摘要
在本研究中，通过结合经典塑性理论与神经网络算法，成功开发了一种针对 AA7075-T6 各向异性力学行为的机器学习模型。首先，基于不变量的四阶线性变换构建了一个包含强度不对称性和方向依赖性的屈服准则，并采用返回映射和隐式积分方案实现了应力更新算法。随后，建立了一个包含多方向拉伸、压缩和剪切测试的实验结果以及额外应变路径理论生成数据的训练集，用于训练一个经遗传算法优化的双隐藏层神经网络。塑性阶段评估表明，对于等双轴路径，机器学习模型预测的应力 - 应变曲线相对于本构实现的 RMSE 值分别为 31.87 和 39.24 MPa。需要注意的是，等双轴载荷下的应力 - 应变响应代表一个额外的预测案例。与拉伸、压缩和剪切实验数据相比，训练后的模型表现出令人满意的预测性能，并且能够重现源自经典本构模型的理论应力路径。该方法利用了传统本构建模的物理可解释性和数据驱动方法的高效率，为高效预测复杂应力状态下金属材料的各向异性力学响应提供了一种可行的解决方案。
