基于人工神經(jīng)網(wǎng)絡(luò)智能算法的9310鋼本構(gòu)模型優(yōu)化

施文鵬，孫岑花，李佳俊，王宇航，董顯娟

基于人工神經(jīng)網(wǎng)絡(luò)智能算法的9310鋼本構(gòu)模型優(yōu)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(zhèn) 330046；2.南昌航空大學(xué) 航空制造工程學(xué)院，南昌 330063）

研究9310鋼在變形溫度為800～1 200 ℃、應(yīng)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(yù)測效果相對較好的9310鋼本構(gòu)模型。使用Gleeble-3800熱模擬機對9310鋼進(jìn)行等溫恒應(yīng)變速率熱壓縮實驗，基于熱壓縮實驗數(shù)據(jù)，分析了應(yīng)變速率對9310鋼流動軟化效應(yīng)的影響，建立了考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型與支持向量回歸（SVR）本構(gòu)模型，并進(jìn)行了模型精度分析，之后引入人工神經(jīng)網(wǎng)絡(luò)（ANN）智能算法優(yōu)化了Arrhenius本構(gòu)模型。與變形溫度相比，應(yīng)變速率對9310鋼流動軟化效應(yīng)的影響更為顯著。相較于支持向量回歸（SVR）本構(gòu)模型，考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型精度更高，其相關(guān)系數(shù)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(yù)測高應(yīng)變速率（1、10、50 s?1）流動應(yīng)力時出現(xiàn)了較大偏差，經(jīng)ANN智能算法優(yōu)化后，相關(guān)系數(shù)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(nèi)的預(yù)測流動應(yīng)力占比為98.34%。在低應(yīng)變速率（0.01 s?1）下軟化效應(yīng)更強，在高應(yīng)變速率（10 s?1）下再結(jié)晶程度較低，軟化效應(yīng)較弱。ANN智能算法優(yōu)化后的Arrhenius本構(gòu)模型具有較高的精度，能較準(zhǔn)確地預(yù)測9310鋼的流動行為。

9310鋼；本構(gòu)模型；Arrhenius型本構(gòu)模型；人工神經(jīng)網(wǎng)絡(luò)（ANN）；智能算法優(yōu)化

9310鋼具有優(yōu)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(gòu)模型可以系統(tǒng)地描述熱變形工藝參數(shù)與流動應(yīng)力之間的關(guān)系，為有限元模擬提供數(shù)據(jù)支撐，同時可為材料熱加工參數(shù)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(xiàn)出各種相互關(guān)聯(lián)的冶金現(xiàn)象，如加工硬化等，這使得熱變形行為建模相當(dāng)復(fù)雜[3-4]。大多學(xué)者[5-6]采用Arrhenius型方程來構(gòu)建本構(gòu)模型，然而模型的預(yù)測精度十分有限。于是有學(xué)者在其基礎(chǔ)上考慮了應(yīng)變補償，如Li等[7]將考慮了應(yīng)變補償?shù)腁rrhenius本構(gòu)模型引入有限元模型中，驗證了該本構(gòu)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(yīng)變補償?shù)谋緲?gòu)模型，該模型可精確預(yù)測應(yīng)變速率小于1 s?1時的流動應(yīng)力。盡管唯象型本構(gòu)模型一直被認(rèn)為是預(yù)測流動行為的有效方法[9]，但數(shù)學(xué)建模的高度復(fù)雜性限制了其廣泛應(yīng)用。隨著人工智能在材料領(lǐng)域的發(fā)展，機器學(xué)習(xí)（ML）被用于構(gòu)建本構(gòu)模型，并在過去的幾年中得到了廣泛的應(yīng)用[10-11]。在不涉及物理機制的情況下，ML方法可以表現(xiàn)出優(yōu)異的預(yù)測性能[12-13]，已經(jīng)有許多學(xué)者利用不同種類的智能算法來構(gòu)建工藝參數(shù)和流動應(yīng)力之間的本構(gòu)關(guān)系，例如，Rezaei等[14]采用人工神經(jīng)網(wǎng)絡(luò)（ANN）模型來描述和預(yù)測熱變形條件下純鋁的流動行為，結(jié)果表明，所建立的神經(jīng)網(wǎng)絡(luò)模型是預(yù)測純鋁復(fù)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(xué)者對9310鋼的流動行為進(jìn)行了預(yù)測，如黃順喆等[16]根據(jù)動態(tài)再結(jié)晶是否發(fā)生，建立了不同熱變形階段下9310鋼的流動應(yīng)力本構(gòu)方程，其預(yù)測精度分別控制在15%與10%以內(nèi)，精度較低。因此，有必要構(gòu)建一種預(yù)測精度相對較高的9310鋼本構(gòu)模型。

