基于机器学习的多晶金属延性损伤模型参数预测方法

延性材料的损伤模型通常需要进行参数化，且给定材料的适当参数常随加载条件而变化。这使得这些模型的参数化计算代价高昂，因为必须对每种加载条件求解一个反问题。使用标准反演建模技术通常需数百或数千次高保真计算机仿真来估计最优参数。此外，还需人类专家耗费时间建立反演模型。机器学习近来成为此类环境下反演建模的一种替代方法，其中机器学习模型以离线方式训练，训练完成后即可快速即时生成新参数。本工作利用此类工作流，通过机器学习反演模型实现名为 TEPLA 的延性损伤模型的快速参数化。与先前采用的方法（如贝叶斯校准）相比，该机器学习模型能更高效地估计模型参数，速度显著提升。结果在合成测试数据集上展现出良好精度，并针对实验数据进行了验证。