机器学习预测增材制造AlSi9Cu3合金高温力学行为的研究

《Journal of Materials Research and Technology》：Machine Learning enabled prediction of high temperature mechanical behavior in additively manufactured AlSi9Cu3 alloy

本文针对增材制造AlSi9Cu3合金在高温下的力学行为预测难题，系统研究了其热拉伸性能。研究人员通过实验测试结合本构模型（JC、mJC、mZA）和机器学习方法（MLP、SVR），建立了高精度的流变应力预测模型。结果表明，机器学习模型（特别是SVR，R2=0.99）显著优于传统本构模型，尤其在270°C高温条件下误差低于1%，为高温应用提供了可靠的数据驱动预测方案。该研究为金属增材制造材料的高温性能评估提供了新方法。

　　

在航空航天、汽车制造等高端装备领域，轻量化设计已成为不可逆转的发展趋势。铝合金因其优异的比强度和良好的加工性能，在这些领域中扮演着关键角色。特别是增材制造（Additive Manufacturing, AM）技术的出现，为复杂结构铝合金零件的快速成型提供了全新可能。然而，与传统制造工艺相比，增材制造材料在高温环境下的力学行为更加复杂多变，这给关键部件的安全设计和寿命预测带来了严峻挑战。

AlSi9Cu3作为一种颇具应用前景的铝合金，通过激光粉末床熔融（Laser Powder Bed Fusion, LPBF）技术制备时表现出良好的工艺适应性。但当这类材料应用于发动机周边部件等高温场景时，其力学性能会随温度升高发生显著变化——不仅强度下降，变形机制也会从应变硬化主导转变为热软化主导。传统本构模型如Johnson-Cook（JC）模型在描述这种复杂温度依赖行为时往往力不从心，特别是在高温区域预测误差较大。这一局限性严重制约了增材制造铝合金在高温环境下的可靠应用。

为突破这一瓶颈，研究人员开展了一项创新性研究，系统探讨了增材制造AlSi9Cu3合金的高温拉伸行为。研究团队使用Zwick-Roell Z100万能试验机，在25°C至270°C温度范围和0.001 s^-1至0.1 s^-1应变速率条件下进行了全面的热拉伸试验，构建了详尽的数据集。基于这些实验数据，他们不仅建立了JC、修正JC（modified Johnson-Cook, mJC）和修正Zerilli-Armstrong（modified Zerilli-Armstrong, mZA）等传统本构模型，还引入了多层感知器（Multi-Layer Perceptron, MLP）和支持向量回归（Support Vector Regression, SVR）两种机器学习方法进行流变应力预测。

关键技术方法包括：通过热拉伸试验获取不同温度和应变率下的应力-应变数据；建立并校准JC、mJC和mZA本构模型参数；采用网格搜索和交叉验证优化MLP和SVR的超参数；通过扫描电子显微镜（Scanning Electron Microscopy, SEM）进行断口形貌分析；使用平均绝对相对误差（Average Absolute Relative Error, AARE）和确定系数（R²）等指标评估模型精度。

5.1. AlSi9Cu3的拉伸试验结果

研究表明，温度和应变率对合金的力学行为有显著影响。在较低温度（25°C和90°C）下，材料主要表现为应变硬化，流动应力随应变增加而上升；而在较高温度（270°C）下，热软化效应占主导，应力-应变曲线呈现明显的下降趋势。屈服强度（Yield Strength, YS）和极限抗拉强度（Ultimate Tensile Strength, UTS）随温度升高而降低，但随应变率增加而提高。断裂伸长率（Elongation to Failure, EF%）则随温度升高和应变率降低而显著增加，在270°C和0.001 s^-1条件下达到最大值30.4%，表明材料在高温低应变率下具有更优的塑性。

5.2. 预测模型评估

5.2.1. Johnson-Cook（JC）模型

JC模型在中等条件下表现尚可，但在270°C高温下预测误差显著增大，AARE超过180%，最高达260.5%。这表明该模型难以准确捕捉高温下的热软化行为。

5.2.2. 修正Johnson-Cook（mJC）模型

mJC模型在室温条件下误差较低（0.20%），但在270°C和0.001 s^-1条件下的误差高达437.11%，表明其在高热条件下的适应性仍有限。

5.2.3. 修正Zerilli-Armstrong（mZA）模型

mZA模型在90°C中等温度下表现良好（误差1.37-3.35%），但在270°C时误差仍达56%，优于JC和mJC模型但仍有改进空间。

5.2.4. 多层感知器（MLP）

MLP模型表现出色，测试集R²达0.98，RMS误差为13.07 MPa。即使在270°C高温下，AARE也低于6%，在低温条件下更低于2%，显示出良好的预测能力。

5.2.5. 支持向量回归（SVR）

SVR模型表现最优，R²达0.99，RMS误差仅1.33 MPa，所有测试条件下的AARE均低于1%。其在插值和外推预测中均保持高精度，显著优于所有本构模型。

5.3. 插值和外推能力

研究人员进一步评估了模型在未知条件下的预测能力。通过排除特定条件（180°C/0.01 s^-1用于插值，270°C/0.001 s^-1用于外推）进行验证，发现机器学习模型在两种情况下均优于本构模型，SVR表现最佳。

5.4. 断口分析

断口分析揭示了温度对断裂机制的影响规律。室温条件下，断裂沿熔池边界（Melt Pool Boundary, MPB）发生，呈现脆性特征；随着温度升高，断口逐渐出现韧窝，表现为韧性断裂；在270°C时，材料呈现完全韧性断裂，MPB影响消失，表明发生了再结晶过程。

研究表明，传统本构模型在预测增材制造AlSi9Cu3合金高温力学行为时存在明显局限性，特别是在高温条件下误差较大。相比之下，机器学习方法尤其是SVR模型，能够更准确地捕捉材料在不同温度和应变率下的复杂非线性响应，预测误差显著降低。该研究不仅为增材制造铝合金的高温应用提供了可靠的预测工具，也展示了机器学习在材料本构建模中的巨大潜力。未来，将机器学习与物理本构模型相结合，可能成为材料力学行为预测的重要发展方向。这项研究成果已发表在《Journal of Materials Research and Technology》期刊上，为相关领域的研究提供了重要参考。