本文根據(jù)9310鋼熱壓縮實驗數(shù)據(jù)，分析了應(yīng)變速率對9310鋼軟化效應(yīng)的影響，建立了考慮應(yīng)變補償?shù)腁rrhenius型本構(gòu)模型、支持向量回歸（SVR）本構(gòu)模型和人工神經(jīng)網(wǎng)絡(luò)（ANN）智能優(yōu)化的Arrhenius型本構(gòu)模型來預(yù)測9310鋼的流動應(yīng)力，并進(jìn)行了對比，以期為9310鋼鍛造過程有限元數(shù)值模擬提供數(shù)據(jù)支撐。

1 實驗

實驗材料為鍛態(tài)9310鋼棒料，試樣的尺寸為8 mm×12 mm，化學(xué)成分如表1所示。采用Gleeble- 3800熱模擬實驗機進(jìn)行9310鋼等溫恒應(yīng)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(yīng)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(jìn)行，以5 ℃/s的速率加熱升溫到實驗溫度，保溫3 min后進(jìn)行壓縮，高度壓下量為70%（真實應(yīng)變約為1.2），壓縮結(jié)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(yīng)力-應(yīng)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(jìn)行打磨，拋光后用體積分?jǐn)?shù)為4%的硝酸酒精溶液腐蝕金相試樣20 s，最后使用光學(xué)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(xué)成分

Tab.1 Chemical composition of 9310 steel wt.%

圖1 9310鋼原始組織

2 實驗結(jié)果

2.1 9310鋼流動應(yīng)力曲線

不同工藝參數(shù)下9310鋼的流動應(yīng)力曲線如圖2所示?？梢钥闯觯c變形溫度相比，應(yīng)變速率對9310鋼流動軟化效應(yīng)的影響更為顯著。如圖2c所示，在低應(yīng)變速率0.01 s?1下，變形初期流動應(yīng)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(chǎn)生加工硬化；隨著應(yīng)變的進(jìn)一步增大，在達(dá)到臨界應(yīng)變之后，動態(tài)回復(fù)（DRV）和動態(tài)再結(jié)晶（DRX）開始發(fā)生，軟化效應(yīng)逐漸增強，流動應(yīng)力開始下降；最后，軟化與硬化效應(yīng)達(dá)到平衡，流動應(yīng)力逐漸趨于穩(wěn)定[17]。可見，在低應(yīng)變速率下軟化效應(yīng)更強，更有利于發(fā)生動態(tài)再結(jié)晶。值得注意的是，在溫度1 000～1 200 ℃變形時，當(dāng)應(yīng)變量增到0.7時，流動應(yīng)力又開始緩慢上升，表現(xiàn)出加工硬化特征。從圖2d可以看出，在高應(yīng)變速率10 s?1下，流動曲線呈現(xiàn)寬應(yīng)力峰，這一般是發(fā)生動態(tài)回復(fù)的典型特征[18]，由于高的應(yīng)變速率變形時間較短，達(dá)到臨界應(yīng)變所需的應(yīng)變量更大，再結(jié)晶程度較低，因此軟化效應(yīng)較弱，流動應(yīng)力下降緩慢。

