基于人工神經網絡智能算法的9310鋼本構模型優化

施文鵬，孫岑花，李佳俊，王宇航，董顯娟

基于人工神經網絡智能算法的9310鋼本構模型優化

施文鵬1，孫岑花1，李佳俊2，王宇航2，董顯娟2

（1.江西景航航空鍛鑄有限公司，江西 景德鎮 330046；2.南昌航空大學 航空制造工程學院，南昌 330063）

研究9310鋼在變形溫度為800～1 200 ℃、應變速率為0.01～50 s?1和高度壓下量為70%條件下的熱變形行為，建立預測效果相對較好的9310鋼本構模型。使用Gleeble-3800熱模擬機對9310鋼進行等溫恒應變速率熱壓縮實驗，基于熱壓縮實驗數據，分析了應變速率對9310鋼流動軟化效應的影響，建立了考慮應變補償的Arrhenius本構模型與支持向量回歸（SVR）本構模型，并進行了模型精度分析，之后引入人工神經網絡（ANN）智能算法優化了Arrhenius本構模型。與變形溫度相比，應變速率對9310鋼流動軟化效應的影響更為顯著。相較于支持向量回歸（SVR）本構模型，考慮應變補償的Arrhenius本構模型精度更高，其相關系數為0.993 4，平均相對誤差（AARE）和均方誤差（MSE）分別為0.055 6和89.362，它在預測高應變速率（1、10、50 s?1）流動應力時出現了較大偏差，經ANN智能算法優化后，相關系數提高至0.999 1，AARE和MSE分別降至0.019 9和9.998，且絕對誤差在±10 MPa以內的預測流動應力占比為98.34%。在低應變速率（0.01 s?1）下軟化效應更強，在高應變速率（10 s?1）下再結晶程度較低，軟化效應較弱。ANN智能算法優化后的Arrhenius本構模型具有較高的精度，能較準確地預測9310鋼的流動行為。

9310鋼；本構模型；Arrhenius型本構模型；人工神經網絡（ANN）；智能算法優化

9310鋼具有優異的綜合性能，如強度高、韌性好等[1]。在鋼的成形過程中，熱變形行為是一個重要問題，而材料的本構模型可以系統地描述熱變形工藝參數與流動應力之間的關系，為有限元模擬提供數據支撐，同時可為材料熱加工參數的選擇提供參考[2]。

通常，鋼在高溫下的熱變形行為總是表現出各種相互關聯的冶金現象，如加工硬化等，這使得熱變形行為建模相當復雜[3-4]。大多學者[5-6]采用Arrhenius型方程來構建本構模型，然而模型的預測精度十分有限。于是有學者在其基礎上考慮了應變補償，如Li等[7]將考慮了應變補償的Arrhenius本構模型引入有限元模型中，驗證了該本構模型的有效性。劉江林等[8]采用回歸分析和多項式擬合方法，建立了基于應變補償的本構模型，該模型可精確預測應變速率小于1 s?1時的流動應力。盡管唯象型本構模型一直被認為是預測流動行為的有效方法[9]，但數學建模的高度復雜性限制了其廣泛應用。隨著人工智能在材料領域的發展，機器學習（ML）被用于構建本構模型，并在過去的幾年中得到了廣泛的應用[10-11]。在不涉及物理機制的情況下，ML方法可以表現出優異的預測性能[12-13]，已經有許多學者利用不同種類的智能算法來構建工藝參數和流動應力之間的本構關系，例如，Rezaei等[14]采用人工神經網絡（ANN）模型來描述和預測熱變形條件下純鋁的流動行為，結果表明，所建立的神經網絡模型是預測純鋁復雜非線性熱流動行為的有效方法。此外，還有支持向量回歸（SVR）方法[15]等。截至目前，也有學者對9310鋼的流動行為進行了預測，如黃順喆等[16]根據動態再結晶是否發生，建立了不同熱變形階段下9310鋼的流動應力本構方程，其預測精度分別控制在15%與10%以內，精度較低。因此，有必要構建一種預測精度相對較高的9310鋼本構模型。

