晶体塑性的微结构敏感性循环神经网络替代模型

开发面向恶劣环境的下一代结构材料，需快速评估机械性能及其对微结构的依赖性。虽然全尺寸晶体塑性（CP）模型提供深入见解，但其高计算成本限制了在不确定性定量化工作流程和组件尺度仿真中的应用。基于循环神经网络（RNN）的替代模型在再现历史依赖的机械行为方面显示出前景，但其应用局限于固定微结构或代表性体积单元（RVE）。本文构建一种微结构敏感性 RNN 替代模型，直接从三维晶粒结构和任意形变历史预测均匀化应力响应。该模型采用门控循环单元（GRU）架构，微结构映射到初始隐藏状态和序列输入，使模型能够捕捉路径依赖性和微结构变异性。训练数据来自超过 30 万套 CP 仿真，涵盖随机生成的微结构和加载路径的组合。模型对分布内验证数据以及未见形变模式的 CP 预测误差为 2-3 MPa。对超出分布的微结构预测更为困难，凸显了需要以例如强纹理微结构为代表的具代表性训练数据的重要性。将模型嵌入多尺度框架后，证明其能够取代常规本构更新，降低计算成本同时保留应力分布的关键特征。这些结果表明，微结构感知的 RNN 替代模型是直接 CP 仿真的有前景的替代方案，为快速多尺度建模和不确定性定量化提供了路径。