9310鋼在不同變形參數(shù)下的顯微組織如圖3所示。可以看出，在低溫低應(yīng)變速率下，奧氏體晶粒尺寸十分細(xì)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(jié)晶晶粒發(fā)生了長大，這是由于當(dāng)應(yīng)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(fā)生動態(tài)再結(jié)晶的形核及晶粒長大[20]。在低應(yīng)變速率（0.01 s?1）下的高溫段（1 000～1 200 ℃），當(dāng)應(yīng)變量增至0.7時，在晶界表面能的驅(qū)動下，新晶粒相互吞食而重新開始長大，流動應(yīng)力表現(xiàn)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(yīng)變速率（10 s?1）下，變形時間較短，再結(jié)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(jìn)一步升高，奧氏體晶粒發(fā)生了明顯長大，使板條馬氏體粗化。

圖2 不同工藝參數(shù)下9310鋼的流動應(yīng)力曲線

圖3 不同變形參數(shù)下9310鋼的顯微組織

2.2 9310鋼本構(gòu)模型的建立

2.2.1 考慮應(yīng)變補償?shù)腁rrhenius型本構(gòu)模型

本構(gòu)方程可以描述不同熱變形條件與流動應(yīng)力之間的關(guān)系，從而對熱變形過程進(jìn)行預(yù)測。目前，使用最廣泛的是Arrhenius型雙曲正弦函數(shù)本構(gòu)模型，已經(jīng)在多種材料中得到了應(yīng)用[21]，該方程表達(dá)式如式（1）～（3）所示。

由式（1）～（4）可得到本構(gòu)模型如式（5）所示。

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

在單一應(yīng)變下構(gòu)建的Arrhenius型本構(gòu)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(yīng)變耦合到材料常數(shù)中。以應(yīng)變0.1為間隔，分別計算出應(yīng)變?yōu)?.1～1.2時所對應(yīng)的材料常數(shù)，建立應(yīng)變與材料常數(shù)ln的多項式函數(shù)關(guān)系，通過對數(shù)據(jù)進(jìn)行3～7階多項式對比，發(fā)現(xiàn)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(shù)與真應(yīng)變的擬合函數(shù)關(guān)系曲線

在式（5）的基礎(chǔ)上，考慮應(yīng)變的影響，將式（6）～ （9）代入式（5），可得到考慮應(yīng)變補償?shù)?310鋼Arrhenius型本構(gòu)模型，如式（10）所示。

2.2.2 支持向量回歸（SVR）本構(gòu)模型

支持向量機（SVR）算法通常是模擬線性和非線性數(shù)據(jù)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(shù)據(jù)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(nèi)的點，模型不認(rèn)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(rèn)為那些在決策邊界以內(nèi)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(chǎn)生的分類結(jié)果最為穩(wěn)定，能夠最大限度地承受訓(xùn)練樣本的局部擾動，具有最強的泛化能力?？紤]到變形溫度、應(yīng)變速率和應(yīng)變量對流動行為的影響，SVR模型以這3個工藝參數(shù)為輸入變量、以流動應(yīng)力為輸出變量進(jìn)行訓(xùn)練、建模和預(yù)測。

圖5 SVR模型的工作原理

基于考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型和支持向量回歸本構(gòu)模型，9310鋼800 ℃時流動應(yīng)力的預(yù)測結(jié)果如圖6所示?？梢钥闯?，在高應(yīng)變速率（1、10、50 s?1）下，考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型的預(yù)測值（見圖4a中虛線圈出部分）偏離實驗值較大，在其他應(yīng)變速率下，預(yù)測值與實驗值吻合較好。支持向量回歸（SVR）模型在高應(yīng)變速率下則表現(xiàn)出較高的貼合度，在預(yù)測低應(yīng)變速率（0.01 s?1和0.1 s?1）流動行為時顯示出較大的預(yù)測誤差（見圖4b虛線標(biāo)出部分）?？梢?，這2種本構(gòu)模型均不能準(zhǔn)確地預(yù)測9310鋼的流動應(yīng)力。

