《Materials & Design》:Orthotropic behavior characterization in sheet metal forming: parameter identification of Yld2011-27p model using deep learning and genetic algorithm
编辑推荐:
本文推荐一项关于板材成形中正交各向异性行为表征的研究。针对高精度Yld2011-27p各向异性模型参数识别传统上依赖大量实验的难题,研究人员开展了基于深度神经网络(DNN)与遗传算法(GA)的数据驱动方法研究。该研究通过单次深冲实验的耳子几何形状,成功实现了27个各向异性参数的高效标定,最终轮廓预测误差低于实验标定结果,显著减少了实验工作量,为复杂材料本构模型的高效、精确校准提供了新范式。
在汽车、航空航天、食品和家电等工业领域,板材金属成形技术应用广泛。为了实现产品与模具设计、减少浪费和优化工艺过程,精确预测材料在成形过程中的行为至关重要。先进的屈服函数,如Yld2011-27p,已被证明能够高精度地预测板材金属的各向异性行为。然而,应用这些高级屈服函数面临两大挑战:一是需要大量的实验数据来进行参数标定,二是涉及复杂的技术实现。传统的参数识别方法通常依赖于在不同方向(相对于轧制方向)上进行的大量单向实验以及双向实验,这不仅耗时耗力,而且可能无法充分考虑复杂加载条件的影响。
为了克服这些局限性,Majid Shafaie、Mehrdad Keneshlou和Sina Askarinejad来自伊朗阿米喀布尔理工大学机械工程系的研究团队,在《Materials 》上发表了一项创新研究。他们开发了两种数据驱动的方法——直接法和间接法,旨在仅利用单次深冲实验获得的耳子几何形状,来高效确定Yld2011-27p模型的27个各向异性参数。这项研究的意义在于,它极大地减少了传统参数识别所需的实验工作量,同时通过自动化流程提高了校准的效率和准确性,为材料本构模型的快速、精确标定开辟了新途径。
研究人员为开展此项研究,主要运用了几个关键技术方法:首先,利用有限元分析(FEA)软件Abaqus/Explicit进行深冲过程模拟,其中模具表面离散为刚性体,板材坯料用缩减积分的S4R壳单元模拟,并考虑了库仑摩擦。其次,开发了用户自定义材料子程序(VUMAT)来实现Yld2011-27p屈服准则和Swift硬化定律的本构积分。核心的创新在于集成了两种数据驱动方法:1)直接法:训练一个深度神经网络(DNN),其输入是深冲后坯料轮廓上特定角度节点的坐标,输出直接预测27个各向异性参数。该DNN使用初始的有限元模拟数据进行训练,并通过迭代方式不断用新模拟数据更新。2)间接法:结合DNN和遗传算法(GA)。首先训练一个DNN,其输入是各向异性参数,输出预测坯料轮廓。然后将这个训练好的DNN作为遗传算法的目标函数,遗传算法通过优化各向异性参数来最小化预测轮廓与实验轮廓之间的误差(以均方根误差RSE衡量)。整个参数识别过程通过Python脚本实现自动化,用户只需提供实验轮廓数据和参数取值范围。
2.1. 塑性模型与有限元模拟
本研究选择了Aretz和Barlat提出的非二次正交各向异性Yld2011-27p屈服函数。该函数形式复杂,包含27个各向异性参数(c′12, c′13, ..., c″′44),能够精确描述材料在不同应力状态下的屈服行为。硬化行为采用Swift定律描述。研究通过编写的VUMAT子程序在Abaqus中实现了该模型,并详细阐述了其数值积分算法(弹性预测-塑性修正的返回映射算法),确保了模拟的准确性。
2.2. 数据驱动系统
本研究比较了直接和间接两种方法。误差度量采用轮廓节点坐标的均方根误差(RSE)。为规范数据并为遗传算法提供搜索域,研究首先根据文献数据确定了27个各向异性参数的取值范围。深度神经网络采用三层隐藏层(每层256个神经元)结构,在直接法中架构为14-256-256-256-21(输入为14个坐标值,输出为21个独立参数),在间接法中为21-256-256-256-14。隐藏层使用了ReLU和Sigmoid激活函数,输出层使用线性激活函数。网络使用Adam优化器进行训练,损失函数为均方误差(MSE),并采用了10折交叉验证来评估模型性能。遗传算法则采用默认设置进行参数优化。
3. 结果与讨论
研究首先展示了不同各向异性参数组合对深冲杯最终形状(特别是耳子)的显著影响,说明了精确标定参数的重要性。作为对比基准,研究还通过传统的实验数据(七个方向的单拉试验结果)最小化误差函数,标定了一套Yld2011-27p参数。
对于提出的两种数据驱动方法:
- •
直接法:在经过初始13组有限元数据训练后,DNN预测的参数误差(RSE)从初始的大于7毫米迅速下降到2毫米左右,并通过迭代(共115次循环)不断更新DNN,最终使误差降至0.9427毫米,低于实验标定方法的误差(0.9687毫米)。
- •
间接法(GA):该方法利用DNN作为GA的目标函数。由于GA的随机性,其误差曲线较为波动,但收敛速度更快,在37次循环后即达到收敛,最终RSE误差为0.8774毫米,略优于直接法。
- •
间接法(贝叶斯优化):研究还尝试了贝叶斯优化(BO)作为另一种优化器,在68次运行后获得结果,RSE为0.9762毫米,也取得了良好效果。
通过比较不同方法得到的参数所模拟出的圆形杯和方形杯的轮廓与实验轮廓,研究发现所有基于Yld2011-27p的模拟结果(无论采用哪种标定方法)均比传统的Hill48模型更接近实验值,尤其是在0度和90度方向。虽然Hill48在板材角落的预测稍好,但整体上数据驱动方法校准的Yld2011-27p模型展现了更高的预测精度。此外,研究还通过连接权重法分析了DNN中输入(轮廓坐标或各向异性参数)对输出的相对重要性,揭示了哪些几何特征或材料参数对最终形状预测起关键作用。为了进一步验证方法的普适性,研究将其应用于另一种材料AA2090-T3的杯突试验模拟中。结果表明,间接法标定的参数将平均均方根误差(MRSE)从文献报告的0.80毫米显著降低到0.39毫米,进一步证明了该方法的有效性和优越性。
本研究成功开发并验证了两种基于数据驱动的自动化框架,用于高效、精确地识别复杂的Yld2011-27p各向异性屈服模型的参数。直接法利用DNN从变形几何形状直接映射到材料参数,算法相对简单;间接法则结合DNN和优化算法(GA或BO),以DNN为代理模型进行优化搜索,所需训练数据更少,收敛速度可能更快。两种方法均能将预测误差降低到亚毫米级别,且优于传统的实验标定方法。这项研究的重要意义在于:首先,它显著降低了对繁琐物理实验的依赖,仅需一次深冲实验即可,大大节省了成本和时间。其次,该方法具有通用性,可适用于不同的最终产品形状,并能间接反映摩擦、加载速率等工艺条件的影响,从而可能获得更适用于特定成形工艺的材料参数。最后,这种结合数值模拟、深度学习和优化算法的自动化校准框架,为处理其他复杂本构模型的参数识别问题提供了强有力的工具和新思路,在计算材料学、先进制造工艺优化以及材料性能精准表征领域具有广阔的应用前景。