本文根據9310鋼熱壓縮實驗數據，分析了應變速率對9310鋼軟化效應的影響，建立了考慮應變補償的Arrhenius型本構模型、支持向量回歸（SVR）本構模型和人工神經網絡（ANN）智能優化的Arrhenius型本構模型來預測9310鋼的流動應力，并進行了對比，以期為9310鋼鍛造過程有限元數值模擬提供數據支撐。

1 實驗

實驗材料為鍛態9310鋼棒料，試樣的尺寸為8 mm×12 mm，化學成分如表1所示。采用Gleeble- 3800熱模擬實驗機進行9310鋼等溫恒應變速率熱壓縮實驗，實驗溫度為800～1 200 ℃，中間間隔50 ℃，共9個溫度。應變速率分別為0.01、0.1、1、10、50 s?1。整個熱壓縮和冷卻過程都在真空下進行，以5 ℃/s的速率加熱升溫到實驗溫度，保溫3 min后進行壓縮，高度壓下量為70%（真實應變約為1.2），壓縮結束后迅速水冷至室溫，以保留變形組織，通過實驗機自帶的傳感器記錄9310鋼試樣的應力-應變曲線。

將壓縮后的9310鋼試樣切開并鑲嵌，選用800#～2000#的金相砂紙進行打磨，拋光后用體積分數為4%的硝酸酒精溶液腐蝕金相試樣20 s，最后使用光學顯微鏡觀察試樣的微觀組織。9310鋼的原始組織如圖1所示，主要為板條馬氏體+少量的殘余奧氏體組織。

表1 9310鋼的化學成分

Tab.1 Chemical composition of 9310 steel wt.%

圖1 9310鋼原始組織

2 實驗結果

2.1 9310鋼流動應力曲線

不同工藝參數下9310鋼的流動應力曲線如圖2所示。可以看出，與變形溫度相比，應變速率對9310鋼流動軟化效應的影響更為顯著。如圖2c所示，在低應變速率0.01 s?1下，變形初期流動應力急劇上升，這是由于位錯的增殖、攀移以及位錯間的相互作用使位錯密度迅速累積而產生加工硬化；隨著應變的進一步增大，在達到臨界應變之后，動態回復（DRV）和動態再結晶（DRX）開始發生，軟化效應逐漸增強，流動應力開始下降；最后，軟化與硬化效應達到平衡，流動應力逐漸趨于穩定[17]。可見，在低應變速率下軟化效應更強，更有利于發生動態再結晶。值得注意的是，在溫度1 000～1 200 ℃變形時，當應變量增到0.7時，流動應力又開始緩慢上升，表現出加工硬化特征。從圖2d可以看出，在高應變速率10 s?1下，流動曲線呈現寬應力峰，這一般是發生動態回復的典型特征[18]，由于高的應變速率變形時間較短，達到臨界應變所需的應變量更大，再結晶程度較低，因此軟化效應較弱，流動應力下降緩慢。

9310鋼在不同變形參數下的顯微組織如圖3所示。可以看出，在低溫低應變速率下，奧氏體晶粒尺寸十分細小，且基本為等軸晶狀，有許多顆粒狀的M23C6和M7C3碳化物析出，如圖3a所示[19]。隨著變形溫度的升高，再結晶晶粒發生了長大，這是由于當應變速率一定時，隨著變形溫度的升高，晶界可動性增強，有利于發生動態再結晶的形核及晶粒長大[20]。在低應變速率（0.01 s?1）下的高溫段（1 000～1 200 ℃），當應變量增至0.7時，在晶界表面能的驅動下，新晶粒相互吞食而重新開始長大，流動應力表現出加工硬化特征。從圖3b可以看到奧氏體晶粒尺寸的增大與大量板條狀馬氏體群的生成。在高應變速率（10 s?1）下，變形時間較短，再結晶程度較低，如圖3c所示。圖3d為1 200 ℃/10 s?1下的顯微組織，隨著變形溫度的進一步升高，奧氏體晶粒發生了明顯長大，使板條馬氏體粗化。

圖2 不同工藝參數下9310鋼的流動應力曲線

圖3 不同變形參數下9310鋼的顯微組織

2.2 9310鋼本構模型的建立

2.2.1 考慮應變補償的Arrhenius型本構模型

本構方程可以描述不同熱變形條件與流動應力之間的關系，從而對熱變形過程進行預測。目前，使用最廣泛的是Arrhenius型雙曲正弦函數本構模型，已經在多種材料中得到了應用[21]，該方程表達式如式（1）～（3）所示。

