金属3D打印技术进展——第二版社论

《Metals》:Editorial for Advances in 3D Printing Technologies of Metals—2nd Edition Irene Buj-Corral and Felip Fenollosa-Artés

【字体: 大 中 小 】 时间:2026年03月06日 来源:Metals 3.1

编辑推荐:

  现象学晶体塑性(CP)模型广泛应用于集成计算材料工程(ICME),以将微观结构特征与工程尺度力学行为相关联。然而,其实际应用受到基于物理的模拟的高计算成本以及参数校准的劳动密集型性质的限制,这些挑战在具有位置依赖性能的增材制造材料中进一步放大。为解决这些障碍,

  
现象学晶体塑性(CP)模型广泛应用于集成计算材料工程(ICME),以将微观结构特征与工程尺度力学行为相关联。然而,其实际应用受到基于物理的模拟的高计算成本以及参数校准的劳动密集型性质的限制,这些挑战在具有位置依赖性能的增材制造材料中进一步放大。为解决这些障碍,研究人员首先开发了物理模拟的深度神经网络(DNN)代理模型,以预测增材制造AlSi10Mg合金的应力-应变响应。使用25个实验衍生场景(5种微观结构×5组晶粒取向)训练25个独立的DNN,数据集通过杜塞尔多夫先进材料模拟工具包(DAMASK)平台和基于快速傅里叶变换(FFT)的求解器生成,用于验证材料行为。训练完成后,DNN几乎瞬间生成应力-应变曲线,从而实现对巨大参数空间的穷举网格搜索探索。该研究的方法带来了显著的效率提升,并对此进行了全面量化。通过该方法获得的最佳拟合CP参数预计比传统试错法校准(受限于有限数量的候选值)得到的参数更准确。此外,还确定了以足够精度训练DNN所需的最小CP-FFT模拟数量,减少了未来研究中昂贵物理模拟的需求。所提出的框架增强了CP模型在模拟驱动的材料工程与优化中的实用性,并广泛适用于其他领域现象学模型的参数识别。
## 论文解读:基于深度神经网络代理加速增材制造AlSi10Mg合金晶体塑性参数发现

### 研究背景与问题
集成计算材料工程(ICME)旨在通过预测模型连接工艺、结构、性能与服役表现,以加速材料与部件设计。然而,工程尺度性能受微观结构影响,尺度差异使得纯物理模型难以高效建模。现象学晶体塑性(CP)模型虽能关联微观特征与宏观应力-应变行为,但高计算成本与参数校准的试错法(耗时且无法保证全局最优)限制了其应用。增材制造(AM)材料因微观结构随位置变化,需重复校准,进一步加剧了挑战。因此,亟需加速CP模拟与参数识别的方法。

### 研究内容与结论
研究人员开发了结合深度神经网络(DNN)代理与网格搜索(GSS)的框架,以L-PBF(激光粉末床熔融)工艺制备的AlSi10Mg合金为例。首先建立基于CP-FFT(快速傅里叶变换)的物理模型,经实验验证(3个拉伸试样的应力-应变曲线作为地面真值)。随后训练25个DNN代理(5种微观结构×5组晶粒取向),每个DNN使用14,641个CP-FFT生成的数据集训练。DNN预测使GSS能评估104,060,401组候选参数,显著优于传统试错法。研究还确定了最小训练数据集(约204个),减少了计算冗余。该框架使参数校准时间从传统方法的数千世纪缩短至数小时,精度更高。论文发表在《Metals》期刊。

### 主要关键技术方法
1. **CP-FFT物理模型**:使用DAMASK平台和FFT求解器,基于Hutchinson现象学CP模型与Maiti-Eisenlohr可膨胀塑性模型(处理孔隙),模拟2D代表性体积单元(SERVE)的应力-应变曲线。
2. **DNN代理模型**:为每个场景训练独立的DNN,输入为4个可调参数(a, h0, τ0, τ∞),输出为59个应变点的应力值,使用GPU加速训练。
3. **网格搜索方案(GSS)**:自动化遍历1014组参数组合,以均方根误差(RMSE)为指标,匹配DNN预测与实验地面真值曲线,提取最佳拟合参数。

### 研究结果

#### 5.1 可调参数的最佳拟合值与计算时间
通过GSS对三个代表性场景(M1O1、M1O5、M5O1)进行参数搜索,发现最佳拟合参数在不同场景间高度一致,且与文献报道值存在差异(因参数空间更大)。CP-FFT重新模拟验证了拟合精度,GT3(早期失效样本)偏差较大,被视为异常值。每个场景的GSS计算时间约33,000秒(9.2小时)。

#### 5.2 使用DNN带来的计算时间节省
传统方法需模拟104,060,401组参数,每模拟耗时30分钟,总时间约181,908,720,000秒。DNN方法需数据集生成(15,811,204秒)、DNN训练(177秒)与GSS(33,000秒),总节省约181,892,875,621秒(5767年/场景),25个场景共节省144,175年。

### 总结与讨论
讨论部分指出,GSS提取的参数接近最优,但网格搜索可能遗漏网格外的更优值;DNN代理的精度和速度使大规模参数空间探索成为可能。研究结论翻译如下:
现象学CP模型为ICME工作流中微观结构与宏观力学行为的关联提供了稳健框架,但物理模拟的高计算成本与参数校准的繁琐性限制了其应用。本研究提出了结合ML代理与自动化网格搜索的高效框架,训练DNN代理模型实现应力-应变曲线的瞬时预测,对104,060,401组候选参数进行穷举搜索,提取了25个实验场景的最佳拟合参数。确定了约200个CP-FFT模拟的最小训练数据集,并量化了计算节省(传统方法无法处理同等规模)。该框架对AM材料(需重复参数调优以构建属性图)尤其重要,并有望推广至其他现象学模型的参数校准。未来工作将研究优化算法与GSS的性能比较。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号