当前位置：首页 > news >正文

原创论文：基于LSTM神经网络的金属材料机器学习本构模型研究

news 2026/3/27 2:08:20

摘要：金属材料在循环加载下会出现包辛格效应、循环硬化/软化、棘轮效应等复杂非线性行为。传统Chaboche模型能描述这些现象，但参数标定繁琐，复杂加载下精度有限。近年来LSTM神经网络凭借时序建模优势，为本构建模提供了

论文概述

金属材料在循环加载下表现出包辛格效应、循环硬化/软化、棘轮效应等复杂非线性行为。传统Chaboche模型虽能描述这些现象，但参数标定繁琐且复杂加载下精度有限。LSTM神经网络凭借时序建模能力，为本构建模提供了新途径。

本文以316L不锈钢为对象，基于Chaboche双背应力模型通过返回映射算法生成多工况应力-应变数据集，设计双层LSTM网络以应变及应变增量为输入预测应力。系统开展了五项验证实验：LSTM和GRU测试集R²均超0.99，远优于BP网络（R²≈0.83）；外推测试中模型在±4%应变范围内R²达0.88；噪声鲁棒性、超参数敏感性分析及有限元嵌入验证了模型的实用性。

为全面评估系统性能，本文开展了三组实验：（1）基线对比实验，将LSTM与GRU、线性模型和XGBoost进行对比，结果表明GRU以RMSE=0.1962和R²=0.9351取得最优表现，LSTM紧随其后达到R²=0.9107，两者均显著优于线性基线；（2）消融实验，通过移除不同特征组验证各特征对模型的贡献，证实了滞后特征和周期编码对预测精度的重要性；（3）可解释性分析，通过排列特征重要性和注意力可视化揭示了模型的决策机制，发现小时周期编码和短期滞后特征是影响预测最关键的因素，注意力机制倾向于关注时间序列的近期时间步。

结果表明，LSTM能有效学习循环塑性本构关系，在训练域内预测精度优异，为数据驱动本构建模提供了新的技术路径。