由式（1）～（4）可得到本構模型如式（5）所示。

對式（1）～（4）兩邊同時取對數，可由關系曲線的平均斜率得到材料常數ln，之后將所得到的材料常數代入式（5），便可得到9310鋼的Arrhenius型本構模型。

在單一應變下構建的Arrhenius型本構模型不能確切地描述該鋼全程變形的流動行為，故可以將應變耦合到材料常數中。以應變0.1為間隔，分別計算出應變為0.1～1.2時所對應的材料常數，建立應變與材料常數ln的多項式函數關系，通過對數據進行3～7階多項式對比，發現6階多項式的擬合精度最好，擬合效果如圖4所示，擬合多項式方程如式（6）～（9）所示。

圖4 材料常數與真應變的擬合函數關系曲線

在式（5）的基礎上，考慮應變的影響，將式（6）～ （9）代入式（5），可得到考慮應變補償的9310鋼Arrhenius型本構模型，如式（10）所示。

2.2.2 支持向量回歸（SVR）本構模型

支持向量機（SVR）算法通常是模擬線性和非線性數據集的合適算法之一，由Cortes等[22]提出。支持向量回歸（SVR）是SVM的一種延伸，可以有效地完成非線性擬合。其原理是找到一個回歸平面，讓一個集合的所有數據到該平面的距離最近。與一般回歸不同的是，支持向量回歸會允許模型有一定的偏差，也就是在決策邊界之內的點，模型不認為它們有問題。

SVR模型的工作原理如圖5所示。通常在樣本空間中有無窮多個超平面，而認為那些在決策邊界以內且距離超平面還有一段距離的點最好，因為這樣能夠使模型具有較好的泛化能力，這些點也被稱為支持向量。如圖5所示，由中間的超平面產生的分類結果最為穩定，能夠最大限度地承受訓練樣本的局部擾動，具有最強的泛化能力。考慮到變形溫度、應變速率和應變量對流動行為的影響，SVR模型以這3個工藝參數為輸入變量、以流動應力為輸出變量進行訓練、建模和預測。

圖5 SVR模型的工作原理

基于考慮應變補償的Arrhenius本構模型和支持向量回歸本構模型，9310鋼800 ℃時流動應力的預測結果如圖6所示。可以看出，在高應變速率（1、10、50 s?1）下，考慮應變補償的Arrhenius本構模型的預測值（見圖4a中虛線圈出部分）偏離實驗值較大，在其他應變速率下，預測值與實驗值吻合較好。支持向量回歸（SVR）模型在高應變速率下則表現出較高的貼合度，在預測低應變速率（0.01 s?1和0.1 s?1）流動行為時顯示出較大的預測誤差（見圖4b虛線標出部分）。可見，這2種本構模型均不能準確地預測9310鋼的流動應力。

圖6 800 ℃下的流動應力曲線預測對比

2.3 基于人工神經網絡智能算法優化的Arrhenius本構模型

人工神經網絡（ANN）作為智能算法中的一種，能夠模擬人腦在決策過程中的工作過程，具有良好地捕捉輸入輸出之間高度非線性復雜關系的能力[23]。如圖7所示，ANN模型由輸入層、輸出層和一個或多個隱藏層組成，這些隱藏層由稱為神經元的處理單元連接。根據是否有監督[24]，人工神經網絡被分為時間依賴神經網絡、前饋神經網絡和遞歸神經網絡等[25]。

針對考慮應變補償的Arrhenius本構模型和支持向量回歸本構模型在預測流動應力過程中存在的問題，本文基于人工神經網絡（ANN）智能算法對Arrhenius型本構模型的預測誤差進行優化。預測誤差如式（11）所示。ANN優化后的最終預測應力如式（12）所示[26]。

