机器学习使能的AZ31合金变形与动态再结晶预测：面向定制化逆向设计

《Materialia》：Machine learning enabled predictions of deformation and dynamic recrystallization in alloy AZ31: Toward customized inverse design

　　

本研究提出了一种创新的机器学习（ML）方法，该方法能够基于定义范围内的温度和变形条件对AZ31合金进行快速性能预测。此外，该方法还能逆向建议一组工艺参数以实现目标性能。训练数据集是使用最近开发的场波动粘塑性自洽（FF-VPSC）模型生成的，该模型能够模拟动态再结晶（DRX）条件下的各向异性变形。FF-VPSC模型包含一个温度敏感位错密度基硬化定律、一个用于处理一次和二次孪晶的先进复合晶粒模型、一个晶粒破碎模型以及一个再结晶模型。该模型经过验证，能够在给定初始织构和从室温到200 °C的施加变形条件下，捕捉热机械响应的演变，包括应力-应变（σ-ε）关系、织构、孪晶体积分数、再结晶程度、晶粒尺寸以及滑移和孪晶模式的相对活性。首先展示了一个人工神经网络（ANN）模型能够根据给定的工艺参数（包括温度、预应变水平和预应变路径）精确再现该合金的应力-应变曲线和π平面多晶体屈服面（PCYS）投影。然后开发了一种基于遗传算法（GA）的逆向设计方法，以基于预定义的机械响应找到优化的工艺参数。详细讨论了导致成功逆向设计的条件以及可能导致失败的因素。

**论文解读：机器学习驱动的AZ31合金变形与动态再结晶预测及逆向设计**

**研究背景与意义**

镁（Mg）合金因其轻量化潜力在航空航天、汽车、医疗和电子工业中日益受到关注。然而，镁合金具有六方密排（HCP）晶体结构，导致其低温延展性差、显著的各向异性以及拉压不对称性。在高温（如200 °C）下，塑性变形通过多滑移系统进行，同时伴随动态再结晶（DRX），这显著影响流动软化和织构演化。传统晶体塑性（CP）模型虽能准确模拟这些行为，但计算成本高昂，且缺乏根据目标性能逆向推荐工艺参数的能力。现有机器学习（ML）模型大多未考虑温度依赖性，且专注于正向分析而非逆向设计。因此，研究人员开发了一种集成的ML-遗传算法（GA）框架，旨在实现AZ31合金的快速正向性能预测和定制化逆向工艺设计，为材料加工工艺优化提供新范式。该论文发表在《Materialia》。

**关键技术与方法（不超过250字）**

研究人员采用的主要关键技术方法包括：1）场波动粘塑性自洽（FF-VPSC）模型，用于生成训练数据集，该模型整合了温度敏感位错密度基硬化定律、复合晶粒模型（处理一次和二次孪晶）、晶粒破碎模型和再结晶模型，经验证能捕捉从室温到200 °C的热机械响应演变；2）人工神经网络（ANN）模型，基于工艺参数（温度T、预应变水平ε₀、预应变路径P）预测应力-应变（σ-ε）曲线和π平面多晶体屈服面（PCYS）；3）遗传算法（GA）逆向设计工具，通过自然选择与进化过程搜索优化工艺参数。样本来源：商业热轧AZ31板材（Mg-3Al-1Zn-0.5Mn，wt.%），经350 °C退火12小时获得均匀无孪晶组织，初始平均晶粒尺寸25 μm，初始织构由X射线衍射测量。

**研究结果**

**3.1 前向ANN模型评估**

- **3.1.1 不同预应变路径下的预测评估**：在固定预应变水平ε₀=0.2和第二阶段温度T=200 °C条件下，比较FF-VPSC与ANN预测的σ-ε曲线和PCYS。结果表明，ANN模型能准确预测不同预应变路径下的力学响应。其中，UND-T路径获得最高强度，PS-ND-C路径获得最高等向性（f_iso=0.984）。强度差异源于孪晶主导与滑移主导变形机制的不同，等向性提升与织构强度降低及非基面滑移激活有关。

- **3.1.2 不同温度下的预测评估**：选取UND-T和PS-ND-C两种预应变路径，在T=50-200 °C范围内评估。ANN预测与FF-VPSC结果高度一致。随温度升高，屈服强度持续下降，屈服面变得更等向。UND-T路径下f_iso从0.876增至0.912，PS-ND-C路径下从0.912增至0.984，主要由非基面滑移系统激活增加所致。

- **3.1.3 不同预应变水平下的预测评估**：在固定T=200 °C条件下，ε₀从0.04变化至0.2。ANN预测与FF-VPSC吻合良好。UND-T路径下，屈服强度随预应变增加而增加，但等向性下降（f_iso从0.984降至0.912）；PS-ND-C路径下，屈服强度增加且等向性提升（f_iso从0.936增至0.984）。该对比行为源于两种路径不同的微观组织演化：UND-T为孪晶主导硬化，加剧方向性；PS-ND-C为滑移主导，促进均匀内应力分布并降低织构强度。

**3.2 基于GA的逆向设计评估**

- **3.2.1 基于真实材料性能的逆向设计**：以已知工艺参数（ε₀=0.0349，T=168 °C，P=UND-T）对应的σ-ε曲线和PCYS为目标，GA模型准确找到接近的工艺参数（ε₀=0.0392，T=168.1 °C，P=UND-T），最大适应度f_max=0.981，证明逆向设计有效。

- **3.2.2 基于假设材料性能的逆向设计**：分为三个场景。场景1：仅基于假设σ-ε曲线（将基线屈服强度放大1.2倍、1.5倍、3倍、5倍）。GA成功识别1.2倍和1.5倍情况的工艺参数（f_max>0.95），但3倍和5倍情况失败（f_max<0.5），表明目标曲线不可实现。场景2：仅基于假设PCYS曲线。将基线PCYS转为完美圆形时失败（f_max=0.903），而均匀缩放1.2倍和1.5倍时成功（f_max>0.95），说明AZ31固有各向异性无法完全消除，而均匀强化可行。场景3：同时基于假设σ-ε和PCYS曲线。当两者均可实现时，GA准确找到工艺参数（f_max=0.973）；当任一目标不可实现时，GA倾向于满足可实现目标，导致整体失败。讨论指出，屈服强度与等向性之间存在权衡，难以同时优化。

**总结与结论**

**讨论部分总结**：GA逆向设计在工艺参数预定义范围内有效，但依赖于目标性能的物理可实现性。ANN模型隐式学习了材料变形模式，因此GA能识别不可实现目标，并给出最可行解。强度与等向性存在竞争机制，前者需要增强方向性硬化，后者需促进均匀变形模式，导致无法同时实现。

**研究结论翻译**：1）ANN模型展示了在各种工艺条件下预测σ-ε曲线和PCYS的 promising 能力，可消除重复模拟需求，提升传统晶体塑性代码效率。2）通过三项系统研究评估ANN模型，每次改变一个工艺参数（ε₀-T-P），FF-VPSC与ML预测高度一致，证明ML模型能有效捕捉复杂微观力学行为并准确复制PCYS形状。3）GA模型在目标响应对应于经验证FF-VPSC模拟可再现的AZ31行为时，能可靠识别工艺参数；反之，若目标曲线反映不可实现响应，则设计空间内不存在任何工艺条件，GA仅能给出最可行解。