基于机器学习代理模型(Machine Learning-Based Surrogate Modelling)的高效微压痕响应反分析求取材料参数的方法

《Materials》：Machine Learning-Based Surrogate Modelling for Efficient Inverse Analysis of Micro-Indentation Response to Determine Material Parameters

　　

摘要：由于压痕响应与材料参数之间存在非线性关系，从压痕实验中进行的反分析一直是一项具有挑战性的问题。本研究提出一种数据驱动方法，将人工神经网络（Artificial Neural Network, ANN）与进化优化相结合，用于可靠且高效的反向参数识别。研究人员通过系统性地改变不同材料参数组合并模拟压痕过程，生成大规模数据集。随后利用模拟数据训练一组ANN模型，使其能够根据材料参数高效预测压痕响应，即位移–时间曲线（displacement–time curve）、压入力（indentation force）及表面形貌（surface profile）。这些训练完成的模型可替代计算昂贵的数值模拟用于反分析中材料参数的识别。通过这种方式，代理模型使反分析过程中需最小化的损失函数（loss function）的数值计算速度提升数个数量级，从而使强大的遗传算法（Genetic Algorithm, GA）可用于损失函数的最小化——若无数值高效的代理模型，该算法因需大量迭代方能产生稳健结果而无法使用。本研究系统探究了何种数学损失函数在通过压痕结果反分析确定材料参数时可获得稳健且唯一的结果。结果表明，此类反分析可成功应用于模拟数据。后续工作中该方法将被推广至实验压痕数据，以实现通过微压痕或纳米压痕测试表征材料的力学行为。

论文解读：《Machine Learning-Based Surrogate Modelling for Efficient Inverse Analysis of Micro-Indentation Response to Determine Material Parameters》（发表于《Materials》）

一、研究背景与立项依据

传统单轴拉伸试验是获取材料应力–应变关系的"金标准"，但其需大尺寸试样、复杂设备且难以进行局部表征。仪器化压痕试验（Instrumented Indentation Test, IIT）作为一种准非破坏性的微区力学测试方法，仅需记录载荷–位移（Load–Displacement）曲线即可表征材料弹塑性性能，具有重要应用潜力。然而，由于压痕响应（载荷–位移曲线、残余压痕形貌）与待识别的本构材料参数（如初始屈服强度σ_y0、Chaboche随动硬化参数C_i/γ_i、各向同性硬化参数Q/b、蠕变参数n/m）之间存在强非线性、耦合及不适定（ill-posed）关系，传统基于有限元方法（Finite Element Method, FEM）的反分析法需在优化过程中反复调用FEM求解接触问题，计算成本极高，限制了全局优化算法（如遗传算法）的应用，且易出现参数识别不唯一问题。已有研究表明单纯依赖最大压入力（Maximum Indentation Force, IF）易导致解的非唯一性，而联合位移–时间曲线（Displacement–Time curve, DT）与压痕残余轮廓（Imprint Profile, IP）可改善唯一性。本研究旨在建立基于人工神经网络（Artificial Neural Network, ANN）的前向代理模型（Surrogate Model），替代耗时的FEM仿真，结合遗传算法实现八项弹–塑–蠕变本构参数的高效、稳健反求，并系统分析目标函数中不同压痕响应对参数唯一性的影响。

二、主要关键技术方法

研究人员采用ABAQUS建立二维轴对称球形压头（半径30 μm，E=1100 GPa，ν=0.11）压入试件（E=211 GPa，ν=0.3固定）的FEM模型，摩擦系数设为0.1。通过全因子设计（3水平×8参数=6561组）叠加约1900组随机离格点生成训练数据库，压痕协议含加载–保载–卸载–再加载–二次保载–最终卸载，输出最大压入力IF、250点离散化位移–时间曲线DT及96点截断残余压痕轮廓IP。以八项材料参数为输入，分别训练三个多层感知机（Multilayer Perceptron, MLP）前向代理模型预测IF、DT与IP，经交叉验证优选隐层结构与神经元数。反分析时将代理模型嵌入遗传算法（Genetic Algorithm, GA），构造加权目标函数L(θ)=w_DT·MAE_DT+w_IP·MAE_IP（w_IF=0），对28组未参与训练的离线网格样本进行参数反求与唯一性验证，并通过单轴拉伸模拟重建应力–应变曲线校核参数物理合理性，最后做灵敏度与参数误差箱线分析。

