《Journal of Materials Science & Technology》：Digital modeling for rapid prediction and multi-objective optimization of the entire microstructure and property fields of complex components in die forging
编辑推荐：
•开发了一种锻件整体微结构和性能场的数字建模方法。•开发了一种锻件微结构和性能的多目标优化方法。•本研究所提出的策略具有快速计算和高精度。引言典型金属热加工过程的控制——如铸造、锻造和增材制造——对高端设备中使用的部件最终微结构和性能起着关键作用[1,2]。传统上，加工参数与
- •
开发了一种锻件整体微结构和性能场的数字建模方法。
- •
开发了一种锻件微结构和性能的多目标优化方法。
- •
本研究所提出的策略具有快速计算和高精度。
引言
典型金属热加工过程的控制——如铸造、锻造和增材制造——对高端设备中使用的部件最终微结构和性能起着关键作用[1,2]。传统上，加工参数与所得微结构和性能之间的关系是通过实验试错或基于手动经验的数值模拟来研究的。然而，这些方法受到漫长周期的限制，只能进行"前期设计"或"事后分析"，而无法实现实时分析和在线控制，因此无法满足数字化和智能制造的需求[3,4]。
机器学习已成为建立快速和精确材料加工预测模型的一种有前景的工具[5,6]。例如，Bambach等人[7,8]将有限元模拟与实验镦锻数据相结合，建立了一个预测钢锻件中细晶区边界的机器学习模型，并进一步开发了模型预测控制算法用于在线优化。同样，Kim等人[9]利用Ti-6242镦锻的实验数据，通过深度神经网络预测晶粒尺寸，然后使用信赖域方法优化晶粒尺寸的分布。Sun等人[10]应用人工神经网络基于镦锻和退火数据预测Ti-6Al-4V的拉伸性能。这些工作成功建立了相对简单形状工件的微结构和性能数字模型和控制策略，为推进材料热加工中的智能控制方法提供了宝贵的见解。
精密模锻——广泛应用于航空航天和交通运输中关键部件的制造[11,12]——涉及更为复杂的外形演变和明显的物理场异质性[13,14]。这不可避免地导致部件产品不同位置的微结构和性能存在显著的空间变化[15,16]。因此，仅依赖设定加工参数作为输入的机器学习模型对于复杂模锻件的整体微结构和性能场的预测和控制是不够的。解决这一空白因此是实现智能过程控制和高质制造的关键一步。
在此前的工作中[17]，开发了一种仅基于有限元模拟数据的数字建模方法，实现了模锻过程中多个物理场的整体快速预测和均匀性控制。在此基础上，本研究聚焦于AA2014铝合金飞机轮毂的模拟锻件，提出了一种将"加工参数→物理场→微结构/性能场"进行映射的链式建模框架，该框架整合了有限元模拟、有限数量的锻造实验和机器学习算法。该框架能够实现微结构和性能的整体快速预测，并与遗传算法耦合后，实现晶粒细化、硬度增强和空间均质化的多目标优化。本研究为模锻过程中微结构和性能的实时预测和智能控制提供了宝贵的见解和方法学参考。
章节摘要
研究策略和方法
图1展示了本研究的研究策略。锻造过程中不断演变的物理场（包括温度、应变速率、应力和应变场）是影响锻件微结构和性能的关键因素[18,19]。因此，本研究以物理场作为中间变量，建立了锻造工艺参数与锻件整体微结构和性能场之间的映射模型。首先，
机器学习建模
对表S3中列出的96组变形物理量、微结构和性能数据进行了分析，同时考虑了相应的锻造工艺参数和采样点坐标。平行坐标图如图S1所示，更多详细信息可在补充材料S3中找到。分析表明，锻造工艺参数和采样点坐标显著影响变形物理量、微结构和性能。因此，作为
整体场预测的链式建模策略
本研究的主要贡献是开发了一种将有限元模拟与有限实验数据相结合的链式建模方法。传统的机器学习模型可以将锻造工艺参数映射到局部或平均性能，但无法预测整体微结构和性能分布。链式建模策略通过引入变形物理量作为中间环节来解决这一问题，有效地分解了
结论
本研究以AA2014铝合金航空航天锻件为例，提出了一种将"加工参数→物理场→微结构/性能场"进行映射的机器学习建模方法。该方法基于有限元模拟数据，并通过有限数量的锻造实验进行补充。通过整合遗传算法，该方法实现了锻件整体微结构和性能的
CRediT作者贡献声明
胡浩：撰写——审阅与编辑，撰写——原稿，验证，软件，方法论，调查，数据整理。赵帆：撰写——审阅与编辑，撰写——原稿，项目管理，方法论，调查，概念化。王智磊：撰写——审阅与编辑，验证。张智昊：撰写——审阅与编辑，方法论，概念化。吴道祥：验证，资源。王正安：验证，资源。谢建新：撰写——审阅与
胡浩|赵帆|王智磊|张智昊|吴道祥|王正安|谢建新
