基于物理原理的两阶段学习框架用于TC4钛合金的本构建模:通过温度和应变速率外推进行验证 陆 成、 邵晨西、 程 彭

《Metals》:A Physics-Guided Two-Stage Learning Framework for Constitutive Modeling of TC4 Titanium Alloy: Validation Through Temperature and Strain-Rate Extrapolation Lu Cheng, Chenxi Shao and Peng Cheng

【字体: 大 中 小 】 时间:2026年05月12日 来源:Metals 2.5

编辑推荐:

  摘要 在高温下对TC4钛合金进行准确的本构建模对于航空航天制造业中的工艺设计和数值模拟至关重要。然而,纯数据驱动的深度神经网络(DNN)往往会出现严重的过拟合现象,并且在数据稀疏或严格超出分布(OOD)的区域可能产生与物理事实不符的预测结果。为了解决这个问

  摘要 在高温下对TC4钛合金进行准确的本构建模对于航空航天制造业中的工艺设计和数值模拟至关重要。然而,纯数据驱动的深度神经网络(DNN)往往会出现严重的过拟合现象,并且在数据稀疏或严格超出分布(OOD)的区域可能产生与物理事实不符的预测结果。为了解决这个问题,本研究提出了一种基于物理原理的两阶段神经网络框架,称为NN-PhysicsInit,用于TC4合金的本构建模。在第一阶段,使用基于应变补偿的Arrhenius型本构方程生成的大规模合成数据集对网络进行预训练,从而将分析性的先验知识引入初始的拓扑空间。在第二阶段,利用在800–980°C和0.001–1 s?1范围内进行的等温压缩试验得到的严格校正的实验数据对预训练模型进行微调,以提高材料特定的预测准确性。为了评估泛化能力,分别在温度(1010°C)和应变率(10 s?1)维度设计了一种严格的双视角外推验证方案。结果表明,与直接的黑盒训练相比,所提出的框架成功防止了非物理性的发散,并在未见过的领域中更好地保持了宏观热力学的一致性。具体来说,在温度外推任务中,外推平均绝对相对误差(AARE)从34.21%显著降低到14.34%;在应变率外推任务中,从27.91%降低到8.92%。这些发现证实,基于物理的初始化作为一种强大的隐式正则化器,有效地减轻了外推灾难,同时保持了高拟合精度。所提出的框架为在数据有限条件下对复杂合金进行本构建模提供了一种稳健且实用的策略。

