基于深度学习的惯性力学模型: 高温合金 Inconel 625 研究

高温合金如 Inconel 625 中的时间依赖变形，尤其是缓蚀变形，是航空航天和能源系统中用于组件长期可靠性的关键因素。尽管 Inconel 625 显示出卓越的缓蚀抗性，但诸如 ANSYS 等有限元缓蚀仿真工具仍计算昂贵，单个 10,000 小时仿真常需数十分钟。本文提出基于深度学习的替代模型，以提供快速而准确的替代方案。通过 ANSYS 中的诺顿定律生成缓蚀应变数据，应力为 50-150 MPa，温度为 700-1000 $^\circ$C，并用于训练两种网络结构: 用于不确定性感知和生成预测的双向长短期记忆变分自编码器(BiLSTM-VAE)，以及采用自注意力捕获长程时间行为的 BiLSTM Transformer 混合模型。这两种模型均作为替代预测器，BiLSTM-VAE 提供概率输出，BiLSTM-Transformer 实现高度确定性精度。使用 RMSE、MAE 和 $R^2$ 评估性能。结果表明，BiLSTM-VAE 提供稳定可靠的缓蚀应变预测，而 BiLSTM-Transformer 在整个时间范围内实现强大的精度。延迟测试表明，虽然每个 ANSYS 仿真在给定应力-温度条件下需 30-40 分钟，但替代模型能在数秒内完成预测。该框架使快速缓蚀评估成为可能，支持设计优化和结构健康监测，并为高温合金应用提供可扩展解决方案。