分配。相比之下,低密度的Gyroid结构表现出更大的柔顺性和延迟的局部化,导致峰值应力降低和能量吸收减少。BCC拓扑结构由于其结合了弯曲-拉伸变形机制,表现出中等性能。从动态载荷的角度来看,晶格结构的机械阻抗(由材料密度和有效波速的乘积决定)在SHPB测试中的应力波传输过程中起着重要作用。蜂窝状晶格的相对密度较高,导致阻抗增加,从而促进了更大的应力传输和更高的峰值应力响应。相比之下,低密度的gyroid结构表现出较低的阻抗,导致应力传播减弱和变形轮廓更加平滑。BCC晶格表现出中等阻抗特性,与其观察到的机械响应一致。

4.2. 比较性能优势和拓扑效率
图14通过直接关联峰值应力、能量吸收和归一化性能指数,在所研究的冲击压力范围内提供了拓扑优势的定量比较。系统性地观察到,蜂窝状拓扑在所有压力水平上都相对于BCC和gyroid结构表现出更高的机械效率。在6巴的冲击载荷下,蜂窝状晶格的峰值应力约为480-500 MPa,能量吸收约为12 J。而BCC结构的峰值应力约为250-270 MPa,能量吸收约为11 J;gyroid结构的抗冲击能力和能量耗散能力相对较低,峰值应力约为125-135 MPa,能量吸收约为10 J。这种定量差异证实了蜂窝状结构在承载能力和能量耗散方面显著优于gyroid结构,并且在所研究的压力范围内也优于BCC结构。观察到的这种层次结构强化了在相同材料和加工条件下,晶格拓扑对高应变率机械响应的主导影响。相对差异趋势(以相对于蜂窝状参考值的Δ能量吸收表示)表明,性能差距在加载强度范围内保持稳定,这表明观察到的优势是由拓扑结构决定的,而不是由压力引起的。这些趋势的收敛进一步证实,在相同的LPBF加工和材料条件下,结构几何形状对变形效率的调控作用比合金成分更为强烈。图14(d)中呈现的归一化性能指数将这些观察结果整合为一个统一的效率指标。蜂窝状结构在归一化应力抗性和能量耗散方面都接近于最佳性能,表明其对施加载荷的利用接近最优。相比之下,gyroid结构始终落后,反映了其柔顺的变形特性以及将机械应力转化为耗散能量的能力较低。BCC拓扑表现出中等性能,这归因于其混合的弯曲-拉伸失效机制。

这些发现与先前的研究一致,这些研究表明对齐的支撑网络和平面载荷路径在动态载荷下增强了失效稳定性和能量吸收。然而,当前的调查通过基于数字孪生的评估框架量化了拓扑优势,并通过跨相同材料系统和应变率范围的统计基础响应比较进行了补充。

4.3. 与现有文献和最先进技术的比较
近年来,对加性制造的晶格结构的高应变率机械响应进行了广泛研究,主要集中在单拓扑系统或替代合金平台(如Ti6Al4V、IN718和316L不锈钢)上。 several报告展示了金属晶格在冲击条件下的应变率敏感性和能量吸收行为的增强;然而,由于几何形状、密度、单元格设计和加载配置的变化,直接比较往往受到阻碍。Al-Khatib等人(2024年)报告了LPBF 316L晶格的动态变形行为,并观察到在以弯曲为主的结构中伴随着逐渐加剧的应变率硬化和局部失效。同样,Song等人(2023年)研究了受生物启发的晶格配置在动态压缩下的表现,并强调了拓扑曲率在调节应力分布和失效演变中的作用。虽然这些研究证实了结构设计对冲击响应的强烈影响,但由于结构几何形状和实验条件的不一致性,报告的能量吸收值波动较大。相比之下,本研究中分析的LPBF制造的A286蜂窝状晶格展示出的能量吸收值具有竞争力,在某些情况下甚至优于Ti6Al4V和316L晶格在相似应变率条件下的表现。更重要的是,本研究引入了一个统一的数字孪生框架,将实验验证、概率预测、不确定性量和拓扑敏感优化映射整合在一个连贯的架构中。与传统的实验或仿真驱动方法不同,本研究建立了跨加载范围的连续性能范围,这一范围得到了帕累托优化、可取性分析和敏感性引导解释的支持。因此,设计空间图和性能优势趋势提供了一个机制上和统计上得到验证的基准平台,而不仅仅是孤立的实证比较。这些发现将LPBF制造的A286蜂窝状晶格定位为结构高效和性能优化的候选材料,适用于先进的冲击能量缓解系统。数字孪生引导的设计智能的整合进一步区分了本研究与其他先前的调查,为高应变率应用中的拓扑感知结构优化提供了一个可扩展的范例。

