由于其高熔点、出色的机械稳定性和抗辐照性，钼铼（Mo-Re）合金作为极端温度应用的难熔结构材料引起了相当大的关注[1], [2], [3], [4], [5]。添加铼通过改变钼的变形行为并抑制其固有的脆性，有效地提高了钼的延展性和韧性[6], [7]。当铼与钼合金化时，钼基体的延展性和抗拉强度可以得到显著提升[8], [9]。然而，Mo-14Re合金本质上具有较高的变形抗力和狭窄的热加工窗口，这使得热机械加工变得具有挑战性。
本构建模提供了变形条件与流动应力之间的基本关系，是热加工过程中数值模拟和工艺优化的基础[10], [11], [12], [13]。在各种现象学本构模型中，Arrhenius型模型因其简洁的数学表达、清晰的物理意义以及在广泛变形条件下的良好预测能力而被广泛采用[14], [15], [16], [17], [18]。与纯数据驱动的模型不同，Arrhenius模型通过表观变形激活能Q明确地纳入了热激活效应[19], [20]。然而，Arrhenius模型的参数识别主要依赖于传统的线性拟合方法[21], [22]，其预测精度主要取决于参数识别的可靠性。特别是，顺序计算和非线性参数耦合可能导致误差累积和预测可靠性降低。识别的激活能的微小偏差可能会在流动应力预测中引起较大误差，因为Q直接决定了Zener–Hollomon参数的温度依赖性演变。因此，改进参数识别策略而非修改本构公式本身，已成为提高Arrhenius型模型预测能力的重要问题。
已经投入了大量努力来提高本构模型的预测精度和参数识别可靠性。Gonya等人[12]引入了一种应变补偿的Arrhenius模型来描述2205双相不锈钢的热变形行为，其中考虑应变率效应的Zener–Hollomon参数修改有效地提高了预测能力。Xia等人[13]通过将本构模型集成到DEFORM-3D中，为2A12-T4铝合金开发了KM Arrhenius模型，与传统的Arrhenius模型和GA-Arrhenius模型相比，取得了更低的预测误差。He等人[23]证明传统的Johnson–Cook模型不足以准确描述20CrMo合金钢的变形行为，并通过引入变形温度和应变率的耦合效应提高了预测精度。这些研究表明，通过引入额外的变形变量或耦合效应可以改进本构公式以提高预测精度。然而，这样的方法通常会增加模型复杂性并引入额外参数，可能会损害经典本构模型的简单性和物理透明性。
另一种策略是在保持原始本构公式的同时改进参数识别过程。在我之前的研究[22]中，提出了一种基于遗传算法（GA）的优化策略，用于确定Ti-6Al-4?V合金Arrhenius模型中的材料常数。通过同时优化多个参数（α, n, Q和A），该方法减少了对外部拟合程序的依赖性并提高了参数确定的可靠性。Wang等人[24]提出了一种基于反向传播神经网络（BPNN）的多尺度本构参数识别方法，用于La-TZM合金，其中GA用于参数优化，并评估了变形演化误差。将人工智能算法集成到本构模型开发和参数优化中已成为提高材料变形行为描述和模型预测能力的有效方法[18], [25], [26]。然而，现有方法主要针对复杂的本构框架或直接数据驱动的预测模型开发，而保持经典Arrhenius模型物理结构的受限优化策略仍然研究不足。
为应对这些挑战，开发了一个集成GA和BPNN的受限非线性参数识别框架，用于Mo-14Re合金的Arrhenius本构模型。本研究的主要目的不是用神经网络替代物理本构模型，而是提高经典本构模型的参数识别可靠性，同时保持其物理可解释性。在不同的温度和应变率下进行了热压缩试验，以表征高温变形行为。系统比较了五种参数识别策略，以明确传统拟合、全局优化和神经网络辅助调节的各自贡献。所提出的框架提供了一种物理上受限且由优化驱动的方法，用于提高难熔Mo-14Re合金Arrhenius本构建模的精度和可靠性。
