物理引导的GA-BP神经网络本构模型及12Cr2Mo1V2Cr2Mo1V钢的热变形行为

《Journal of Materials Research and Technology》：A physics-guided GA-BP neural network constitutive model and hot deformation behavior of 12Cr2Mo1V steel

　　

12Cr2Mo1V钢是制造重型承压部件的核心材料，精确表征其高温热变形行为对于工艺参数优化和微观组织控制至关重要。本研究在900–1200 °C温度范围和0.001–1 s^-1应变速率范围内进行了等温单轴热压缩试验，以系统研究该钢的流动行为及微观组织演变。电子背散射衍射（EBSD）表征证实，热变形过程中发生了显著的动态再结晶（DRX），且连续动态再结晶（CDRX）与不连续动态再结晶（DDRX）机制共同作用以细化微观组织。在物理机制层面，基于加工硬化率曲线精确提取了流动特征值，并结合动态回复（DRV）和DRX的演变过程建立了传统阿伦尼乌斯型本构模型。在此基础上，提出了一种数据-机制双驱动预测方法：以材料成分和加工参数为输入、物理特征值为输出构建反向传播（BP）神经网络模型，并通过遗传算法（GA）进行全局优化。结果表明，GA优化后的BP模型在研究的参数域内达到了0.95–0.98的高决定系数（R²），在预测精度和鲁棒泛化能力方面显著优于传统唯象方法。基于动态材料模型（DMM）构建了多变量加工图，确定该钢种的最佳热加工参数窗口为1050–1150 °C和0.01–0.1 s^-1。

**论文解读文章**

**研究背景、存在问题及研究目的**
12Cr2Mo1V钢是一种低合金Cr-Mo-V耐热钢，通过Cr和Mo的固溶强化以及纳米级钒碳氮化物的析出，展现出优异的高温力学性能、抗氢侵蚀能力和可焊性，是制造大型加氢反应器和核压力容器壳体等重型承压部件的关键材料。大型压力容器壳体的主要成形工艺为高温热锻，热变形参数直接决定了材料的微观组织演变，而微观组织的均匀性和稳定性最终影响锻件的服役性能及全寿命周期安全。工艺参数配置不当易导致混晶、晶粒粗化甚至锻造裂纹等缺陷，造成重大经济损失和生产延误。因此，精确、定量地表征12Cr2Mo1V钢在高温热变形过程中的流动行为，并建立准确的流动曲线本构模型，对于优化其热加工工艺和实现精确微观组织控制至关重要，对确保大型压力容器锻件的制造质量和降低生产成本具有重要的工程价值。

传统本构模型（如阿伦尼乌斯型、Johnson-Cook等）存在三大局限：一是唯象模型本质上是实验数据的经验拟合，仅在拟合参数区间内保持合理预测精度，外推精度显著下降；二是未能考虑热变形的物理冶金机制，无法定量描述加工硬化、动态回复（DRV）和动态再结晶（DRX）的竞争耦合行为，导致对DRX主导的非稳态流动阶段预测精度不足；三是传统物理基模型数学复杂、参数标定繁琐、需大量微观组织实验支持，多机制耦合求解困难，严重制约了工程应用。近年来，机器学习方法（如人工神经网络、支持向量回归、随机森林）凭借高维非线性映射能力，在流动应力预测中展现出优于传统模型的精度，但这些方法本质上属于纯数据驱动黑箱范式，预测结果缺乏可解释性，无法揭示宏观流动与微观组织演变的内在关联，不能为热加工过程中的微观组织控制提供理论指导。

为解决上述问题，研究人员以大型压力容器用12Cr2Mo1V钢为对象，提出一种融合物理冶金机制与机器学习的流动曲线预测模型，旨在实现全热加工参数范围内流动行为的高精度预测，并赋予模型清晰的物理可解释性。通过分析不同应变下的加工图，阐明变形温度和应变速率调节微观组织演变的机制，从而确定最佳加工参数，并结合微观组织分析揭示DRX机理。

