《Journal of Materials Research and Technology》：Modeling High-Temperature Creep Behavior of Steel Using Long Short-Term Memories and Convolutional Neural Networks
编辑推荐：
摘要：变温条件下蠕变应变的时序特性使其成为一个动态问题，需要作为多变量时间序列数据集进行处理，其中每个序列受前一个序列的影响。本研究提出了一种创新方法，利用长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM）模型预测钢在高温条件下的蠕变
摘要：变温条件下蠕变应变的时序特性使其成为一个动态问题，需要作为多变量时间序列数据集进行处理，其中每个序列受前一个序列的影响。本研究提出了一种创新方法，利用长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM）模型预测钢在高温条件下的蠕变应变曲线。这些模型在是否将钢材特征纳入模型的两种模式下运行，并需要三维输入数组。数据集包含从已发表研究中汇编的101条实验蠕变应变曲线，涵盖了Q345B、Q460GJ、Q550、Q690和Q890结构钢，测试温度范围为300°C至800°C，并施加了不同应力水平。数据集以两种方式进行了预处理：一种包含钢种、温度和应力水平，另一种排除这些特征。采用贝叶斯优化算法优化模型结构，显著提升了性能。LSTM模型表现最佳，测试集R2分数为0.96，而CNN-LSTM模型性能较差。此外，模型可以在不包含钢材特征和条件的情况下预测曲线。结果表明，所提出的数据驱动框架能够从历史蠕变数据中准确预测蠕变应变，为结构火灾分析和状态监测应用提供了有前景的基础。
基于LSTM与CNN-LSTM的高温钢蠕变行为预测模型研究解读
一、研究背景与问题
钢材因其优异的综合性能在各类工程结构中得到广泛应用。高强度钢（HSS）作为一类屈服强度达到460 MPa及以上的特种合金，通过添加锰、铬、镍、钼和钒等合金元素，显著提升了强度、韧性、延性和承载能力。然而，高温环境下钢材力学性能的显著退化是工程应用中面临的核心问题。钢材在高温下的蠕变变形会加速材料损伤累积，即使在低于屈服应力的水平下也可能导致结构过早失效或产生显著永久变形。在实际火灾场景中，钢材因高热导率和低比热容而迅速升温，其屈服强度、极限强度随暴露时间持续劣化，这些参数往往难以实时获取，给结构抗火安全评估带来了极大挑战。
传统的蠕变预测方法主要依赖于经验模型，如Norton、Bailey、Fields and Fields、Harmathy和Burger等模型。这些模型虽然在特定条件下具备一定预测能力，但普遍存在显著的局限性：Fields and Fields模型在350°C至600°C范围内预测6%以下蠕变时适用性有限；Harmathy模型基于Dorn理论开发，但无法考虑约束梁在火灾中应力的快速波动；Norton-Bailey模型参数依赖材料特性，MPC Omega模型在高温下精度不足，Kachanov-Rabotnov模型需要大量材料常数，Theta投影模型和Sine-hyperbolic模型则过度依赖经验数据。此外，传统数值方法如有限元法（FEM）、相场法（PFM）和分子动力学（MD）模拟虽然能提供细致的机理见解，但需要大量专业参数和计算资源，且难以适用于实验范围之外的条件。现有的人工智能预测研究也面临数据集规模有限、温度覆盖范围不足（多为250°C至400°C）、输入特征在真实火灾场景中难以获取等问题。因此，开发一种不依赖实时材料力学性能参数、能够利用历史蠕变数据进行预测的新方法具有重要的工程意义。
二、研究内容与意义
针对上述问题，研究人员旨在开发基于长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM）的深度学习模型，用于预测普通钢和高强度钢在高温条件下的蠕变应变曲线。该研究的核心创新在于将蠕变应变曲线视为时间序列数据，利用其历史观测数据进行预测，从而规避了对钢材力学性能和暴露时间等难以实时获取的参数的依赖。这一方法为结构火灾分析和结构健康监测提供了新的技术途径。论文发表在《Journal of Materials Research and Technology》。
三、关键技术方法
