增材铜合金拉伸力学行为的卷积神经网络预测OA北大核心CSTPCD

深度学习因其在处理复杂数据和解决复杂问题方面的显著优势而备受关注,已应用于材料性能预测领域。本文提出了一种结合卷积神经网络模型与晶体塑性有限元方法的预测框架,在晶体塑性模型中考虑了增材铜合金(CuCrZr)固溶强化、位错强化以及晶界强化的贡献,实现了基于增材铜合金的晶体学织构极图、微结构图和晶粒尺寸预测单轴拉伸力学行为的目标。首先,基于实验结果对晶体塑性模型参数进行校正,验证了模型的准确性及预测能力。随后,使用参数校正后的晶体塑性模型对增材铜合金不同的代表体积元进行了一系列的有限元模拟,并利用这些模拟结果对卷积神经网络模型进行了训练、验证与测试。研究结果表明,该卷积神经网络模型在保证预测精度的同时,显著减少了计算时间,展示了其在增材铜合金力学性能预测方面的应用前景。