考虑本构模型家族的深度学习:从球形压痕预测拉伸性能

《Engineering Applications of Artificial Intelligence》:Constitutive-family-aware deep learning for predicting tensile properties from spherical indentation

【字体: 大 中 小 】 时间:2026年09月26日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   ## 摘要 球形压痕提供了一种准无损方法用于评估服役构件的拉伸性能,但大多数基于学习的方法假设预先定义的本构模型,因此当材料硬化行为未知时适用性较差。本研究开发了一个四阶段物理约束深度学习框架,用于从球形压痕响应进行本构族感知的盲反演。该框架能够识别本构族、预测族特异性拉伸

  

## 摘要

球形压痕提供了一种准无损方法用于评估服役构件的拉伸性能,但大多数基于学习的方法假设预先定义的本构模型,因此当材料硬化行为未知时适用性较差。本研究开发了一个四阶段物理约束深度学习框架,用于从球形压痕响应进行本构族感知的盲反演。该框架能够识别本构族、预测族特异性拉伸性能和本构参数、通过将本构解码与直接曲线预测相结合来重构完整的应力-应变曲线,并执行可靠性筛查。建立了一个包含2135个有效案例的有限元(FE)数据库,覆盖幂律硬化、屈服平台-幂律硬化和线性硬化行为,用于模型开发和评估。在留出的FE测试集上,该框架达到了95.64%的本构族分类准确率,重构曲线的平均决定系数(R2)达到0.9796。屈服强度和抗拉强度的平均相对误差分别为2.90%和2.42%。对九种工程材料的独立球形压痕和拉伸实验正确识别了所选代表性记录的本构族,相应的平均强度误差为4.74%和3.96%,平均曲线R2约为0.982。对于可靠性筛查,实现曲线R2≥0.95的平均校准概率为87.02%,而观测到的测试集比率为89.41%。这些结果支持了三种预设本构族内及当前球形压痕规程下的本构族感知拉伸特征化和仿真-实验迁移。

## 引言

拉伸性能是结构设计、完整性评估和寿命预测的基本输入数据(Cai et al., 2026; Zhang et al., 2026),也是进一步评估断裂韧性(Zhang et al., 2019a, 2022)、残余应力(Peng et al., 2022, 2023)、疲劳性能(Blinn et al., 2019; Johnson et al., 2022)等的重要基础。然而,传统的单轴拉伸试验具有破坏性,需要加工标准化试样,且通常在实验室条件下进行(Pathak and Kalidindi, 2015)。因此,传统拉伸试验难以应用于无法取样采样的在役结构区域(Peng et al., 2025)。因此,开发准无损条件下从局部区域获取拉伸性能的方法长期以来一直是工程力学和材料表征领域的重要课题。

仪器压痕因其小测试体积、有限损伤和高效性而受到广泛关注(Fu et al., 2026; Peng et al., 2020)。与传统拉伸试验相比,球形压痕测试更适合局部区域和复杂结构件的力学表征。在加载过程中,接触面积逐渐增大,压头下方的弹塑性区域不断扩展;因此,载荷-深度曲线包含了关于屈服、硬化和变形抗力的丰富信息。这赋予球形压痕从局部压痕响应预测单轴拉伸行为的潜力。

然而,反向转换仍具挑战性,因为球形压头下方的应力场强烈三轴且空间不均匀。传统方法使用经验关联(Tabor, 1951; Haggag et al., 1996)、膨胀空腔模型(Zhang et al., 2019b)、量纲分析(Cao and Lu, 2004; Cheng and Cheng, 2004; Zhao et al., 2006)和基于能量的方法(Chen and Cai, 2016; Sun et al., 2025; Zhang et al., 2020)将压痕响应转换为拉伸性能信息。这些方法提供了有用的物理诠释,但其实际实施通常需要简化假设、经验系数或有限元(FE)校准。许多方法还依赖于接触面积估计,而这会受到材料相关的隆起和凹陷行为的影响(Ahn and Kwon, 2001; Kim et al., 2006; Zhang et al., 2018)。这些因素使得在不同硬化响应的材料之间进行统一的解析处理变得困难。

近年来,迭代有限元方法、优化算法和机器学习越来越多地应用于压痕反演问题(Huang et al., 2019; Sun, 2022; Wang et al., 2021, 2025)。早期使用有限元生成数据库和人工神经网络(ANN)的研究表明,可以从受控仿真数据库中学习压痕响应与本构参数之间的非线性映射(Tyulyukovskiy and Huber, 2006; Sharma et al., 2011)。后续研究改进了拉伸流动重构的特征编码、实验-仿真匹配和超参数选择(Jeong et al., 2020),并将数据驱动反演扩展到残余应力识别和耦合材料性能估计(Salmani Ghanbari and Mahmoudi, 2022)。物理引导约束、自编码器和迁移学习也被引入以提高对复杂本构行为和实验噪声的鲁棒性(Marimuthu and Lee, 2023),同时使用双压头响应、表面轮廓和隆起形态等附加信息来应对粗糙表面并提高参数可识别性(Marimuthu et al., 2023; Jiao et al., 2024)。最新进展还包括各向异性参数识别(Jeong et al., 2024)和使用卷积神经网络同时推断残余应力和塑性流动(Park et al., 2026)。