1. 引言
TC4(Ti-6Al-4V)钛合金由于其高强度、优异的耐腐蚀性以及在高温下的良好性能,在航空航天、海洋工程和其他高端制造领域得到广泛应用[1]。在锻造和超塑性成形等热加工过程中,其流动行为强烈依赖于温度、应变率和应变,这些行为受到加工硬化、动态恢复(DRV)和动态再结晶(DRX)的协同作用的影响[2,3]。因此,对TC4合金进行准确的本构建模对于工艺优化、有限元方法(FEM)模拟以及成形部件的性能控制至关重要[4]。在传统的本构方法中,基于应变补偿的Arrhenius型方程仍然是描述钛合金热变形的基准[5,6]。这些分析模型结构紧凑且易于物理解释,能有效捕捉热机械参数的耦合效应。然而,由于函数形式是预先定义的,当材料响应变得高度非线性时,特别是在涉及明显流动软化或相相关复杂性的情况下,它们的预测准确性往往受到限制[7,8]。正如Buchmayr[9]所指出的,虽然传统模型提供了可靠的基准,但它们难以满足现代数字孪生在复杂制造环境中的精确度要求。随着机器学习的发展,深度神经网络(DNN)因其强大的非线性映射能力而在本构建模中受到了越来越多的关注[10,11]。最近的一些综合性综述,例如发表在《材料科学进展》(Progress in Materials Science)上的最新研究[12],系统地强调了数据驱动方法在预测金属材料的复杂热机械行为方面的变革性影响。此外,人工神经网络的高级应用在捕捉各种合金在极端加工条件下的高度非线性流动特性方面展示了卓越的预测能力[13]。在许多情况下,基于DNN的模型在训练域内可以达到高拟合精度。然而,在数据有限且不平衡的情况下,纯数据驱动的模型容易过拟合,并且通常表现出较差的外推性能[14]。这个问题在热压缩实验中尤为严峻,因为高应变率条件下通常会产生较少的数据点,因为变形完成得非常快[15]。此外,高应变率实验数据本身包含局部噪声和测量伪影(例如界面摩擦和绝热加热)。纯数据驱动的模型缺乏来自潜在变形物理的明确指导[16,17],不可避免地会过度拟合这些缺陷。正如Bock等人[14]强调的那样,平衡模型的灵活性和物理稳健性仍然是一个核心障碍。因此,当应用于采样稀疏或未见过的区域时,这些“黑盒”模型会产生不稳定或趋势不一致的预测,这大大降低了数字制造的模型可靠性[18]。因此,开发一种结合神经网络灵活性和基于物理的解析模型稳健性的本构建模策略是非常有必要的[19,20]。最近在物理引导和迁移学习基础上的建模进展表明,先验物理知识可以提高数据效率和泛化性能[21,22,23,24,25,26]。先进的框架最近开始整合物理冶金定律,例如Li等人的工作[25]利用冶金引导的学习来预测微观变形机制。尽管这些方法非常有价值,但为复杂的航空航天FEM模拟提供高度可靠、不发散的宏观本构方程需要一种不同的视角——一种严格受连续介质力学和热力学一致性约束的视角。尽管过去几十年对TC4钛合金的现象学流变行为有广泛的记录,为实验数据提供了丰富的基础,但由于上述涉及极端局部梯度的外推灾难,直接应用纯数据驱动的深度学习模型进行FEM数字孪生仍然非常危险。因此,在本研究中,作为“基准材料”的TC4合金被战略性地用来提出和验证一种新的方法论框架:一种宏观物理引导的两阶段学习框架,称为NN-PhysicsInit。该框架不是将显式的物理残差嵌入损失函数中,而是通过在由校准的Arrhenius模型生成的平滑合成数据集上进行预训练来引入分析性先验知识,然后使用实际实验数据进行微调。这种策略作为一种隐式的物理正则化器,过滤掉实验噪声,并限制初始参数假设空间,使其与热力学边界保持一致。

除了模型设计之外,这项工作还强调了一个非常严格的外分布(OOD)验证协议。与主要依赖随机插值测试的传统数据驱动研究不同,设计了一种严格的双视角外推策略来挑战模型的物理边界。具体来说,该框架在两个关键维度上进行盲目外推:热力学边界(温度外推到1010°C,跨越宏观β转变)和动力学边界(应变率外推到10 s?1,其特征是数据严重不平衡和动态软化)。这项工作的科学新颖性不在于发现TC4的新变形机制,而在于在经典热力学边界和高容量非线性机器学习之间建立了一个稳健的算法桥梁。这种双视角验证严格证明了嵌入的物理先验可以有效防止纯黑盒模型典型的灾难性外推失败,保证在未见过的极端条件下的物理有界预测,并为航空航天部件制造提供了可靠的数字基础。

2. 材料与方法
2.1. 实验材料与程序
本研究调查的材料是商用TC4(Ti-6Al-4V)钛合金(由中国宝鸡的宝钛集团有限公司提供),其详细的化学组成列在表1中。表1. 调查的TC4钛合金的化学组成( wt.%)。
为了获得各种变形条件下的基本流动应力数据,在Gleeble-3800热模拟器(美国纽约州Poestenkill的Dynamic Systems Inc.公司制造)上进行了等温热压缩试验。完整的实验程序和设计的热机械路径在图1中示意性地说明。沿着接收状态的锭材的轴向加工了直径为8毫米、高度为12毫米的圆柱形试样。为了在压缩过程中最小化界面摩擦并防止异质变形(桶形变形),试样的两端都进行了仔细抛光,并涂覆了钽箔和石墨润滑剂。所有测试都在真空环境中进行,以防止高温下的氧化。图1. 热压缩试验程序的示意图。根据TC4合金的典型热加工窗口,变形温度设定为800、850、900、950、980和1010°C。同时,应变率选为0.001、0.01、0.1、1和10 s?1,从而形成了30种不同变形条件的综合实验矩阵。
图2展示了TC4合金在各种温度和应变率下的综合流变行为。为了严格消除测量伪影,使用标准摩擦和绝热加热校正模型重新计算了原始实验数据(虚线),得到了真实的等温流动应力曲线(实线)[27]。此外,该图还叠加了由应变补偿的Arrhenius模型计算出的分析基线。为了明确展示我们的数据隔离策略,图表区分了用于模型校准的插值点(用实心点标记)和用于未见过的极端条件(即10 s?1和1010°C)的分布外(OOD)外推预测(用叉号标记)。图2. TC4合金在各种温度和应变率下的真实应力-应变曲线:(a) 800°C, (b) 850°C, (c) 900°C, (d) 950°C, (e) 980°C和(f) 1010°C。虚线代表原始实验数据,而粗实线表示经过严格摩擦和绝热加热校正后的真实等温流动应力曲线。实心点表示从Arrhenius模型在训练域内得出的计算值。叉号标记代表用于分布外(OOD)条件的纯外推预测(即10 s?1和1010°C的盲测试集)。