圖6 800 ℃下的流動應(yīng)力曲線預(yù)測對比

2.3 基于人工神經(jīng)網(wǎng)絡(luò)智能算法優(yōu)化的Arrhenius本構(gòu)模型

人工神經(jīng)網(wǎng)絡(luò)（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(fù)雜關(guān)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(jīng)元的處理單元連接。根據(jù)是否有監(jiān)督[24]，人工神經(jīng)網(wǎng)絡(luò)被分為時間依賴神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等[25]。

針對考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型和支持向量回歸本構(gòu)模型在預(yù)測流動應(yīng)力過程中存在的問題，本文基于人工神經(jīng)網(wǎng)絡(luò)（ANN）智能算法對Arrhenius型本構(gòu)模型的預(yù)測誤差進(jìn)行優(yōu)化。預(yù)測誤差如式（11）所示。ANN優(yōu)化后的最終預(yù)測應(yīng)力如式（12）所示[26]。

ANN模型中使用的參數(shù)如表2所示，其中輸入變量包括變形溫度、應(yīng)變速率和應(yīng)變量，輸出為絕對誤差。此外，隱藏層神經(jīng)元數(shù)目的選取是一個非常復(fù)雜的問題，通常根據(jù)實驗或研究者的經(jīng)驗來確定。如果模型的結(jié)構(gòu)過于簡單，則訓(xùn)練好的網(wǎng)絡(luò)可能不具有足夠的能力來正確學(xué)習(xí)。相反，如果結(jié)構(gòu)太復(fù)雜，則它在訓(xùn)練期間可能不收斂，或者訓(xùn)練的數(shù)據(jù)可能過擬合。因此，為了確定合適的隱藏層神經(jīng)元數(shù)目，通常采用試錯法來評估最優(yōu)的神經(jīng)網(wǎng)絡(luò)。由于ANN算法中的權(quán)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(jīng)網(wǎng)絡(luò)的隨機性，對每個固定隱藏層數(shù)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行10次訓(xùn)練，然后選出最小的MAE作為該人工神經(jīng)網(wǎng)絡(luò)的最終平均絕對誤差。最后，確定了此次ANN模型的隱藏神經(jīng)元數(shù)目為20。

表2 ANN中使用的參數(shù)

Tab.2 Parameters used in ANN

3 分析與討論

為了進(jìn)一步探究以上3種本構(gòu)模型的優(yōu)劣，下面將從不同變形參數(shù)下的流動應(yīng)力預(yù)測、相關(guān)系數(shù)、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(gòu)模型的預(yù)測能力和精度。

3.1 流動應(yīng)力曲線

3種模型在800、1 000、1 200 ℃時的實驗流動應(yīng)力與預(yù)測流動應(yīng)力如圖8所示?？梢钥闯觯诓煌冃螀?shù)下，基于人工神經(jīng)網(wǎng)絡(luò)（ANN）智能算法優(yōu)化后的Arrhenius模型不僅能夠精確地預(yù)測流動應(yīng)力，還能很好地擬合9310鋼的加工硬化區(qū)和動態(tài)軟化區(qū)。這是因為支持向量回歸的本構(gòu)模型的預(yù)測精度受到多種因素影響，如核函數(shù)的選取、參數(shù)的調(diào)控以及樣本數(shù)目等，模型本身也允許一定的偏差存在，這會導(dǎo)致預(yù)測不準(zhǔn)確?？紤]應(yīng)變補償?shù)腁rrhenius本構(gòu)模型在求解材料常數(shù)和1時，所采用的公式分別為高應(yīng)力水平下的式（2）和低應(yīng)力水平下的式（1），然后對其進(jìn)行了取平均值運算，其他的材料常數(shù)又是基于和1的平均值進(jìn)行計算的，因此誤差較大。通過ANN對Arrhenius本構(gòu)模型誤差進(jìn)行智能優(yōu)化后，由線性誤差轉(zhuǎn)換成了高維的非線性映射，提高了對加工硬化區(qū)和動態(tài)軟化區(qū)的預(yù)測效果，能很好地描述9310鋼流動應(yīng)力、工藝參數(shù)和應(yīng)變之間的非線性關(guān)系。值得一提的是，若直接采用ANN構(gòu)建本構(gòu)模型，由于ANN本身的隨機性，會不可避免地產(chǎn)生一定的預(yù)測誤差，而ANN優(yōu)化Arrhenius本構(gòu)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(yù)測精度會有顯著的提升。