4.4. 局限性和未来研究方向
尽管本研究建立了全面的实验-计算框架,但某些固有的局限性定义了当前的研究范围,并为未来的进展提供了明确的方向。本研究仅限于使用LPBF加工的A286合金制造的三种晶格结构,并在离散的单轴冲击压力条件下(2巴、4巴和6巴)进行了评估。虽然这种配置使得能够控制拓扑驱动效应的隔离,但构建材料的机械响应范围远远超出了这些离散参数。未来的研究应扩展设计空间,涵盖更广泛的晶格结构,包括分级、分层和负泊松比配置,以及相对密度和支撑细长比的系统变化。结合热机械载荷、循环冲击条件和多轴应力状态将更好地反映航空航天和国防应用中遇到的实际服务条件。这样的扩展将提高数字孪生框架的通用性,并增强其在复杂结构环境中的适用性。从建模的角度来看,当前的数字孪生主要依赖于全局几何描述符和宏观响应参数。整合微观结构信息,包括晶粒形态、晶体取向、缺陷分布和残余应力梯度,将显著提高预测的物理真实性。通过多尺度耦合方法嵌入这些描述符,数字孪生可以从一个几何解算的替代品发展成为一个能够捕捉局部失效起始和疲劳损伤累积的微观结构感知预测系统。此外,使用声发射、高速成像和原位应变监测的实时传感器反馈为闭环数字孪生更新和自适应结构优化提供了变革性的机会。这样的实时反馈集成可以实现自我演变的晶格结构,使其能够动态响应操作损伤累积和冲击严重程度,为自主的、抗冲击的系统铺平道路。进一步的研究还应致力于将当前的稳态预测框架扩展到时间分辨的变形建模,从而能够重建冲击过程中的瞬态应力-应变演变。这将显著提高数字孪模拟渐进性失效、应变局部化和屈服后变形动力学的能力。使用高速DIC数据集扩展数字孪生以纳入时间分辨的波传播建模和应变场演变,将进一步提升与现实世界冲击情景相符的预测性碰撞模拟能力。总体而言,本研究中提出的比较和机械分析确定了蜂窝状拓扑是在高应变率条件下研究的LPBF制造的A286晶格中最结构高效的配置。更重要的是,实验力学与神经数字孪生模型的整合将方法论从描述性性能评估推进到了预测性、设计驱动的工程设计优化。这里介绍的框架通过建立拓扑主导的设计原则,强化了数据驱动决策在下一代增材制造系统中的重要性。

5. 结论
本研究建立了一个全面的、以物理为基础的神经数字孪生框架,用于解释和优化LPBF制造的A286晶格结构在高应变率条件下的响应。通过整合实验性的Split Hopkinson Pressure Bar (SHPB) 数据与概率深度学习、敏感性分析、能量效率公式化和多目标优化,实现了统一的结构-响应智能平台。该框架不仅实现了高保真的预测性能,还能够在2-6巴的冲击压力范围内进行机制解释和拓扑感知的设计优化。主要结论总结如下:
1. 无损检测(NDT)显示出了出色的预测准确性,决定系数分别为0.996(峰值应力)、0.926(最大应变)、0.957(应变率)和0.941(吸收的能量),证实了其高可靠性地再现了弹塑性转变和渐进性失效机制。
2. 蜂窝状拓扑结构始终表现出优越的机械性能,在6巴压力下达到约480-500 MPa的峰值应力和约12.0 J的能量吸收,而BCC结构的峰值应力约为250-270 MPa,gyroid结构的峰值应力约为125-135 MPa,从而确立了明显的拓扑层次结构:蜂窝状 > BCC > gyroid。
3. 相对性能分析显示,BCC在所有压力水平下吸收的能量比蜂窝状少6-8%,而gyroid结构的能量吸收比蜂窝状少14-16%,证实了在相同材料条件下几何形状是主导参数。
4. 敏感性分析确定了3.5-5.0巴之间的一个关键变形区间,在该区间内能量吸收的压力敏感性达到峰值(dE/dP ≈ 1.6-1.7 J/bar对于蜂窝状),标志着从以弯曲为主导的屈曲到以失效驱动的致密化的转变。
5. 数字孪生衍生的能量效率指数(EEI)显示了依赖于压力范围的性能演变,在低压力下gyroid结构显示出略高的效率,而在中间压力范围内蜂窝状结构实现了最佳效率,表明其能够在不导致不成比例的应力增加的情况下最大化能量耗散。
6. 多目标可取性优化在4-6巴的压力范围内确定了一个稳定的最佳操作区域,在该区域内蜂窝状结构实现了最高的可取性值(D ≈ 0.50-0.503),强化了其在冲击缓解方面的机械效率。
7. 帕累托前沿分析验证了拓扑特定权衡区的存在,并确认没有单一结构能在峰值应力和能量吸收方面同时实现最优,从而为特定应用的晶格选择确立了一个考虑约束的决策框架。
总体而言,所提出的神经数字孪生框架通过将不确定性感知的预测、可解释性、敏感性引导的洞察力和优化智能整合到一个计算生态系统中,超越了传统的确定性评估。这些发现确立了蜂窝状A286晶格作为高应变率冲击应用中最具机械效率的结构,同时强调了实现最大能量效率的关键操作区间。这项工作通过提供了一个可扩展的、决策驱动的设计范式,为下一代抗冲击晶格系统在增材制造和国防关键结构应用中的发展做出了贡献。

未引用的参考文献
38....
相关新闻
生物通微信公众号
微信
新浪微博

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