**研究内容与结论**
研究人员开展了等温单轴热压缩实验（温度900–1200 °C，应变速率0.001–1 s^-1），系统研究了12Cr2Mo1V钢的流动行为与微观组织演变。基于EBSD表征确认了DRX的发生及CDRX和DDRX的共存机制。通过加工硬化率曲线提取物理特征值，建立了传统阿伦尼乌斯本构模型；在此基础上，构建了遗传算法（GA）优化的反向传播（BP）神经网络模型，以材料成分和加工参数为输入、物理特征值为输出，实现了数据-机制双驱动预测。结果表明，GA-BP模型的决定系数（R²）达到0.95–0.98，预测精度和泛化能力显著优于传统方法。基于动态材料模型（DMM）构建了多变量加工图，确定最佳热加工参数窗口为1050–1150 °C和0.01–0.1 s^-1。微观组织分析揭示了DDRX和CDRX的协同细化机制。该论文发表在《Journal of Materials Research and Technology》。

**主要关键技术方法**
研究人员采用的主要关键技术方法包括：（1）等温单轴热压缩实验（Gleeble-1500D热模拟试验机），在900–1200 °C、0.001–1 s^-1条件下获得流动应力-应变曲线；（2）EBSD表征（Oxford Instruments EDAX）结合AztecCrystal软件分析微观组织演变；（3）基于Poliak-Jonas准则和加工硬化率曲线提取临界应变、峰值应力、稳态应力等物理特征值；（4）构建传统阿伦尼乌斯本构模型，并利用GA全局优化方程系数；（5）建立BP神经网络，以化学成分（C、Si、Mn、Cr、Mo、V）和加工参数（温度、应变速率、应变）为输入，以物理特征值和GA优化后的方程系数为输出，进行训练和预测；（6）基于DMM构建加工图，结合功率耗散效率η和塑性失稳参数ξ确定最佳工艺窗口。

**研究结果**

**3.1 流动行为**
通过分析不同温度和应变速率下的真应力-应变曲线，发现流动应力对变形温度和应变速率高度敏感，曲线呈现加工硬化、DRX软化和稳态流动三个典型阶段。在低应变速率（0.001 s^-1）和高温（≥1050 °C）条件下，曲线表现出多重DRX引起的周期性应力波动。

**3.2 微观组织演变**
EBSD分析（IPF图、KAM图、GB图）表明：随着应变增加，原始粗大晶粒逐渐被细小的DRX晶粒取代，几何必需位错（GND）密度降低，小角度晶界（LAGBs）向大角度晶界（HAGBs）转化。变形温度升高促进原子扩散和晶界迁移，但过高温度（1200 °C）下DRV占主导，DRX比例下降。应变速率增加导致变形时间缩短，位错积累加剧，促进DRX成核，晶粒细化，HAGBs比例升高。

**3.3 本构模型**

**3.3.1 物理特征参数提取**
采用Poliak-Jonas准则，通过加工硬化率曲线θ-σ、lnθ-ε及d(lnθ)/dε-ε曲线，精确确定了临界应变、峰值应力、稳态应力等特征值，并建立了与温度、应变速率的关系。

**3.3.2 动态再结晶动力学建模**
利用Cingara经验方程描述峰值前流动行为，通过Avrami方程描述DRX体积分数演变，建立了DRX动力学模型，获得了相关材料参数。

**3.3.3 传统阿伦尼乌斯型模型**
基于阿伦尼乌斯方程和Zener-Hollomon参数，通过线性回归确定材料常数（n₁=6.532, β=0.125, α=0.01665, n=5.07872, Q=357.43 kJ/mol），建立了特征应力/应变与Z参数之间的幂律关系，从而获得传统模型预测的流动曲线。