ANN模型中使用的參數如表2所示，其中輸入變量包括變形溫度、應變速率和應變量，輸出為絕對誤差。此外，隱藏層神經元數目的選取是一個非常復雜的問題，通常根據實驗或研究者的經驗來確定。如果模型的結構過于簡單，則訓練好的網絡可能不具有足夠的能力來正確學習。相反，如果結構太復雜，則它在訓練期間可能不收斂，或者訓練的數據可能過擬合。因此，為了確定合適的隱藏層神經元數目，通常采用試錯法來評估最優的神經網絡。由于ANN算法中的權重和偏置的原始值具有一定的隨機性，因此，在每次計算給定ANN的平均絕對誤差（MAE）時，它們都不相同。為了克服人工神經網絡的隨機性，對每個固定隱藏層數的人工神經網絡進行10次訓練，然后選出最小的MAE作為該人工神經網絡的最終平均絕對誤差。最后，確定了此次ANN模型的隱藏神經元數目為20。

表2 ANN中使用的參數

Tab.2 Parameters used in ANN

3 分析與討論

為了進一步探究以上3種本構模型的優劣，下面將從不同變形參數下的流動應力預測、相關系數、平均相對誤差、均方誤差以及絕對誤差分布5個方面，評估3種本構模型的預測能力和精度。

3.1 流動應力曲線

3種模型在800、1 000、1 200 ℃時的實驗流動應力與預測流動應力如圖8所示。可以看出，在不同變形參數下，基于人工神經網絡（ANN）智能算法優化后的Arrhenius模型不僅能夠精確地預測流動應力，還能很好地擬合9310鋼的加工硬化區和動態軟化區。這是因為支持向量回歸的本構模型的預測精度受到多種因素影響，如核函數的選取、參數的調控以及樣本數目等，模型本身也允許一定的偏差存在，這會導致預測不準確。考慮應變補償的Arrhenius本構模型在求解材料常數和1時，所采用的公式分別為高應力水平下的式（2）和低應力水平下的式（1），然后對其進行了取平均值運算，其他的材料常數又是基于和1的平均值進行計算的，因此誤差較大。通過ANN對Arrhenius本構模型誤差進行智能優化后，由線性誤差轉換成了高維的非線性映射，提高了對加工硬化區和動態軟化區的預測效果，能很好地描述9310鋼流動應力、工藝參數和應變之間的非線性關系。值得一提的是，若直接采用ANN構建本構模型，由于ANN本身的隨機性，會不可避免地產生一定的預測誤差，而ANN優化Arrhenius本構模型誤差的過程是一個誤差相互抵消的過程，因此最終的預測精度會有顯著的提升。

3.2 相關系數、平均相對誤差和均方誤差

在評估一個模型的優劣時，應該從多方面進行評判。通常，本構模型采用相關系數、平均相對誤差和均方誤差等來衡量實驗流動應力與預測流動應力之間的偏差，其表達式如式（13）～（15）所示。

圖8 3種模型的預測流動應力與實驗流動應力

3種模型的實驗流動應力與預測流動應力的相關性如圖9所示。可以看出，在流動應力達到200 MPa以后，考慮應變補償的Arrhenius模型的離散程度較高，該模型在高應變速率下會導致預測發生偏離，而支持向量回歸（SVR）模型在200 MPa以下則是離散的。與SVR模型相比，考慮應變補償的Arrhenius本構模型的相關系數（0.993 4）更高。而基于人工神經網絡對Arrhenius本構模型進行智能優化后，相關系數達到了0.999 1，相關性較強。

圖9 3種模型實驗值與預測值的相關性比較

3種模型的平均相對誤差（AARE）和均方誤差（MSE）如圖10所示。可以看出，考慮應變補償的Arrhenius本構模型的平均相對誤差（0.055 6）和均方誤差（89.362）分別比SVR模型的低了0.018 9和26.479，說明該模型的精度相對要高一些。但與前面2種模型相比，經人工神經網絡智能優化后，Arrhenius型本構模型的平均相對誤差（0.019 9）和均方誤差（9.998）大幅度降低，預測精度明顯提高。

圖10 3種模型的平均相對誤差和均方誤差對比

3.3 絕對誤差

為了進一步對比考慮應變補償的Arrhenius本構模型與人工神經網絡（ANN）智能算法優化后的模型之間的差距，對2種模型的絕對誤差分布進行了比較，如圖11所示。可以看出，優化后的模型絕對誤差分布更加集中，絕對誤差在±10 MPa以內的預測流動應力達到了98.34%，而考慮應變補償的Arrhenius本構模型絕對誤差在±10 MPa以內的預測流動應力只占82.04%。綜上可知，ANN智能算法優化后的Arrhenius本構模型的精度較高，能更好地預測9310鋼流動行為。

