摘要
准确识别本构参数对于可靠的板材成形过程有限元模拟至关重要。传统的逆识别技术，如有限元模型更新（FEMU），通常需要涉及大量有限元模拟的迭代优化过程，导致计算成本高昂。本研究提出了一种基于双向长短期记忆（Bi-LSTM）神经网络的机器学习框架，用于从自定义设计的反向弯曲试验中识别等向–随动硬化耦合参数。采用Sobol抽样方法，系统性地改变Swift等向硬化定律和Armstrong–Frederick随动硬化定律的参数，生成了一个包含5000个有限元模拟的合成数据集。所得的力–位移历程被用于训练Bi-LSTM网络，直接从力–位移响应中预测五个本构参数（K、n、C以及随动硬化参数）。为提高预测结果的物理合理性，引入了一种物理约束损失函数，通过在训练过程中对随动硬化参数的负值进行惩罚来约束预测。所提出的模型对等向硬化和随动硬化参数均实现了判定系数 R2 大于0.98的表现，同时将物理上不可接受的预测数量从约30例减少到仅1例。在DP500和DP780先进高强钢上进行了实验验证，使用Bi-LSTM预测参数的有限元模拟结果与实验测量的回弹角吻合良好。所提出的方法在训练完成后可实现近乎即时的本构参数识别，消除了对计算密集型迭代优化的需求，同时保持了高预测精度和物理一致性。
