🔬 physics

Constitutive Modeling Method for AM 316 Based on Johnson-Cook Guided PCA-MLP Residual Learning

本文提出了一种物理启发式数据驱动本构模型方法，该方法将 Johnson–Cook 模型与 PCA-MLP 残差学习相结合，旨在实现增材制造 316L 不锈钢在不同温度和应变率下动态流变应力的高精度且稳定的预测。

原作者： zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

发布于 2026-09-23

📖 1 分钟阅读☕ 轻松阅读

原作者： zequn lv, an he, jining li, yihang fan, hang zhao, yongshuo xu, wenchang fu, yingbo wang, xiangyong li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一种材料，它强韧到足以支撑起一台喷气发动机，耐腐蚀到足以在深邃的海底生存，并且足够灵活，可以被塑造成传统制造工艺无法实现的复杂且轻量化的部件。这就是通过增材制造（一种类似于3D打印、逐层构建金属的过程）制成的316L不锈钢。虽然这项技术提供了惊人的设计自由度，但这种金属在受到剧烈撞击或快速加热时的表现，与工厂生产的同类钢材却有着显著的不同。当这种材料承受高速冲击或剧烈热量的极端条件时，其内部结构会发生复杂的转变，导致其硬化、软化和流动呈现出难以预测的模式。工程师需要精确了解这种材料的反应方式，以确保由其制造的飞机、核组件或国防系统在关键时刻不会失效。

几十年来，科学家们一直依赖数学公式来推测金属在压力下的行为。其中最著名的公式之一被称为 Johnson-Cook 模型，它将拉伸、速度和热量的影响视为相互独立的因素，并简单地将它们相乘。然而，对于这种特定类型的3D打印钢材，现实情况要复杂得多。金属变形产生的热量、拉伸的速度以及金属内部的微观变化，它们之间存在着相互影响的关系，这种关系是简单的公式无法捕捉的。另一方面，现代能够从数据中学习的计算机程序（即机器学习）虽然可以发现复杂的模式，但当缺乏足够的样本进行研究时，它们往往会遇到困难。它们可能会记住给定的数据，但在面对从未见过的场景（例如从未见过的温度）时，却无法做出准确的预测。

为了解开这个谜题，来自中国大学的一个研究团队开发了一种结合了两全之策的新方法。他们首先从传统的 Johnson-Cook 公式入手，以此提供一个坚实的物理基础——即关于金属行为的一个粗略轮廓。然后，他们并没有试图让计算机从头开始学习整个复杂的逻辑，而是要求计算机只专注于传统公式所犯的错误。他们计算了公式预测值与实验实际结果之间的差异，从而创建了一个“残差”或“剩余误差曲线”。这条剩余曲线代表了简单公式所遗漏的那些复杂的、隐藏的相互作用。

随后，研究人员使用了一种巧妙的数学技术来简化这些剩余曲线。想象一下，将一条长而弯曲的曲线简化为仅有的几个关键形状，而将这些形状相加就能重构出整条曲线。这个过程被称为主成分分析（PCA），它允许研究人员将海量的数据转化为一组精简且易于处理的数字。接着，他们训练了一个神经网络（一种旨在识别模式的计算机程序），通过温度和冲击速度来预测这组关键数字。一旦计算机预测出这些数字，研究人员便利用它们重构出完整的、经过修正的曲线，并将其加回原始公式中。其结果是一个混合模型，既保留了旧公式的物理可靠性，又利用数据修复了其特定的误差。

该团队在激光定向能量沉积工艺制造的316L不锈钢上测试了这种新方法。他们对金属进行了不同温度（范围从150摄氏度到620摄氏度）下的高速压缩测试，以及高达每秒5,000次的应变率测试。为了真正测试模型的泛化能力，他们特意在训练数据中剔除了两个特定的温度：272摄氏度和450摄氏度。他们想要观察，在从未见过这些温度示例的情况下，模型是否仍能准确预测金属的行为。

结果令人瞩目。当模型被要求预测272摄氏度下的金属行为时，它实现了0.9306的平均准确度得分，平均误差仅为1.97%。在450摄氏度下，表现甚至更好，准确度得分为0.9538，平均误差仅为1.63%。相比之下，仅靠传统公式在这些未见温度下的表现很差，其误差往往比上述数值大十倍以上。即使是纯粹的机器学习模型（即试图在没有物理公式帮助下学习完整行为的模型），也表现得非常吃力，有时甚至完全无法捕捉到正确的趋势。然而，这种新的混合方法在所有条件下都保持了高准确度和稳定性，成功重构了复杂的应力与应变流，即便是在它从未遇到的温度下。

这项工作表明，通过用可靠的物理基础来引导强大的数据驱动工具，科学家可以创建出既准确又可靠的模型，即使在数据稀缺的情况下也是如此。研究人员发现，他们的方法不仅仅是在记忆过去的实验，而是在学习材料偏离简单预期规律的底层逻辑。这种方法为需要模拟和设计先进材料的工程师提供了一条切实可行的路径，确保下一代航空航天和能源系统能够充满信心地被制造出来。研究证实，对于像3D打印钢材这样复杂的材料，预测的未来不在于在物理学与数据之间做选择，而在于将两者交织在一起，使各方优势互补，实现协同增强。