圖11 絕對誤差分布

4 結論

1）與變形溫度相比，應變速率對9310鋼流動軟化效應的影響更為顯著。在低應變速率（0.01 s?1）下軟化效應更強，在溫度為1 000～1 200 ℃條件下，當應變量增到0.7時，流動應力又開始緩慢上升，表現出加工硬化特征。在高應變速率（10 s?1）下再結晶程度較低，軟化效應較弱。

2）建立了考慮應變補償的Arrhenius型本構模型和支持向量回歸（SVR）本構模型，相較于SVR模型，考慮應變補償的Arrhenius本構模型精度更高，其相關系數為0.993 4，平均相對誤差和均方誤差分別為0.055 6和89.362，但在預測高應變速率（1、10、50 s?1）下的流動應力時出現較大偏差。

3）采用人工神經網絡（ANN）智能算法對考慮應變補償的Arrhenius型本構模型進行了優化，相關系數達到了0.999 1，平均相對誤差（0.019 9）和均方誤差（9.998）大幅度降低，絕對誤差在±10 MPa以內的預測流動應力占比為98.34%，能夠較準確地預測9310鋼的流動應力。

[1] 吳秋平, 王春旭, 劉憲民, 等. 回火溫度對9310鋼力學性能及組織的影響[J]. 熱加工工藝, 2012, 41(6): 179-180.

WU Q P, WANG C X, LIU X M, et al. Influence of Tempering Temperature on Mechanical Properties and Microstructure of 9310 Steel[J]. Hot Working Technology, 2012, 41(6): 179-180.

[2] 田茂森, 陳剛, 沈四喜, 等. 52CrMoV4彈簧鋼熱變形行為的本構模型[J]. 有色金屬工程, 2023, 13(3): 49-60.

TIAN M S, CHEN G, SHEN S X, et al. Constitutive Model of Hot Deformation Behavior of 52CrMoV4 Spring Steel[J]. Nonferrous Metals Engineering, 2023, 13(3): 49-60.

[3] LIN Y C, CHEN X M, GE L. A Modified Johnson-Cook Model for Tensile Behaviors of Typical High-Strength Alloy Steel[J]. Materials Science and Engineering A, 2010, 527(26): 6980-6986.

[4] SAADATKIA S, MIRZADEH H, CABRERA J M. Hot Deformation Behavior, Dynamic Recrystallization, and Physically-Based Constitutive Modeling of Plain Carbon Steels[J]. Materials Science & Engineering A, 2015, 636: 196-202.

[5] BROWN C, MCCARTHY T, CHADHA K, et al. Constitutive Modeling of the Hot Deformation Behavior of CoCrFeMnNi High-entropy Alloy[J]. Materials Science and Engineering: A, 2021, 826: 141940.

[6] 楊曉康, 王快社, 史佳敏, 等. TC17鈦合金高溫變形行為研究[J]. 稀有金屬材料與工程, 2018, 47(9): 2895-2900.

YANG X K, WANG K S, SHI J M, et al. High Tem-perature Deformation Behaviour of TC17 Titanium Al-loy[J]. Rare Metal Materials and Engineering, 2018, 47(9): 2895-2900.

[7] LI H, LANG M W, SHI L X, et al. Study on Hot De-formation Behavior of Homogenized Mg-8.5Gd- 4.5Y-0.8Zn-0.4Zr Alloy Using a Combination of Strain- Compensated Arrhenius Constitutive Model and Finite Element Simulation Method[J]. Journal of Magnesium and Alloys, 2021, 11(1): 1851-1859.

[8] 劉江林, 曾衛東, 謝英杰, 等. 基于應變補償TC4-DT鈦合金高溫變形本構模型[J]. 稀有金屬材料與工程, 2015, 44(11): 2742-2746.