2.2. 建立分析性先验模型
为了为网络预训练提供物理上的先验,首先建立了一个基于应变补偿的Arrhenius型本构模型。应变率(ε)、流动应力(σ)和变形温度(T)之间的关系可以表示为:
(1)
其中A、n和α是材料常数,Q是热变形的活化能,R是通用气体常数。
在低应力和高应力条件下,方程(1)可以表示为:
(2)
(3)
其中A1、A2、n1和β是材料常数,α = β/n1。Zener–Hollomon参数(Z)定义为:
(4)
对方程(2)和(3)取对数得到:
(5)
(6)
从拟合的ln ε与σ和σ的关系中可以得出参数n1和β。
对方程(1)取对数得到:
(7)
对于给定的温度,材料常数n可以表示为:
(8)
对于给定的应变率,活化能Q可以从以下公式获得:
(9)
将方程(8)代入方程(9)得到:
(10)
对方程(4)取对数得到:
(11)
因此,可以从ln [sinh(ασ)]和ln Z之间的线性关系中得到n和ln A的值。
为了提高本构模型的预测准确性,将真实应变对流动应力的影响纳入了分析中。从方程(4)得出的本构方程将流动应力与Zener–Hollomon (Z)参数联系起来,可以表示为:
(12)
为了考虑材料行为的应变依赖性,基本材料常数(α、n、Q和ln A)被视为真实应变的函数。这些参数在0.05到0.60的应变区间内以0.05的步长依次计算,然后使用六阶多项式函数进行平滑拟合。
(13)
为了进一步验证构建的基于应变补偿的Arrhenius模型的可靠性,将计算出的材料常数与文献中报道的类似TC4(Ti-6Al-4V)钛合金的模型进行了比较。如图3c所示,本研究计算出的变形活化能(Q)根据真实应变的不同,大约在480到620 kJ/mol之间变化。这个范围与Ti-6Al-4V合金热变形所需的典型激活能量高度一致,最近的综合性本构研究(例如,胡等人[4]和蔡等人[5])普遍报告这些能量处于相似的数量级。此外,虽然许多传统研究主要使用四阶或五阶多项式来描述这些参数的应变依赖性,但本研究采用了更高阶(六阶)的多项式拟合,如方程(13)中所详细说明的。使用六阶多项式可以有效最小化分析模型的固有回归误差,从而为神经网络的第一阶段预训练提供一个更精确和热力学上更严谨的数学基础。图3显示了TC4合金的材料常数与真实应变之间的多项式关系:(a) 应力乘数α;(b) 应力指数n;(c) 变形激活能量Q;以及(d) 材料常数ln A。红色点代表在特定应变下的计算值,蓝色实线表示六阶多项式拟合曲线。随后利用这种应变补偿的阿伦尼乌斯模型生成了第一阶段预训练的大规模合成数据集。特别需要强调的是,为了防止在后续的外推验证过程中数据泄露,这个基线阿伦尼乌斯模型的校准仅使用了指定用于训练集的数据(例如,≤980°C或≤1.0 s?1),完全避免了外推目标的数据。在这种严格的数据划分之后,需要注意的是,方程(13)中列出的多项式系数是专门为温度外推任务校准的分析基线。对于应变率外推消融研究,阿伦尼乌斯参数(α、n、Q和ln A)是使用各自的训练子集独立重新校准的。为了避免重复,这里省略了那些特定的替代系数,因为数学结构和推导过程完全相同。