三、研究结果

2. Constitutive Models for Mechanical Behaviour（本构模型）

研究人员选用含双背应力项的Chaboche混合硬化模型描述循环塑性（von Mises屈服准则，f=(S?α):(S?α)?(σ_y0+R)²=0），各向同性硬化R(p)=Q(1?e^?bp)，随动硬化α˙_i=C_i/γ_i·(2/3ε˙_p?γ_iα_iε˙_p)，并引入幂律蠕变模型ε˙_c=A·(q/σ_ref)ⁿ·(ε_c)^m，共八个待识别参数(σ_y0, C₁, γ₁, C₂, γ₂, Q, b, n)。

3. Forward Model of Indentation Test（压痕试验前向模型）

• •
  3.1. Finite Element Modelling of Indentation：建立2D轴对称模型并细化接触区网格（0.5 μm），验证与3D模型精度相当且计算量更低。
• •
  3.2. Data Generation by FEM Simulations：全因子3⁸设计加随机采样扩充，得到八千余组合法参数及其对应压痕响应IF、DT（250点）、IP（96点，截除零点外低信息区）。
• •
  3.3. Surrogate Model-Based on Neural Networks：对比随机森林与支持向量回归后选定MLP；IF模型单隐层，DT与IP模型双隐层。验证集（254组离格点）结果显示IF平均绝对相对误差0.72%（最大5.15%），DT与IP均方根误差（Root Mean Squared Error, RMSE）均值约0.0013（最大分别为0.0045与0.0056），证明代理模型可高精度替代FEM前向计算。

4. Application of Trained Surrogate Models for Inverse Parameter Identification（代理模型在反分析中的应用）

• •
  4.1. Inverse Analysis Framework：将三个已训练ANN代理模型嵌入GA优化循环，以候选参数→代理模型预测IF/DT/IP→计算目标函数为流程对未知参数寻优，边界同数据生成范围。
• •
  4.2. Objective Function Formulation：单独优化表明仅用IF会导致多组不同参数具相近目标值（非唯一性）；联合DT与IP可显著改善。最终目标函数弃用IF（w_IF=0），取w_DT=0.7，w_IP=0.3，经验证此加权方式参数复现最优。

5. Results of Inverse Analysis（反分析结果）

• •
  5.1. Procedure for Inverse Parameter Identification：对28组未知样本各独立运行5次GA，残差目标函数值多收敛于10^?5~10^?4。当残差<8×10^?5时参数可靠还原，典型样本反求参数与参考值平均绝对误差（Mean Absolute Error, MAE）最低达3.63×10^?5，重构DT与IP曲线与参考高度吻合。
• •
  5.2. Verification of Obtained Parameters：用反求参数进行单轴拉伸数值模拟，所得应力–应变曲线与参考本构曲线吻合良好，尤其Sample 3几近重合，证实参数具物理意义。
• •
  5.3. Uniqueness Analysis：28例参数识别绝对百分比误差箱线图显示σ_y0、C₁、γ₁中位数误差<1%，辨识最稳定；C₂、γ₂中位数误差4%~5%且散布较宽（存少数>30%离群），归因于其对压痕响应敏感性低且与各向同性硬化存在补偿效应；其余参数(b,n)居中（1%~3%）。总体表明目标函数收敛至<10^?4可获可接受唯一解。
• •
  5.4. Sensitivity Analysis：在最优解附近作二维目标函数等值线，σ_y0与C₁呈尖锐窄谷（高敏感、易唯一确定），C₂与γ₂呈扁平 elongated valley（低敏感、多组参数等价），与上述统计结论相互印证。

四、讨论与结论翻译（摘自原文Conclusions浓缩陈述）

研究人员开发了基于人工神经网络的三组前向代理模型，可高效预测球形微压痕的最大压入力、位移–时间曲线及残余压痕轮廓，替代耗时FEM仿真使损失函数评估加速数个量级，从而允许采用遗传算法进行八参数（初始屈服强度、双背应力Chaboche随动硬化、各向同性硬化及幂律蠕变参数）全局优化反分析。反分析表明：仅基于位移–时间曲线与压痕轮廓（排除最大压入力）构建的加权目标函数能给出稳健且较唯一的参数识别结果，其中位移–时间曲线权重取更高(70%)优于单一或均等加权；目标函数残差须降至10^?4以下方保证可靠性，理想应低于10^?5。参数σ_y0、C₁、γ₁具高敏感度与高重现性，C₂与γ₂存在一定非唯一性但中位数误差仍在工程可接受范围。该方法为实验微/纳米压痕测试表征材料力学行为提供了高效、可扩展的计算框架，后续将推广至实测压痕数据处理。