【文章推荐】东北大学王晨充团队｜在双相钢中使用深度学习进行非调参的弹塑性机制逆向可视化

文章预览

扫描二维码查看期刊主页和文章原文 文章引用： Han S, Wang C, Zhang Y,Xu W, Di H. Employing deep learning in non-parametric inverse visualization of elastic–plasticmechanisms in dual-phase steels. MGE Advances.2024;2(1):e29.   https://doi.org/10.1002/mgea.29 文章摘要 机器学习方法在预测复杂且关键的材料力学性能时增强了可解释性。本研究提出了一种可解释的卷积神经网络(CNN)来建立非均匀非线性多体系双相钢材料的微观组织演化与力学性能之间的关系，并实现了弹塑性机理的反向分析。结果表明，建立的CNN模型对不同成分和工艺的双相钢组织的应力-应变曲线预测精度达到94%，平均绝对误差小于50 MPa，仅占数据集中双相钢平均抗拉强度的5.26%。CNN模型的反向可视化结果表明，在拉伸变形过程中，晶界阻碍位错滑移从而维持了晶粒内部的协调变形，这也导致晶界处有明显的应力集中，晶界处的 ………………………………