2.3. 物理指导的两阶段神经网络框架(NN-PhysicsInit)
为了在数据有限和不平衡的情况下改进本构建模,开发了一个称为NN-PhysicsInit的两阶段神经网络框架。其关键思想是在初始化时引入分析性的先验知识,然后使用实验数据来完善模型。

第一阶段:使用合成数据进行预训练:在第一阶段,使用校准的应变补偿阿伦尼乌斯模型生成了一个大规模的合成数据集。与实际实验数据集相比,后者在某些极端变形区域分布稀疏且不均匀,合成数据集被精心设计以更均匀地覆盖热力学参数空间。输入变量包括变形温度(T)、应变率()和真实应变(ε),相应的真实应力(σ)值是使用分析模型计算得出的。这一阶段为神经网络提供了物理指导的初始化。从机器学习的角度来看,在平滑的合成数据上进行的预训练限制了初始参数空间,并减少了模型过度拟合实验数据中的局部波动或噪声的趋势。如图4所示,合成数据集均匀地采样了温度和对数应变率,并将它们映射到一个平滑的基线应力上。

第二阶段:使用实验数据进行微调。虽然分析性的阿伦尼乌斯先验提供了一个稳健的宏观边界,但它本质上缺乏捕捉TC4合金在高应变率下特定、局部动态软化特性的非线性能力。因此,预训练的网络进一步使用实际的实验应力-应变数据集进行了微调。然而,在这一阶段的关键挑战是防止先验退化的风险——即过度无约束的微调完全覆盖了物理先验,使网络退化为一个纯粹的数据驱动的黑箱。为了解决这个问题,第二阶段的优化被严格限制为局部搜索,而不是无约束的全局搜索。通过使用显著降低的学习率(例如,1.5 × 10?4)并结合通过验证损失监控的严格提前停止标准,网络被限制在适当的参数调整范围内。这种优化策略确保模型成功补偿了TC4特有的经验非线性,同时不破坏第一阶段建立的整体热力学拓扑结构。这种提出的NN-PhysicsInit方法的总体工作流程,结合了物理指导的拓扑初始化(第一阶段)和随后的材料特定精度补偿(第二阶段),在图5中进行了全面的说明。

2.4. 外推验证设计与实施细节
2.4.1. 双视角外推消融设计
在执行数据集划分之前,分析收集的实验数据的分布是必要的。如图6中的覆盖率热图所示,经过严格校正的等温热压缩数据集显示出不平衡的分布。例如,低应变率域(例如,0.001 s?1)包含大量样本点,而高应变率条件(例如,10 s?1)由于动态变形过程迅速完成而相对稀疏。这种固有的数据不平衡主要是由于测试持续时间的固有变化和Gleeble高速压缩期间的动态采样率硬件限制造成的。这种差异不可避免地导致标准数据驱动模型出现严重偏差,进一步突出了注入均匀采样的物理先验(第一阶段)以规范网络的必要性。

2.4.2. 神经网络架构和超参数
神经网络的拓扑结构为3→128→128→64→1,包括一个输入层、三个隐藏层和一个输出层。输入变量是温度、对数应变率和真实应变。激活函数使用Sigmoid线性单元(SiLU),损失函数使用均方误差(MSE)。尽管这种架构包含大约25,000个可训练参数——这通常会在标准数据驱动模型中引入过拟合的高风险——但这种足够的网络容量是有意保留的,以便捕捉极端应变率下的严重非线性动态软化。第一阶段物理指导的预训练提供的隐式正则化从根本上抑制了过拟合风险,如第3.4节所详细说明的。在数据预处理过程中,输入变量使用Z分数方法进行了归一化,流动应力目标进行了对数变换。模型优化使用Adam优化器以及余弦退火学习率调度器进行。由于两个外推任务在数据分布和难度上有所不同,因此使用了特定于任务的训练超参数。详细设置总结在表3中。神经网络架构和数据处理使用Python编程语言(版本3.9.12)和PyTorch框架(版本1.12.1,Meta Platforms, Inc., Menlo Park, CA, USA)实现。

