晶体塑性有限元–机器学习混合方法预测多道次拉丝过程中的晶体学织构演变

《Materials Today Communications》：A Crystal Plasticity Finite Element–Machine Learning hybrid approach for Predicting Crystallographic Texture Evolution during Multi-Pass Wire Drawing

　　

有效预测塑性变形过程中的晶体学织构演变，对于设计具有定制力学性能的金属材料至关重要。本研究开发了一种实验–计算相结合的方法框架，以研究AA1050铝合金线材在拉丝过程中的织构演变。首先，采用晶体塑性有限元方法（CPFEM）对单道次拉丝过程（10 mm → 9 mm）进行了模拟，并通过与电子背散射衍射（EBSD）测量结果的比较进行了验证。随后，利用经过验证的CPFEM模型在三道次拉丝过程（10 mm → 6.8 mm）中生成多个变形水平下的晶体学取向数据，用于构建机器学习分析的数据集。CPFEM–EBSD结果表明，晶体学纤维织构逐渐增强，其特征是由于变形诱导的晶粒旋转和滑移活动而形成了双重[111]/[100]织构。对机器学习模型的比较评估显示，人工神经网络（ANN）在预测织构演变方面能力有限，而随机抽样一致性（RANSAC）回归模型提供了更准确和稳健的预测。与EBSD测量结果的比较进一步证实，基于RANSAC的方法能更可靠地再现拉丝过程中实验观察到的织构演变。

金属材料的宏观力学性能与其微观组织特征密切相关，其中晶体学织构作为晶粒取向分布的表征，深刻影响着塑性变形后的各向异性力学行为。线材拉丝是一种广泛应用的金属成形工艺，线材在模具中承受轴向拉伸与径向压缩的复合应力，发生显著的微观组织演变和织构发展。准确预测拉丝过程中的织构演变，对于优化工艺参数、调控材料强度与塑性具有重要工程意义。然而，织构演变涉及复杂的晶体滑移与晶粒旋转机制，传统解析模型难以全面捕捉；而单纯依赖实验表征则成本高、周期长。因此，有必要将物理模型与数据驱动方法相结合。针对这一问题，来自伊朗科技大学机械工程学院的P. Kiani、M. Sedighi和Rezaei M. J.等研究人员提出了一种晶体塑性有限元–机器学习混合框架。该研究首先在Abaqus-DAMASK框架内建立CPFEM模型，对AA1050铝合金线材单道次拉丝过程进行模拟，并通过EBSD实验验证了模型精度；随后利用CPFEM模型生成三道次拉丝中多个减缩率下的晶粒取向数据，构建机器学习数据集；进而训练了RANSAC回归模型和ANN模型，并与EBSD实验结果进行对比。结果表明，拉丝过程中形成了[111]/[100]双重纤维织构且强度随变形量增加而增强；RANSAC模型在预测精度上显著优于ANN，约80%的预测误差低于30°，能够可靠再现实验观察到的织构演变规律。该混合框架融合了物理机制的准确性与数据驱动的高效性，训练完成后可在数分钟内完成多道次织构预测，为金属成形过程的织构预报和工业在线监测提供了高效工具。论文发表于《Materials Today Communications》。

本研究采用的主要关键技术方法包括：基于Abaqus-DAMASK框架的晶体塑性有限元模拟，采用唯象本构模型描述铝线材的滑移主导塑性变形；EBSD实验表征，用于获取初始及变形后晶粒取向并验证模拟结果；机器学习预测方法，包括RANSAC回归（以决策树回归为基础估计器）和基于门控循环单元（GRU）的ANN模型。材料为连续铸造制备的AA1050高纯铝线材（Al含量>99.5 wt.%），初始直径10 mm，经多道次拉丝减径至6.8 mm；EBSD测量在垂直于拉丝方向的截面上进行，扫描区域为80 × 40 μm²，步长0.5 μm。

3.1 DAMASK代码的实验结果校准
研究人员将CPFEM模拟的应力–应变响应与单轴拉伸实验曲线进行拟合，校准了唯象本构模型参数。结果表明，模拟与实验曲线吻合良好，所标定的弹性刚度常数和硬化参数能够准确再现铝线材的弹性、塑性及应变硬化行为，为后续模拟提供了可靠的参数基础。

3.2 铝线材的初始织构
通过对未变形线材的（110）和（111）极图及取向分布函数（ODF）分析，研究人员证实初始晶粒取向在欧拉空间中呈近似均匀分布，不存在明显的择优取向。该随机初始织构为后续塑性变形引起的织构演变提供了基准状态。

3.3 拉丝铝线材中的织构演变
研究人员对经20%面积减缩后的线材进行了极图、反极图和ODF分析。结果显示，（111）极图上出现了[111]纤维织构，同时伴随[100]织构；反极图表明，拉丝方向（Z向）晶粒取向集中分布在[111]，横向（Y向）趋于[011]，轧向（X向）则分布在[011]和[111]之间。这些结果表明，纯铝拉丝过程中塑性变形主要通过（111）[110]滑移系进行，[111]纤维织构的形成与滑移主导的变形行为及潜在硬化效应密切相关。

3.4 机器学习算法预测的织构
研究人员利用训练后的RANSAC和ANN模型预测了面积减缩率为10%、20%、40%和54%时的织构演变，并与CPFEM模拟和EBSD实验进行了对比。结果表明，随减缩率增大，（111）织构强度持续增强；初始阶段以[100]纤维织构为主，随后逐渐演变为[111]/[100]双重纤维织构。对比分析显示，RANSAC模型的预测结果与CPFEM和EBSD结果在织构类型和强度演变上均更为一致，而ANN模型的预测能力相对有限。

3.5 预测性能精度
研究人员以晶粒欧拉角（φ?, Φ, φ?）的预测误差作为定量评价指标，对比了两种模型在四个变形水平下的性能。结果显示，RANSAC模型误差低于30°的预测占比分别为76.7%、72.1%、79.1%和80.3%，而ANN模型仅为26.1%、25.4%、43.3%和38.7%。ANN在较高误差区间（>40°）的预测占比明显更多，表明其准确捕捉晶粒取向演变的能力不足。研究人员还指出，尽管采用了GRU循环架构以体现织构演变的渐进性，但当前输入形式仅包含初始欧拉角和减缩率，未显式提供变形历史的序列信息，循环记忆机制未被充分利用，该架构与问题表述之间的不匹配可能是ANN预测性能偏低的原因之一。

3.6 不同拉丝阶段的力学性能
研究人员对原始线材及不同拉丝阶段线材进行了单轴拉伸试验。结果表明，随着面积减缩累积，屈服强度从原始态的49 MPa逐步提高到最终态的105 MPa，提升约114%；抗拉强度从87 MPa提高到126.8 MPa，提升约46%；同时断后延伸率从约60%显著下降至约15%。这表明多道次拉丝引起的织构强化与加工硬化共同作用，使线材强度大幅提升的同时塑性明显下降。

讨论