3.2 相關(guān)系數(shù)、平均相對誤差和均方誤差

在評估一個模型的優(yōu)劣時，應(yīng)該從多方面進(jìn)行評判。通常，本構(gòu)模型采用相關(guān)系數(shù)、平均相對誤差和均方誤差等來衡量實驗流動應(yīng)力與預(yù)測流動應(yīng)力之間的偏差，其表達(dá)式如式（13）～（15）所示。

圖8 3種模型的預(yù)測流動應(yīng)力與實驗流動應(yīng)力

3種模型的實驗流動應(yīng)力與預(yù)測流動應(yīng)力的相關(guān)性如圖9所示?？梢钥闯?，在流動應(yīng)力達(dá)到200 MPa以后，考慮應(yīng)變補償?shù)腁rrhenius模型的離散程度較高，該模型在高應(yīng)變速率下會導(dǎo)致預(yù)測發(fā)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(yīng)變補償?shù)腁rrhenius本構(gòu)模型的相關(guān)系數(shù)（0.993 4）更高。而基于人工神經(jīng)網(wǎng)絡(luò)對Arrhenius本構(gòu)模型進(jìn)行智能優(yōu)化后，相關(guān)系數(shù)達(dá)到了0.999 1，相關(guān)性較強。

圖9 3種模型實驗值與預(yù)測值的相關(guān)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(yīng)變補償?shù)腁rrhenius本構(gòu)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(jīng)人工神經(jīng)網(wǎng)絡(luò)智能優(yōu)化后，Arrhenius型本構(gòu)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(yù)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(jìn)一步對比考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型與人工神經(jīng)網(wǎng)絡(luò)（ANN）智能算法優(yōu)化后的模型之間的差距，對2種模型的絕對誤差分布進(jìn)行了比較，如圖11所示?？梢钥闯?，優(yōu)化后的模型絕對誤差分布更加集中，絕對誤差在±10 MPa以內(nèi)的預(yù)測流動應(yīng)力達(dá)到了98.34%，而考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型絕對誤差在±10 MPa以內(nèi)的預(yù)測流動應(yīng)力只占82.04%。綜上可知，ANN智能算法優(yōu)化后的Arrhenius本構(gòu)模型的精度較高，能更好地預(yù)測9310鋼流動行為。

圖11 絕對誤差分布

4 結(jié)論

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

2）建立了考慮應(yīng)變補償?shù)腁rrhenius型本構(gòu)模型和支持向量回歸（SVR）本構(gòu)模型，相較于SVR模型，考慮應(yīng)變補償?shù)腁rrhenius本構(gòu)模型精度更高，其相關(guān)系數(shù)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(yù)測高應(yīng)變速率（1、10、50 s?1）下的流動應(yīng)力時出現(xiàn)較大偏差。

3）采用人工神經(jīng)網(wǎng)絡(luò)（ANN）智能算法對考慮應(yīng)變補償?shù)腁rrhenius型本構(gòu)模型進(jìn)行了優(yōu)化，相關(guān)系數(shù)達(dá)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(nèi)的預(yù)測流動應(yīng)力占比為98.34%，能夠較準(zhǔn)確地預(yù)測9310鋼的流動應(yīng)力。

[1] 吳秋平, 王春旭, 劉憲民, 等. 回火溫度對9310鋼力學(xué)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(gòu)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(wèi)東, 謝英杰, 等. 基于應(yīng)變補償TC4-DT鈦合金高溫變形本構(gòu)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?zé)嶙冃蔚谋緲?gòu)方程[J]. 材料熱處理學(xué)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?zé)嶙冃渭凹庸J]. 中國有色金屬學(xué)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(zhuǎn)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(nóng), 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(xué)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(gòu)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(xué)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(jīng)網(wǎng)絡(luò)智能算法的9310鋼本構(gòu)模型優(yōu)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.