2.4.3. 统计评估指标
为了严格评估模型性能,引入了相关系数(R)、决定系数(R2)、平均绝对相对误差(AARE)和均方根误差(RMSE)。这些指标的数学定义如下:

3. 结果
3.1. 训练域和外推域的预测性能比较
NN-PhysicsInit的预测性能与Arrhenius模型、NN-Direct和NN-Arrhenius-Only进行了比较。为了确保统计稳健性,所有报告的神经网络指标代表了训练过程5次随机重启的平均结果。如表4所示,在这种严格的评估下,NN-Direct模型实现了最低的训练误差,平均AARE为3.51%,RMSE为6.34 MPa,表明其在训练域内的拟合能力很强。然而,在未见过的1010°C域中,其性能显著下降,外推AARE飙升至34.21%。值得注意的是,尽管AARE较差,NN-Direct的决定系数(R2)在这种测试集中仍然显得很高。这主要是因为高温域内的整体应力幅度本来就较低;因此,适度的绝对偏差可能导致相对误差很大。在这种极端情况下,AARE成为评估外推不准确性的更敏感和严格的指标。与此同时,Arrhenius模型和仅使用NN-Arrhenius的模型表现几乎相同,这表明预训练阶段使网络能够完美地再现分析基线。然而,两者都继承了经验Arrhenius公式的内在近似误差,从而显示出有限的预测准确性。独立重复运行的详细统计结果总结在补充材料的表S1–S4中。表4列出了不同模型在温度外推任务中的统计指标。相比之下,所提出的NN-PhysicsInit框架在拟合性能和外推稳定性之间提供了出色的平衡。其在1010°C测试集中的AARE显著降低到14.34%,RMSE降低到11.12 MPa。要理解这种改进的重要性,必须考虑这种特定外推任务中涉及的热力学相变。在1010°C时,TC4合金穿越了其宏观β转变边界。虽然单一的Arrhenius先验(主要在此温度以下校准)本质上缺乏单一β相区域的特定参数,但NN-PhysicsInit框架无缝地克服了这一物理差距。它有效地利用其第二阶段的微调来适应性地补偿宏观相变和相关的应力降低。最终,这种在1010°C下的稳健性能,结合10 s?1的高应变速率外推,构成了严格的双重视角验证。在这两种正交外推视角(热力学和动力学)中观察到的一致性,证实了所提出的框架能够可靠地保持宏观物理趋势,并在基线分析模型达到理论极限时进行自我校正。在动力学应变速率外推任务中也观察到了类似的趋势(表5)。纯数据驱动的NN-Direct模型在训练领域内表现出出色的拟合性能(AARE为2.69%,RMSE为5.00 MPa);然而,在完全未见的10 S?1测试领域中,其准确性严重下降,外推RMSE飙升至59.85 MPa,AARE达到27.91%。相比之下,所提出的NN-PhysicsInit框架将外推AARE显著降低到8.92%,RMSE降低到25.34%,显示出对极端应变速率特征的高度非线性动态软化行为的优越预测稳健性。表5列出了不同模型在应变速率训练和测试集上的统计评估指标。综合表4和表5的定量评估结果可以确认,直接应用无约束的黑箱模型对于可靠的本构外推来说是非常危险的。所提出的双阶段框架通过将分析先验的热力学可靠性与数据驱动的经验校正的灵活性无缝结合,成功缓解了这种“外推灾难”。为了严格证明所提出框架的必要性,评估了五种传统的机器学习模型,包括Random Forest、ExtraTrees、XGBoost、SVR-RBF和KNN作为基准。如补充表S5和S6所述,尽管这些模型在插值准确性方面表现尚可,但在分布外(OOD)任务中却会出现灾难性的发散。例如,在1010°C的温度外推任务中,SVR-RBF模型的AARE飙升至80.20%,而NN-PhysicsInit则保持稳定的14.34%。同样,在10 s?1的应变速率外推中,SVR-RBF的AARE达到39.93%,而我们的框架实现了高精度的8.92%的预测。这种鲜明对比有力地证明了,在没有内在热力学约束的情况下,无约束的数据驱动算法无法捕捉金属变形的物理边界。图8和图9中的相关性散点图与上述定量统计结果一致。纯数据驱动的NN-Direct模型在插值训练领域内表现出高准确性;然而,在分布外(OOD)外推区域进行评估时,它显示出显著的散布和偏离理想对角线的偏差。相比之下,所提出的NN-PhysicsInit框架在这些未见过的极端条件下显示出更加稳定和紧密受限的误差分布。得益于预训练物理基线的隐式正则化,双阶段框架有效地减轻了无约束黑箱模型相关的过度拟合方差,同时减少了经验Arrhenius方程固有的系统偏差。图8. 