通过多模态数据挖掘实现飞秒激光冲击强化残余应力的精确预测

《Journal of Materials Research and Technology》：Toward Accurate Prediction of Residual Stress in Femtosecond Laser Shock Peening via Multimodal Data Mining

飞秒激光冲击强化（FLSP）通过产生高应变率塑性变形和晶粒细化提升材料疲劳性能，但残余应力分布预测仍面临挑战。本研究提出一种多模态卷积神经网络（CNN）框架，整合电子背散射衍射（EBSD）的极图（IPF）和欧拉角颜色图（EC）作为输入，建立激光参数与残余应力分布的映射关系。实验表明，模型在训练集（R2=94.83%，MAE=8.61 MPa）和测试集（R2=92.67%，MAE=14.51 MPa）均表现出高精度预测能力，且可外推至未训练参数条件（如E=100 μJ，N=9时MAE=16.03 MPa）。该方法有效降低对大规模实验数据的依赖，为FLSP工艺优化提供新工具。

　　本文探讨了一种基于多模态卷积神经网络（CNN）的预测框架，用于分析飞秒激光冲击喷丸（FLSP）过程后材料表面的残余应力分布。FLSP作为一种超快激光表面处理技术，因其对材料表面的微小热损伤和高度可控性而受到越来越多的关注。通过FLSP处理，材料的疲劳寿命和耐腐蚀性得到了显著提升，这主要归因于残余应力的引入。然而，目前尚缺乏有效的残余应力预测方法，这限制了FLSP在更广泛领域的应用。因此，本文提出了一种创新的预测模型，旨在克服这一限制，实现对FLSP残余应力分布的精准预测。

在FLSP过程中，激光以极高的峰值功率密度作用于材料表面。由于其超短脉冲宽度，激光能量在极短时间内被沉积，从而产生高温高压等离子体。这种等离子体在形成初期表现出高度的限制性，无需外部约束层即可维持其稳定性。随后，产生的冲击波会对材料的表层区域造成塑性变形，而更深的未变形区域则保持弹性约束。当冲击波释放后，表层的塑性变形会抵抗回弹效应，但由于周围材料的约束作用，形成了压缩残余应力场。这种残余应力场有助于抑制裂纹的萌生和早期扩展，从而显著提高材料的疲劳性能。

FLSP技术的另一个优势在于其能够实现对材料微观结构的精细控制。相较于传统的纳秒激光冲击喷丸（NLSP），FLSP由于其极短的脉冲宽度和较高的峰值功率，激活了一系列独特的物理机制，包括非线性电离和非热效应。这些机制使FLSP在材料加工过程中能够诱导更精细的微观结构变化，如晶粒细化和相变强化，从而提升材料的机械性能。此外，FLSP已被广泛应用于微/纳米制造、航空航天以及先进制造等多个领域。

尽管FLSP在材料性能提升方面表现出色，但如何准确预测其产生的残余应力场仍然是一个挑战。传统的残余应力测量方法，如孔钻法和X射线衍射（XRD）技术，虽然已被广泛使用，但它们在空间分辨率和对微观结构机制的捕捉能力方面存在局限，难以满足高精度和非破坏性预测的需求。此外，有限元方法（FEM）虽然在NLSP研究中被广泛应用，但在FLSP领域面临额外的挑战，包括如何准确模拟等离子体压力以及如何正确建模材料在高应变率下的行为。

为了解决这些问题，本文提出了一种基于多模态数据挖掘的预测框架，利用CNN将FLSP工艺参数、微观结构特征和残余应力之间建立定量关系。通过电子背散射衍射（EBSD）技术获取材料的微观结构信息，并将其作为CNN的输入。这种方法能够有效提取复杂的结构特征，从而实现对不同FLSP条件下的残余应力分布的准确预测，即使在样本数量有限的情况下也能保持较高的预测精度。此外，本文还分析了不同微观结构输入对模型预测精度的影响，结果表明，EC（欧拉角色图）和IPF（反极图）的组合输入能够提供最有效的信息，从而实现最佳的预测效果。