**3.3.4 改进的GA-BP模型**
构建了GA+BP+阿伦尼乌斯方程的双驱动预测框架。GA用于全局优化各实验条件下的本构方程系数（种群50，进化100代，交叉概率0.85，变异概率0.01），显著提高了拟合精度（R²最高达0.998，RMSE最低0.265）。BP神经网络采用单隐层（12个神经元）结构，输入为7个变量（化学成分和加工参数），输出为8个物理特征值及方程系数。训练集49个样本，验证集12个，测试集4个独立样本。GA-BP模型在测试集上R²稳定在0.954–0.979，RMSE=1.68 MPa，MAPE=2.32%，远优于传统模型（R²波动于0.704–0.937，RMSE和MAPE更大）。

**3.4 加工图的建立**
基于DMM计算了应变速率敏感指数m、功率耗散效率η和塑性失稳参数ξ，叠加得到不同应变下的加工图。失稳区集中于高应变速率和低温区域，高η区出现在高温低应变速率区域。以中高应变下流动稳定性和高效耗散为标准，确定最佳热加工窗口为1050–1150 °C和0.01–0.1 s^-1。EBSD交叉验证表明，该窗口内材料呈现均匀等轴的充分DRX组织，HAGBs比例达51.7%，微观组织稳定性高。

**3.5 动态再结晶动力学**
基于Avrami模型计算了不同变形条件下DRX体积分数X_DRX随应变的变化曲线，所有曲线呈S形特征。高温和低应变速率使曲线左移，即促进DRX提前发生。

**3.6 动态再结晶机制**
通过EBSD分析不同应变、温度和应变速率下的IPF、KAM、GB图及GOS分布，确认了DDRX和CDRX的共存。DDRX主要发生在原始晶粒的HAGBs处，通过应变诱导晶界弓出成核；CDRX发生在晶粒内部，通过亚晶渐进旋转、LAGBs向HAGBs转变实现再结晶。低应变和低应变速率下CDRX受抑制，DDRX占主导；高应变和高应变速率下CDRX更显著。两机制协同作用有效细化组织。

**总结讨论与结论翻译**
**总结讨论**：研究人员通过将物理机制与机器学习相结合，成功解决了传统本构模型精度不足和纯数据驱动模型缺乏可解释性的问题。GA-BP模型不仅实现了高精度预测，还通过物理特征值提取和本构方程约束保持了物理合理性。加工图分析为工艺优化提供了定量依据，微观组织研究揭示了DDRX和CDRX的协同机制，为热加工过程中的微观组织控制提供了理论指导。

**结论翻译**：
(1) 12Cr2Mo1V钢的流动应力曲线表现出显著的DRX特征。流动应力的演变源于位错积累引起的加工硬化效应与DRV和DRX驱动的动态软化机制之间的竞争相互作用。在900–1200 °C变形温度范围和0.001–1 s^-1应变速率范围内，建立了该材料的传统阿伦尼乌斯本构模型。
(2) 建立了结合遗传算法（GA）参数优化和反向传播（BP）神经网络的双驱动模型。通过以具有物理意义的特征参数为学习目标，该模型在预测流动应力曲线时实现了0.95–0.98的R²；不仅表现出比传统本构模型显著更高的预测精度，而且在所研究参数域内对未见数据保持了稳健的泛化能力和物理可解释性。
(3) 基于动态材料模型和耗散效率计算，通过叠加功率耗散图和塑性失稳图构建了综合热加工图。分析表明，该材料在高温和低应变速率区域具有高功率耗散效率，而塑性失稳区主要集中在高应变速率和低温区域。最终确定了12Cr2Mo1V钢的最佳热加工工艺参数窗口为：变形温度1050–1150 °C，应变速率0.01–0.1 s^-1。
(4) 微观组织演变分析表明，材料在变形过程中同时发生DDRX和CDRX；这两种机制的协同作用促进了有效的微观组织细化。此外，在低应变和低应变速率条件下CDRX受到抑制，此时DDRX起主导作用。