比较不同建模方法预测和实验流动应力的相关性散点图。在插值训练集(800–980 °C)上的性能:(a) Arrhenius, (b) NN-Direct, (e) NN-Arrhenius-Only, (f) NN-PhysicsInit。在1010 °C温度外推测试集上的性能:(c) Arrhenius, (d) NN-Direct, (g) NN-Arrhenius-Only, (h) NN-PhysicsInit。黑色虚线对角线代表理想的完美预测(y = x)。不同颜色的点对应于评估的具体模型:蓝色代表Arrhenius模型,橙色代表NN-Direct,灰色代表NN-Arrhenius-Only,红色代表所提出的NN-PhysicsInit框架。图9. 比较不同建模方法预测和实验流动应力的相关性散点图。在插值训练集(0.001–1.0 s?1)上的性能:(a) Arrhenius, (b) NN-Direct, (e) NN-Arrhenius-Only, (f) NN-PhysicsInit。在10 s?1应变速率外推测试集上的性能:(c) Arrhenius, (d) NN-Direct, (g) NN-Arrhenius-Only, (h) NN-PhysicsInit。黑色虚线对角线代表理想的完美预测(y = x)。不同颜色的点对应于评估的具体模型:蓝色代表Arrhenius模型,橙色代表NN-Direct,灰色代表NN-Arrhenius-Only,红色代表所提出的NN-PhysicsInit框架。3.2. 在训练领域内的应力-应变曲线拟合比较为了直观评估不同模型预测的本构响应,从完整数据集中提取了四个高度代表性的案例,以展示训练领域内各种热机械条件下的拟合性能。这些代表性的曲线比较显示在图10中。图10. 在训练领域内的四个高度代表性条件下,实验真实应力-应变曲线与不同本构模型预测结果之间的详细比较:(a) 800 °C, 0.001 s?1;(b) 800 °C, 1.0 s?1;(c) 900 °C, 0.001 s?1;以及(d) 900 °C, 1.0 s?1。纯数据驱动的黑箱神经网络(橙色虚线)错误地过度拟合了高频实验测量噪声,而所提出的基于物理的框架(红色实线)成功保持了宏观热力学平滑性。如图10中选定的代表性案例清楚地显示,经典的Arrhenius分析模型(蓝色虚线)勾勒出了宏观热力学轮廓,但由于其预定义数学结构的刚性约束,存在显著的系统偏差——例如在低应变率时大幅高估(如图10a所示)和高应变率时明显低估(如图10b所示)。所提出的NN-PhysicsInit框架成功地利用这种分析先验作为拓扑基线,并通过第二阶段的微调精确补偿了这些经验误差,将预测有效地拉回到准确的实验范围内。更重要的是,图10明确揭示了模型在遇到实验异常时的根本行为差异。如图10c(900 °C, 0.001 s?1)显著显示,原始实验数据(灰色实线)在大应变时不可避免地包含异常的向上漂移尾部。这很可能是由动态仪器干扰(如过度的界面摩擦或高温氧化)引起的测量异常,而不是真正的材料应变硬化。纯数据驱动的NN-Direct模型积极最小化了经验训练损失,基本上“记住了”这种非物理的局部趋势。尽管这种现象解释了其看似低下的训练误差,但它暴露了无约束网络对受损局部数据的灾难性敏感性。相比之下,所提出的NN-PhysicsInit框架作为一个规范化的连续体,表现出对这种异常的卓越稳健性。它有意抵抗这种局部伪硬化的过度拟合,严格保持了Arrhenius先验所规定的物理正确下降轨迹(动态软化)。这有力地证明了,即使在插值训练领域内,所提出的双阶段框架也愿意在受损点上牺牲边缘的局部拟合准确性,以实现宏观物理可靠性和数据驱动的非线性能力之间的完美平衡。为了全面说明训练领域内的拟合准确性,补充材料的图S1提供了所有训练温度(800–980 °C)和应变率(0.001–1.0 s?1)下四种建模方法的流动行为的详细视觉比较。3.3. 在未见变形领域中的外推行为四种模型之间的差异在外推任务中变得更加明显。图11和图12分别比较了在未见温度领域(1010 °C)和未见应变率领域(10 s?1)中的预测应力-应变曲线。图11. 在1010 °C温度外推领域中,不同建模方法在不同应变率下的实验真实应力-应变曲线与预测结果之间的比较:(a) 0.001 s?1, (b) 0.01 s?1, (c) 0.1 s?1, (d) 1.0 s?1, 和 (e) 10.0 s?1。注意:灰色虚线(NN-Arrhenius-Only)完全被蓝色的虚线(Arrhenius)所覆盖。