LIU J L, ZENG W D, XIE Y J, et al. Constitutive Model of TC4-DT Titanium Alloy at Elevated Temperature Considering Compensation of Strain[J]. Rare Metal Materials and Engineering, 2015, 44(11): 2742-2746.

[9] GUO N N, WANG L, LUO L S, et al. Hot Deformation Characteristics and Dynamic Recrystallization of the MoNbHfZrTi Refractory High-Entropy Alloy[J]. Mate-rials Science and Engineering A, 2015, 651: 698-707.

[10] QIAO L, WANG Z B, ZHU J C. Application of Im-proved GRNN Model to Predict Interlamellar Spacing and Mechanical Properties of Hypereutectoid Steel[J]. Materials Science and Engineering A, 2020, 792(1): 139845.

[11] LIN Y C, HUANG J, LI H B, et al. Phase Transformation and Constitutive Models of a Hot Compressed TC18 Titanium Alloy in the α+β Regime[J]. Vacuum, 2018, 157: 83-91.

[12] QIAO L, DENG Y, LIAO M Q, et al. Modelling and Prediction of Thermal Deformation Behaviors in a Pear-litic Steel[J]. Materials Today Communications, 2020, 25: 101134.

[13] ZHU Y L, CAO Y, LIU C J, et al. Dynamic Behavior and Modified Artificial Neural Network Model for Pre-dicting Flow Stress during Hot Deformation of Alloy 925[J]. Materials Today Communications, 2020, 25: 101329.

[14] REZAEI A H R, SHAYANPOOR A A. Hot Deformation Characterization of Pure Aluminum Using Artificial Neural Network (ANN) and Processing Map Considering Initial Grain Size[J]. Metals and Materials International, 2021, 27(12): 5017-5033.

[15] NIU Y, HONG Z Q, WANG Y Q, et al. Machine Learn-ing-Based Beta Transus Temperature Prediction for Ti-tanium Alloys[J]. Journal of Materials Research and Technology, 2023, 23(9): 515-529.

[16] 黃順喆, 厲勇, 王春旭, 等. 高強滲碳鋼高溫熱變形的本構方程[J]. 材料熱處理學報, 2014, 35(10): 210- 217.

HUANG S Z, LI Y, WANG C X, et al. Constitutive Equations of a High-Strength Carburizing Steel during High Temperature Thermal Deformation[J]. Transactions of Materials and Heat Treatment, 2014, 35(10): 210-217.

[17] 彭嘉豪, 孫前江, 周建偉, 等. TC4-DT鈦合金高溫熱變形及加工[J]. 中國有色金屬學報, 2022, 32(4): 994-1003.

PENG J H, SUN Q J, ZHOU J W, et al. High Temperature Thermal Deformation and Processing of TC4-DT Titanium Alloy[J]. The Chinese Journal of Nonferrous Metals, 2022, 32(4): 994-1003.

[18] ZHANG J Q, DI H S, WANG X Y. Flow Softening of 253MA Austenitic Stainless Steel during Hot Compression at Higher Strain Rates[J]. Materials Science and Engi-neering A, 2015, 650: 483-491.

[19] 厲勇, 王春旭, 劉憲民, 等. SAE9310鋼奧氏體的冷卻轉變行為[J]. 機械工程材料, 2010, 34(5): 12-15.

LI Y, WANG C X, LIU X M, et al. Microstructure Transformation Behaviour of Austenite Cooling for SAE9310 Steel[J]. Materials for Mechanical Engineering, 2010, 34(5): 12-15.

[20] 楊雨童, 程曉農, 羅銳, 等. 304和304L奧氏體不銹鋼的熱加工性能研究[J]. 塑性工程學報, 2019, 26(1): 156-161.

YANG Y T, CHENG X N, LUO R, et al. Research on Hot Workability of 304 and 304L Austenitic Stainless Steel[J]. Journal of Plasticity Engineering, 2019, 26(1): 156-161.

[21] 張一帆, 朱曉飛, 周舸, 等. A100鋼的熱變形行為及加工圖[J]. 精密成形工程, 2022, 14(2): 88-94.

ZHANG Y F, ZHU X F, ZHOU G, et al. Hot Deformation Behavior and Processing Map of A100 Steel[J]. Journal of Netshape Forming Engineering, 2022, 14(2): 88-94.