研究人员从Li等和Wu等已发表的研究中汇编了包含101条实验室蠕变曲线的实验数据集，涵盖Q345B（普通钢）、Q460GJ、Q550、Q690和Q890（高强度钢）五种结构钢，温度范围为300°C至800°C，应力水平为0.4至1.1倍对应温度下材料应变为1.0%时的应力。数据采用两种方式预处理：一种包含钢种、温度和应力水平特征，另一种排除这些特征。滑动窗口技术被用于生成固定长度的时间步序列。模型输入为三维数组，通过贝叶斯优化算法对模型结构进行超参数调优，采用期望改进（EI）作为采集函数并执行50次目标函数评估。模型训练采用60%训练集、20%验证集和20%测试集的划分方案，训练周期为100个epoch，并使用Adam优化器（学习率0.0001）。
四、研究结果
4.1 时间窗口的选取
研究人员通过评估不同回看步长和预测步长的组合发现，LSTM-NF模型在短回看窗口（两步和三步）下表现良好，CNN-LSTM-NF模型在回看三步时结果最优，包含特征的两个模型同样在短回看窗口下保持较高预测性能。最终选定回看窗口为三个观测值、单步预测作为四种模型的统一配置，在保持预测性能的同时减少了对历史数据量的需求。该三步行回看应理解为经验选择的预测设置，而非钢材蠕变的物理特征时间尺度。
4.2 优化后的模型结构
贝叶斯优化确定了各模型的最终结构。LSTM-Opt-NF包含两个LSTM层（512和32个单元）和两个全连接层（512和8个节点）；LSTM-Opt-WF包含两个LSTM层（128和16个单元）及两个全连接层（128和256个节点）；CNN-LSTM-Opt-NF采用16个Conv1D滤波器、核大小为2，后接平均池化和两个LSTM层（512和8个单元）；CNN-LSTM-Opt-WF采用256个Conv1D滤波器、核大小为3，后接平均池化和两个LSTM层（256和128个单元）。所有模型在50次迭代后均实现收敛。
4.3 不同模型的损失分析
训练和验证损失曲线表明100个epoch足以完成训练，模型在约40个epoch后收敛。包含输入特征的CNN-LSTM模型收敛速度更快，而省略输入特征仅延长了收敛时间，但模型仍能在可接受的损失水平下良好运行，且未出现过拟合现象。
4.4 性能指标评估
LSTM-Opt-NF模型表现最佳，测试集R2达到0.962，RMSE为0.0167；LSTM-Opt-WF同样表现优异，测试集R2为0.9603，RMSE为0.0171。CNN-LSTM-Opt-NF和CNN-LSTM-Opt-WF的测试集R2分别为0.9492和0.9533。LSTM模型相比CNN-LSTM模型更适合蠕变应变预测，这是因为蠕变应变本质上具有长期依赖性的时间相关现象，而CNN层对局部特征的过度强调可能对整体趋势预测产生干扰。
4.5 模型预测结果对比
各模型均能准确预测时间序列数据，包含输入特征的模型性能略优于不含特征的模型。Taylor图分析显示，LSTM-Opt-WF和LSTM-Opt-NF模型具有最高的相关系数（约0.95）和较低的标准差，综合评估推荐LSTM-Opt-WF为最优模型。
4.6 计算成本与实际实施
四种模型的参数量介于758,913到1,184,529之间，每个预测样本的推断时间为0.294至0.322毫秒，处理全部测试样本的总时间不超过0.06秒，表明模型具有快速推理的计算可行性。该框架可作为滚动窗口预测系统实施：当获得三个连续蠕变应变观测值后，模型即可生成下一步预测，新测量值到达时更新缓冲区实现连续预测。但研究人员指出，实际传感器噪声、通信中断、数据缺失等问题需要额外的数据质量层处理，火灾条件下的实地部署仍需进一步验证。
4.7 与传统及先前研究的比较
相比需要复杂参数的传统模型（如Norton-Bailey、MPC Omega等），所提出的数据驱动模型仅需适当的训练数据集即可适应变化的温度、应力和材料行为，无需预定义的复杂微分方程。与先前的人工智能预测研究相比，本研究的温度覆盖范围扩展至800°C，且模型在无法获取钢种、温度和应力水平等特征时仍能仅依靠历史蠕变数据实现可靠预测，这在火灾场景中具有突出实用价值。
五、讨论与结论
讨论部分指出，NF模型的良好表现不应被理解为蠕变行为在物理上独立于温度、应力和钢种，而是表明在具备充分近期蠕变应变历史的条件下，这些变量无需作为显式输入提供。研究结论表明：LSTM模型在预测高温下普通钢和高强度钢蠕变应变方面表现优异；滑动窗口方法配合预测步长为1、回看步长为2至3的配置可获得最佳预测性能；添加输入特征对模型性能影响微小，但显著减少了收敛所需的训练周期，蠕变预测因此可以不依赖于钢种、温度、暴露时间和应力水平等数据集特征；所提出的LSTM框架在可获得历史蠕变应变测量值的情况下，具备进行快速短时蠕变应变预测的潜力。未来研究应关注在未见过的热-力及火灾条件下的独立验证、与实时结构传感器数据的集成、蠕变速率及断裂相关量的预测，以及真实测量条件下不确定性评估，以确保该框架在安全关键的火灾监测和实时工程部署中的可靠性。