这是数学上预期的,因为仅在分析合成数据上训练的网络完美复制了基础Arrhenius模型的外推行为,没有物理发散。图12. 在10 s?1应变速率外推领域中,不同建模方法在不同温度下的实验真实应力-应变曲线与预测结果之间的比较:(a) 800 °C, (b) 850 °C, (c) 900 °C, (d) 950 °C, (e) 980 °C, 和 (f) 1010 °C。注意:灰色虚线(NN-Arrhenius-Only)完全被蓝色的虚线(Arrhenius)所覆盖。这是数学上预期的,因为仅在分析合成数据上训练的网络完美复制了基础Arrhenius模型的外推行为,没有物理发散。纯数据驱动方法(NN-Direct)的局限性在这些分布外(OOD)区域中非常明显。如图中红色叉号标记所示,这些区域表明了显著的非物理振荡和不准确的趋势预测。例如,在1010 °C和1.0 s?1时,尽管实际材料表现出连续的工作硬化,NN-Direct模型错误地预测了动态软化趋势。同样,在10 s?1的外推条件下,它产生了凹形形状和显著偏离典型热力学原理的应力下降[29]。纯数据驱动模型和所提出的NN-PhysicsInit模型表现出如此不同外推行为的基本原因在于它们内在的拓扑约束。缺乏任何先验物理知识,NN-Direct模型仅仅执行无约束的数学曲线拟合,过度拟合了训练集中存在的局部高频噪声或数据不平衡。当被迫进入OOD领域时,这些过度拟合的数学异常被非物理地放大,导致上述灾难性的应力振荡和不自然的软化现象。相比之下,NN-PhysicsInit表现出强大的稳健性,因为它在层一预训练期间隐式地将宏观物理定律——特别是热激活能和Zener–Hollomon参数的影响——编码到其神经权重中[30,31]。这种物理框架严格限制了神经网络假设空间的边界。因此,即使在盲目的未知极端条件下导航,该模型也能抵御混沌的局部波动,并自然保持了从Arrhenius连续介质力学继承的热力学平滑性。因此,在10 s?1时,NN-PhysicsInit有效地减轻了数据驱动模型的非物理波动,并部分纠正了纯Arrhenius模型的系统性低估(后者难以捕捉极端速度下的强烈位错增殖)。此外,在1010 °C时,这种隐式正则化限制了预测边界,捕获了热力学上合理的演化趋势。最终,这种双阶段物理注入策略将神经网络转变为一个高度可靠的外推器,在前所未有的处理条件下保证了物理上有界的预测[32]。3.4. 参数分布及其与模型行为的关系为了进一步研究两阶段训练策略的效果,比较了两种外推任务中神经网络模型的逐层权重分布,如图13和图14所示。图13. 在温度外推任务中不同模型的综合逐层权重分布。网格比较了三种模型类型(行:NN-Direct, NN-Arrhenius-Only, NN-PhysicsInit)和网络层(列:层0, 层3)的概率密度(Y轴)与权重值(X轴)。子图说明:(a,b) NN-Direct在层0, 3上的权重;(c,d) NN-Arrhenius-Only在层0, 3上的权重;(e,f) NN-PhysicsInit在层0, 3上的权重。图14. 在应变率外推任务中不同模型的综合逐层权重分布。网格比较了三种模型类型(行:NN-Direct, NN-Arrhenius-Only, NN-PhysicsInit)和网络层(列:层0, 层3)的概率密度(Y轴)与权重值(X轴)。子图说明:(a,b) NN-Direct在层0, 3上的权重;(c,d) NN-Arrhenius-Only在层0, 3上的权重;(e,f) NN-PhysicsInit在层0, 3上的权重。对网络权重逐层概率密度分布的分析提供了所提出框架结构稳健性的见解。从机器学习理论的角度来看,一个权重分布非常分散的模型(例如纯数据驱动的NN-Direct模型)——其中浅层映射层(第0层)的标准差大约为σ ≈ 0.35–0.37——往往具备高度复杂且无约束的假设空间。这一特性本质上增加了对高频实验噪声的拟合风险,可能导致过拟合。然而,通过对分析性合成数据集进行第一阶段预训练,物理先验有效地起到了隐式正则化的作用。正如NN-Arrhenius-Only分布所展示的那样,这种物理注入将参数假设空间从分散状态限制为更集中、以零为中心的分布。在随后对真实实验数据的第二阶段微调过程中,NN-PhysicsInit框架保持了这种由热力学指导的权重初始化。因此,第0层的标准差被限制在σ ≈ 0.14–0.16之间,从而避免了权重爆炸,并促进了预测本构表面的宏观拓扑平滑性,从而提高了模型在极端未见条件下的泛化能力。