[22] CORTES C, VAPNIK V. Support-Vector Networks[J]. Machine Learning, 1995, 20(3): 273-297.

[23] KHALAJ G, NAZARI A, YOOZBASHIZADEH H, et al. Retracted Article: ANN Model to Predict the Effects of Composition and Heat Treatment Parameters on Trans-formation Start Temperature of Microalloyed Steels[J]. Neural Computing and Applications, 2014, 24(2): 301- 308.

[24] MAHESH R, DHANYA S. Modelling the Hardened Properties of Steel Fiber Reinforced Concrete Using ANN[J]. Materials Today: Proceedings, 2022, 49(P5): 2081-2089.

[25] 徐顯強, 董顯娟, 徐勇, 等. 7050鋁合金蠕變本構模型及其泛化能力研究[J]. 精密成形工程, 2023, 15(7): 96-103.

XU X Q, DONG X J, XU Y, et al. Creep Constitutive Model and Generalization Ability of 7050 Aluminum Alloy[J]. Journal of Netshape Forming Engineering, 2023, 15(7): 96-103.

[26] WU S W, ZHOU X G, CAO G M, et al. The Improve-ment on Constitutive Modeling of Nb-Ti Micro Alloyed Steel by Using Intelligent Algorithms[J]. Materials & Design, 2017, 116: 676-685.

9310 Steel Constitutive Model Optimization Based on Artificial Neural Network Intelligent Algorithm

SHI Wenpeng1, SUN Cenhua1, LI Jiajun2, WANG Yuhang2, DONG Xianjuan2

(1. Jiangxi Jinghang Aviation Forging & Casting Co., Ltd., Jiangxi Jingdezhen 330046, China; 2. School of Aeronautical Manufacturing Engineering, Nanchang Hangkong University, Nanchang 330063, China)

The work aims to study the thermal deformation behavior of 9310 steel under the conditions of deformation temperature of 800-1200 ℃, strain rate of 0.01-50s?1and high depression of 70%, and to establish a constitutive model of 9310 steel with a relatively good prediction effect. An isothermal constant strain rate thermal compression test was carried out on 9310 steel using Gleeble-3800 thermal simulator, and the influence of strain rate on the flow softening effect of 9310 steel was analyzed based on the thermal compression experimental data, and an Arrhenius constitutive model and a support vector regression (SVR) constitutive model considering strain compensation were established, and the model accuracy was analyzed. Compared with the deformation temperature, the strain rate had a more significant effect on the flow softening effect of 9310 steel. Compared with the Support Vector Regression (SVR) constitutive model, the Arrhenius constitutive model considering strain compensation had higher accuracy, with a correlation coefficientof 0.9934, an average relative error (AARE) and a mean square error (MSE) of 0.0556 and 89.362, respectively, and a high strain rate (1, 10, 50s?1).After the optimization of the ANN intelligent algorithm, the correlation coefficientwas increased to 0.9991, the AARE and MSE were reduced to 0.0199 and 9.998, respectively. The proportion of the predicted flow stress with an absolute error of ±10MPa was 98.34%. The softening effect is stronger at low strain rate (0.01s?1). The degree of recrystallization is lower at high strain rate (10s?1), and the softening effect is weaker. The Arrhenius constitutive model optimized by ANN intelligent algorithm has high accuracy and can accurately predict the flow behavior of 9310 steel.

9310 steel; constitutive model; Arrhenius constitutive model; artificial neural network (ANN); intelligent algorithm optimization

10.3969/j.issn.1674-6457.2024.03.019

TG142.1+4

A

1674-6457(2024)03-0171-10

2024-01-05

2024-01-05

江西省自然科學基金面上項目（20232BAB204050）

Natural Science Foundation of Jiangxi Province (20232BAB204050)

施文鵬, 孫岑花, 李佳俊, 等. 基于人工神經網絡智能算法的9310鋼本構模型優化[J]. 精密成形工程, 2024, 16(3): 171-180.

SHI Wenpeng, SUN Cenhua, LI Jiajun, et al. 9310 Steel Constitutive Model Optimization Based on Artificial Neural Network Intelligent Algorithm[J]. Journal of Netshape Forming Engineering, 2024, 16(3): 171-180.