一种结合有限元模拟和机器学习的细晶强化效应预测方法

本发明属于高性能材料领域，尤其涉及材料强度预测方法。

背景技术：

1、晶粒尺寸细化可以显著提升金属材料的强度，其强化效果可以用经典的hall-petch公式来描述：其中σf为材料强度，σ0为晶粒内位错移动所需要应力值，k为hall-petch斜率，d为平均晶粒尺寸大小。hall-petch关系中，k值能定量描述材料的细晶强化作用，k值越大，材料通过晶粒细化提升强度的效果越显著。定量预测材料的细晶强化作用具有重要意义。通过定量预测材料的细晶强化作用，有助于评估材料通过晶粒细化提升强度的效率，进而根据材料目标强度，优化加工工艺，实现材料智能制造。此外，k值是材料计算模型中的重要参数，定量预测k值有助于保障考虑晶粒尺寸效应模型模拟结果的准确性。

2、迄今，研究者发展了五个定量预测k值的公式：

3、k＝m2τc(r)1/2                                           (1)

4、k＝m(απm*τcgb)1/2                                      (2)

5、k＝m2τc(r)1/2                                           (3)

6、k＝m(ατcgb)1/2                                            (4)

7、k＝2σd(m′)-1r1/2                                        (5)

8、其中，m是泰勒因子，m*为施密特因子的倒数，τc为临界启动应力，r为已变形晶粒内位错塞积点到相邻晶粒位错启动源的距离，g为剪切模量，b为伯氏矢量，σd为相邻晶粒启动应力差，m′为相邻晶粒几何协调因子，α为常数。然而，由于存在以下两方面的问题，上述方程难以准确计算k值。第一，k值大小受很多因素的影响，包括：内在材料参数，例如：合金元素种类及含量、晶粒尺寸大小、晶界偏聚等；材料变形历史，例如：加工方式、退火温度及时间、变形量的大小等；以及样品测试条件，例如：测试温度、加载方式等；然而上述方程没有充分考虑以上因素的影响。第二，实际计算中难以获得上述方程中各个参数的准确数值。上述σd和m′等参数的确定需要先获取不同变形模式的临界启动应力值(crss)，然而目前仍难以通过实验方法确定镁合金各变形模式的crss值。虽然可以通过单晶加载实验测定不同滑移系的临界启动应力。然而，各变形模式的crss值会随晶粒尺寸、合金元素种类及含量等条件发生显著变化，导致单晶材料各变形模式的临界启动应力不能直接用于多晶材料。因此，上述方程难以准确预测k值。

9、机器学习是定量预测材料性能的一种有效方法，人们成功利用计算学习预测了材料的强度、疲劳性能、裂纹萌生位置、孪生活性等。机器学习能有效挖掘多个特征参量与目标因子间的映射关系。因此，基于机器学习有望充分考虑材料参数、材料变形历史、样品测试条件等对k值的影响，从而准确地预测各材料的细晶强化作用。基于机器学习预测材料性能结果的准确性取决于模型中各特征参量与目标因子间的相关性，将上述方程中参数导入机器学习模型中能有效提升机器学习模型预测结果的准确性。大量研究表明晶体塑性有限元模拟(crystal plasticity finite element modeling，cpfem)能准确预测材料的塑性变形行为，通过cpfem拟合应力-应变曲线能获取各变形模式临界启动应力及其硬化参数，结合取向数据能进一步地计算出m′和σd等参数。

10、基于上述背景，通过开发一种结合晶体塑性有限元模拟和机器学习的细晶强化效应预测方法能准确评估各材料的细晶强化效应，优化加工工艺，助力高性能材料的智能制造。

技术实现思路

1、本发明的目的在于提供一种结合有限元模拟和机器学习的细晶强化效应预测方法，以指导高性能材料的开发。

2、本发明是通过以下技术方案实现的。

3、本发明所述的一种结合有限元模拟和机器学习的细晶强化效应预测方法，按以下步骤：

4、步骤(1)：基于取向数据，建立晶体塑性有限元模型，获取材料各变形模式的临界启动应力值，所建立的有限元模型织构特征与宏观织构特征相似。

5、步骤(2)：基于取向数据及步骤(1)中的各变形模式临界启动应力值参数值计算各晶粒施密特因子、相邻晶粒启动应力差、相邻晶粒几何协调因子等参数。

6、步骤(3)：基于步骤(1)得到的各变形模式临界启动应力，基于步骤(2)得到的施密特因子、相邻晶粒启动应力差、相邻晶粒几何协调因子，以及文献查阅和实验测试获取包含晶粒尺寸、合金成分、加工模式(轧制、挤压或搅拌摩擦加工)、加载条件(如变形温度、应变量、应变速率、拉伸或压缩等)、hall-petch斜率k等特征参量为一组数据，多组数据构成原始数据集。

7、步骤(4)：对步骤(3)中的原始数据集进行预处理，去除不含有k值、晶粒尺寸、加载条件等特征参量的数据组。

8、步骤(5)：将步骤(4)预处理后的数值随机划分为两个集合，分别为训练集和测试集。基于训练集处理训练测试集模型，通过误差分析优化模型参数，进而用测试集数据评估模型准确性。

9、优选地，步骤(1)中，有限元模型中包含的晶粒数大于800个晶粒。

10、优选地，步骤(1)中，有限元模型中包含的网格数大于8000个，增量步小于0.001。

11、优选地，步骤(1)中，所述的模型中变形模式包含常见塑性变形模式，如体心立方金属中需包含{110}<111>滑移系，面心立方金属中需包含{111}<110>滑移系，密排六方金属中需包含基面滑移柱面滑移锥面<a>滑移<c+a>滑移和孪生

12、优选地，步骤(2)中，计算施密特因子的晶粒数目大于800个，计算相邻晶粒启动应力差和相邻晶粒几何协调因子的相邻晶粒数据大于1500对。

13、优选地，步骤(3)中特征参量包含：合金元素含量，均匀化温度，均匀化时间，各变形模式临界启动应力、平均施密特因子、平均相邻晶粒启动应力差、平均相邻晶粒几何协调因子、变形温度、退火温度、退火时间、织构强度、加工模式(轧制、挤压或搅拌摩擦加工)、测试方向与加工方向间的夹角、拉伸或压缩、测试温度、测量应变、晶粒尺寸范围、k值；原始数据集中至少包含60组以上数据。

14、优选地，步骤(5)中训练集数据至少占原始数据集的70％以上。

15、优选地，步骤(5)中误差分析采用的是均方误差其中，n为数据组个数，为机器学习模型预测的k值，为第i个数据组中实验k值；

16、优选地，步骤(5)中所构建的机器学习模型为随机森林模型。

17、与现有预测方法相比，本发明具有如下显著优点：

18、本发明能充分考虑材料参数、材料变形历史、样品测试条件等对k值的影响，从而准确地预测各材料的细晶强化作用，避免了传统方程预测方法因考虑特征参量不足而带来的计算误差；同时可以准确、快速地预测不同材料经不同加工方法处理后的细晶强化效应，为高强度材料开发提供理论指导，有效减少研发和试验成本。