在实验部分，本文使用了第四代高强度齿轮钢CH1900A作为研究对象。该材料因其优异的机械性能而被广泛用于航空航天发动机齿轮等关键部件。为了便于实验表征，材料被切割成尺寸为15 mm × 25 mm × 3 mm的薄板样品。随后，样品表面经过一系列研磨和抛光处理，以确保表面的平整度和微观结构的清晰度。通过纳米压痕测试，可以获得样品在不同深度下的硬度和弹性模量，进而计算出残余应力分布。纳米压痕测试的深度间隔设定为2 μm，以确保数据的精度和可靠性。

在模型构建过程中，本文采用了一种多模态数据融合策略。通过将EC和IPF图像叠加，形成了包含六通道信息的输入数据。这些数据包含了晶粒边界角度、晶体取向和纹理特征等关键信息，从而为CNN模型提供了丰富的训练素材。在数据预处理阶段，图像被裁剪、镜像和旋转，以生成275 × 275像素的子图像。最终，共生成了2250组三通道图像用于模型训练和分析。通过将这些图像与归一化的残余应力值配对，构建了一个能够描述结构-性能关系的数据集。

在模型训练过程中，实验数据被随机划分为训练集和测试集，比例为8:2。为了优化模型性能，采用网格搜索方法寻找最佳超参数。模型的预测能力通过R2（平方相关系数）和MAE（平均绝对误差）等指标进行评估。R2值越接近1，表示模型的预测能力越强；而MAE越低，表示模型的预测误差越小。实验结果表明，采用EC和IPF图像作为输入的模型在训练集和测试集中均表现出较高的预测精度，R2值分别达到94.83%（±1.01%）和95%，而MAE值分别为8.61 MPa（±4.63 MPa）和14.51 MPa（±8.2 MPa）。这表明，该模型能够有效预测不同FLSP条件下的残余应力分布。

此外，本文还分析了模型在未训练条件下的预测能力。通过引入新的FLSP参数，如激光能量为100 μJ且冲击次数为9次，或激光能量为50 μJ且冲击次数为1次，验证了模型在预测未见过的工艺参数时的泛化能力。实验结果表明，模型在这些条件下仍能保持较高的预测精度，显示出良好的适应性。同时，通过梯度加权类激活映射（Grad-CAM）技术，对模型的学习过程进行了可视化分析，进一步验证了EC和IPF图像在预测残余应力分布中的重要性。

在对残余应力分布的进一步分析中，本文探讨了不同激光能量和冲击次数对晶粒尺寸和高角度晶界（HAGBs）比例的影响。结果表明，随着激光能量的增加，晶粒尺寸逐渐减小，HAGBs比例也随之增加，这表明材料在高能量下经历了更显著的晶粒细化和塑性变形。然而，当冲击次数增加到9次时，由于热效应的累积，晶粒尺寸有所回升，导致残余应力的穿透深度减少。这一现象说明，虽然增加冲击次数可以提高晶粒细化程度，但过高的冲击次数可能会引发热松弛效应，从而降低材料的强化效果。

本文还讨论了直接预测残余应力最大值和穿透深度的策略。虽然这种方法在某些情况下可以减少数据采集的复杂性，但实验结果表明，这种直接预测方法的精度较低，难以准确反映材料的残余应力分布。这是因为残余应力在材料内部的分布通常遵循一种衰减趋势，而其演化过程与不同深度的微观结构特征密切相关。直接预测方法忽略了中间深度的数据，导致模型难以准确识别关键的应力转折点，从而影响整体预测精度。

综上所述，本文提出的基于多模态CNN的预测框架在FLSP残余应力分布预测方面表现出色。通过将EC和IPF图像作为输入，该模型能够有效提取关键的微观结构信息，并实现对残余应力的高精度预测。此外，该模型在未训练条件下的泛化能力也得到了验证，表明其可以用于指导FLSP工艺参数的选择，从而优化材料性能。未来的研究可以进一步探索如何将材料在FLSP过程中的动态微结构演化信息纳入模型输入，以提升预测的全面性和准确性。此外，考虑到FLSP中可能存在的多种强化机制，如相变强化，本文建议在模型中引入更精细的微观结构特征，以实现更全面的材料性能评估。