总体而言,有限元仿真为压痕反演分析提供了可控的数据基础,而机器学习为高维非线性映射提供了高效工具。二者的结合正在推动该领域超越经验公式和单一回归,迈向多源信息融合、物理约束建模和复杂条件下的快速反演。尽管取得了这些进展,基于学习的压痕反演仍存在一个重要的实际局限。大多数现有的有限元机器学习和物理引导方法在预定义的本构表示及其相关参数空间内构建反向映射。虽然这种策略在硬化行为已知时是有效的,但对于未知材料——其本构族无法先验获取——的盲表征则不太适用。不同本构行为可能产生高度相似但不一定完全相同的球形压痕响应,这进一步加剧了困难。近期研究表明,这种实际歧义性主要源于有限应变敏感范围内的响应相似性,而具有区分性的信息可能仍保留在加载和卸载特性中(Sun et al., 2026)。本构模型选择在更广泛的材料表征研究中已有探讨,通常通过结合多种力学响应来实现。然而,直接从球形压痕响应识别最合适的硬化族并使用该识别来引导后续族特异性反演仍未得到充分探索。

因此,本研究解决的挑战不仅是提高规定本构族内的回归精度,而是从压痕响应本身确定合适的硬化族,并在统一框架内执行族特异性拉伸性能反演。此外,参数反演和直接应力-应变重构通常作为单独的任务处理,这可能导致预测本构参数与重构曲线之间不一致。对于盲反演,这种不一致性变得更加关键,因为族识别的不确定性可能传播到后续的性能预测中。因此,需要一个统一框架来整合族识别、族特异性反演、物理一致的曲线重构和预测可靠性评估。

据此,本研究开发了一个四阶段物理约束深度学习框架,用于从球形压痕进行本构族感知的盲反演。主要贡献在于推断过程中不需要被测材料的本构族作为先验信息。相反,首先使用压痕响应估计材料是否属于幂律硬化族(PHF)、屈服平台-幂律硬化族(YPHF)或线性硬化族(LHF),随后激活相应的族特异性路径进行本构参数反演、拉伸性能预测和完整应力-应变曲线重构。这种分层策略能够在预定义的本构和测试域内实现本构族识别和后续族特异性反演。第二项贡献是通过本构解码、一致性监督和差异控制自适应融合,显式耦合族特异性参数反演与直接应力-应变重构,从而改善预测参数与重构曲线之间的一致性。第三,通过多目标学习策略纳入本构知识,该策略将数据拟合与物理可容许性、边界、连续性、曲线面积和分支间一致性约束相结合。最后,引入了规程特异性可靠性筛查模块以提供可靠性信息并识别工程应用中可能需要进一步审查的预测。

## 片段

### 数据集构建与采样策略

在本研究中,每个有限元样本代表一个由三种选定硬化族之一的可容许本构参数向量定义的合成材料案例。该参数向量被分配给相应的材料模型,然后进行独立的球形压痕加载-卸载仿真以获得载荷-深度响应。所得压痕响应作为模型输入,而本构族标签、族特异性参数和……

### 实验程序

为评估有限元模型和所提出四阶段框架的仿真-实验迁移能力,选择了九种具有不同合金体系和硬化特性的工程材料进行球形压痕和单轴拉伸测试。幂律硬化族包括12Cr2Mo1R、Al6061和TC4;屈服平台-幂律硬化族包括Q345R、Q235B和15CrMoR;线性硬化族包括S30408、316L和一种镍基合金。该……

### 结果与讨论

所提出框架的预测性能使用留出的有限元测试集和独立实验测量进行评估。留出的有限元结果用于量化域内预测性能,而实验结果单独报告以评估规定球形压痕规程下的仿真-实验迁移。本构族识别使用分类准确率评估;拉伸性能预测使用……

## 结论

本文提出了一个四阶段物理约束深度学习框架,用于从球形压痕预测具有不同硬化行为材料的拉伸性能并重构应力-应变响应。主要结论如下:

(1)本构族分类器在验证集和留出测试集上的准确率分别为97.50%和95.64%。大多数误分类发生在幂律硬化与屈服……之间的边界附近。

## CRediT作者贡献声明

孙光华:原创草稿撰写、方法论、正式分析、概念化。江文春:审阅与编辑、资源、经费获取。杨斌:项目管理、调查。王岩松:可视化。张新杰:数据管理。陈景凯:审阅与编辑。涂善东:监督、经费获取。

## 利益冲突声明

作者声明他们不存在任何已知的可能影响本文报告工作的竞争性财务利益或个人关系。

## 致谢

作者感谢国家自然科学基金杰出青年科学基金项目(编号52325502)和国家自然科学基金重点项目(编号52130511)提供的支持。

孙光华 | 江文春 | 杨斌 | 王岩松 | 张新杰 | 陈景凯 | 涂善东
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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