**4. 结论**

在这项研究中,开发了一个基于物理指导的两阶段深度学习框架(NN-PhysicsInit),用于描述TC4钛合金的热变形行为。与仅仅追求插值精度的传统神经网络不同,本研究严格评估了模型的“分布外”(OOD)外推能力。主要发现如下:

(1) 通过物理初始化实现拓扑约束:通过将优化过程分为分析性预训练和实验性微调,Arrhenius先验作为有效的隐式正则化器,将神经网络权重限制在一个集中且热力学一致的分布范围内(标准差σ ≈ 0.14–0.16),从而降低了无约束黑箱模型固有的过拟合风险。

(2) 对极端应变率下数据不平衡的鲁棒性:在最高应变率(10 s?1)下进行盲外推时,纯数据驱动的模型过度拟合了局部噪声,导致非物理应力预测的绝对相对误差(AARE)为27.91%。相比之下,NN-PhysicsInit模型过滤掉了虚假的高频波动,成功捕捉到了宏观动态软化趋势,将外推AARE显著降低到8.92%。

(3) 跨相变区的泛化能力:在1010 °C(β相变区以上)的温度外推任务中,物理注入限制了网络产生发散预测。虽然纯分析法的基线在穿越这一相变时不可避免地会出现系统偏差,但双阶段框架能够自适应地补偿相位引起的应力降低。因此,外推AARE降低到了14.34%(而直接训练模型的AARE为34.21%),这证明了物理先验即使在复杂的热力学边界条件下也能提供高度可靠的结构基线。

**局限性与未来方向:** 需要注意的是,当前框架主要是从宏观现象学的角度构建的。正如Li等人[25]所强调的,将明确的微观结构特征整合到机器学习框架中对于更深入理解物理冶金机制至关重要。未来的工作将结合EBSD和TEM表征,建立一个全面的跨尺度本构模型。

**补充材料:** 以下支持信息可在以下链接下载:
- https://www.mdpi.com/article/10.3390/met16050510/s1
- 图S1:在训练域内的20个热力学条件下,四种本构建模方法得到的实验真实应力-应变曲线与预测结果的详细比较;
- 表S1–S4:5个独立神经网络训练过程的详细统计指标和重复实验方差;
- 表S5和S6:NN-PhysicsInit与传统机器学习模型(Random Forest、ExtraTrees、XGBoost、SVR-RBF、KNN)的基准测试结果。
本研究使用的核心架构代码也作为单独的附件提供。
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