基于机器学习和遗传算法的非局部晶体塑性模型参数识别

非局部晶体塑性模型考虑了由非均匀变形引起的位错在空间上的重排, 使得其本构模型变得复杂, 可调节参数众多, 因此采用常规的“试错法”难以准确确定这些参数. 虽然遗传算法能够稳健地全局优化解决参数确定问题, 但对于非局部晶体塑性模型, 其计算成本相对较高. 为解决这一问题, 提出了一种耦合机器学习模型的遗传算法, 以有效降低计算成本. 针对含有冷却孔的镍基高温合金的拉伸响应问题, 以单拉应力−应变曲线为目标, 基于屈服应力和最终应力建立评价公式, 使得优化结果与实验尽可能接近.
在这一方法中, 机器学习模型能够通过非局部晶体塑性模型的参数来预测相应的应力值, 从而替代了遗传算法中原本需要的有限元计算过程. 为了分析本构模型参数对单拉力学响应的影响, 研究采用SHAP框架, 并通过有限元结果进行验证. 结果表明, 通过该方法可以有效获取非局部晶体塑性模型参数, 使得参数计算得到的应力−应变响应与实验结果吻合较好. 此外, SHAP框架能够提供本构模型参数的重要程度分析, 以及对屈服应力和最终应力的影响.