技术摘要：基于 Johnson-Cook 指导的 PCA-MLP 残差学习的增材制造 316 不锈钢本构模型方法

问题陈述
准确预测增材制造（AM）316L 不锈钢在高温度和高应变率下的动态流变应力，对于服务安全性评估和工艺优化至关重要。然而，传统的经验本构模型（如 Johnson-Cook (JC) 模型）往往无法捕捉增材制造材料中固有的复杂热-力耦合和非线性相互作用，这是由于其微观结构的异质性（例如柱状晶、胞状亚结构）所致。相反，纯数据驱动模型（例如多层感知器或 MLP）在小数据集训练时难以实现良好的泛化能力，往往缺乏物理一致性，并在未见条件下表现出不稳定性。其挑战在于开发一种既能保留经验模型的物理可解释性，又能利用机器学习的非线性拟合能力来修正系统偏差的模型策略。

方法论
作者提出了一种名为 JC-PCA-MLP 的混合框架，该框架将物理基准与数据驱动的残差学习相结合。该方法通过以下步骤进行：

物理基准 (Johnson-Cook)： 采用经典的 JC 模型生成流变应力的基准预测。该模型捕捉了应变硬化、应变率强化和热软化的主要物理趋势，但也被认为不足以描述增材制造 316L 中复杂的耦合效应。
残差构建： 将实验测得的流变应力与 JC 预测应力的差值定义为“残差曲线”。这使得学习任务从预测整个应力-应变曲线转变为预测相对于物理基准的偏差。
降维 (PCA)： 为了解决全应力-应变曲线的高维问题以及小样本量的限制，对残差曲线应用主成分分析 (PCA)。这通过将残差数据减少为一组较小的特征主成分系数，从而保留了残差的主要变化模式。
4.est 机器学习 (MLP)： 训练一个多层感知器 (MLP)，将输入特征（温度、应变率及其相互作用项）映射到残差的 PCA 系数。输入特征包括对数应变率和二次温度项，以更好地捕捉非线性变化。
曲线重构： 通过将 MLP 预测的残差（通过 PCA 逆变换重构）叠加到 JC 基准之上，实现最终应力-应变曲线的重构。
训练策略： 该模型使用复合损失函数，同时最小化预测 PCA 系数的误差和最终应力-应变曲线的重构误差。

实验验证
研究使用了通过激光定向能量沉积 (L-DED) 制备的 AM 316L 不锈钢在分离式霍普金森压杆 (SHPB) 测试中的动态压缩数据。数据集涵盖了 150°C、272°C、450°C 和 620°C 的温度，以及 3000 s⁻¹、4000 s⁻¹ 和 5000 s⁻¹ 的应变率。
为了严格测试泛化能力，采用了留一中间温度法 (leave-one-intermediate-temperature-out) 进行验证。模型在三个温度的数据上进行训练，并在一个未见的中间温度（272°C 或 450°C）上进行测试，确保没有来自测试集的数据泄露到训练过程、PCA 分解或网格构建中。

关键结果
JC-PCA-MLP 模型的表现优于独立的 JC 模型、纯 MLP 模型以及没有物理基准的 PCA-MLP 模型：

在 272°C（未见温度）下： 模型实现了 0.9306 的平均 $R^2$ 和 1.97% 的平均绝对相对误差 (AARE)。最小 $R^2$ 为 0.8779。
在 450°C（未见温度）下： 模型实现了 0.9538 的平均 $R^2$ 和 1.63% 的 AARE。最小 $R^2$ 为 0.8909。
对比性能：
- 独立的 JC 模型在未见温度下的表现较差（平均 $R^2$ < 0.45），表现出显著的系统性偏差。
- 纯 MLP 模型表现出不稳定性，其性能在 450°C 时显著下降（平均 $R^2$ = 0.2386）。
- PCA-MLP 模型（不含 JC 基准）较 MLP 有所改进，但在维持高最小 $R^2$ 值方面仍缺乏混合方法的稳定性和准确性。

意义与主张
论文声称 JC-PCA-MLP 框架提供了一种高效的物理启发数据驱动策略，用于动态本构建模。其意义在于三种要素的协同结合：

物理引导： 使用 JC 模型作为基准，确保预测符合基本物理趋势，减轻了神经网络的学习负担。
残差学习： 通过让 MLP 专注于修正 JC 模型的系统误差而非学习整个曲线，使模型在有限数据下实现了更高的精度。
降维： 使用 PCA 对曲线形状施加全局约束，防止了点对点神经网络预测中常见的局部振荡和过拟合现象。

作者得出结论，该方法有效地提高了 AM 316L 不锈钢在高温度、高应变率条件下的预测精度和稳定性，为实验数据稀缺情况下的本构建模提供了一种可行的方法。他们建议，该策略可以作为其他增材制造金属材料流变应力预测的参考。

类似论文