基于机制与数据双驱动的多模态深度学习方法用于轴承钢本构关系建模

《International Journal of Minerals Metallurgy and Materials》：Mechanism and data dual-driven multimodal deep learning approach for constitutive relationship modeling of bearing steels

　　

摘要

在成分波动的情况下准确建模材料的本构关系面临诸多挑战。传统的基于机理的方法难以捕捉材料属性随成分变化而产生的复杂非线性行为，而数据驱动的深度学习方法虽然具有较高的精度和稳定性，但由于缺乏物理冶金机制的严格约束，往往会导致较大的预测偏差。为解决这一关键问题，本研究提出了一种基于编码器-解码器框架的多模态深度学习模型，将物理冶金理论与机器学习相结合，从而在复杂的载荷和成分波动条件下实现材料本构关系的高精度预测。首先，系统比较了三种编码器架构——长短期记忆网络（LSTM）、门控循环单元（GRU）和时间卷积网络（TCN）的性能，结果表明基于TCN编码器的模型表现最佳，其平均绝对误差、均方根误差、平均绝对百分比误差以及相关系数分别仅为1.84 MPa、2.75 MPa、4.48%和0.9918。通过与纯数据驱动模型的对比，验证了物理冶金在深度学习过程中的重要指导作用。此外，通过将该模型嵌入数值模拟框架并应用于领域外数据，进一步验证了其在材料加工场景中的准确性和泛化能力。最后，利用所开发的模型分析了元素含量对材料力学性能的影响。本研究为获取材料本构关系提供了一种高效可靠的替代方法，避免了传统实验方法的高成本，同时为材料设计的计算机辅助优化及材料加工过程优化提供了可能。