0.   引言

GH4065合金是一種新型鎳基高溫合金，在700~850 ℃高溫下仍具有優(yōu)異的抗蠕變性、抗氧化性和耐腐蝕性以及較高斷裂韌性，廣泛應(yīng)用于高溫關(guān)鍵零部件[1]。GH4065合金產(chǎn)品常采用高溫鍛造工藝成形[2]，成形過程涉及位錯運(yùn)動、晶粒演變、相變及孿晶等多種機(jī)制耦合，其變形行為極為復(fù)雜；同時，該合金產(chǎn)品需在高溫高壓條件下長期工作，服役環(huán)境較惡劣，對其質(zhì)量與性能要求較高。深入研究GH4065合金的高溫變形行為對優(yōu)化高溫成形工藝與產(chǎn)品質(zhì)量控制意義重大[3]。 

構(gòu)建本構(gòu)關(guān)系可以精準(zhǔn)表征GH4065合金的高溫變形行為，其核心是建立高溫變形參數(shù)（如變形溫度、應(yīng)變速率等）與力學(xué)響應(yīng)（如真應(yīng)力）的映射關(guān)系[4]。目前，通用的本構(gòu)方程有Arrhenius方程[5]和Johnson-Cook方程[6]等。這些本構(gòu)方程具有特定的物理意義或表達(dá)形式，通常采用試驗數(shù)據(jù)通過數(shù)學(xué)解析方法進(jìn)行計算，但由于材料高溫變形特性的差異性和復(fù)雜性，使用通用本構(gòu)方程進(jìn)行精確計算的難度較大[7]。材料的真應(yīng)力-真應(yīng)變數(shù)據(jù)是研究材料高溫變形和動態(tài)再結(jié)晶行為的基礎(chǔ)，其數(shù)據(jù)量對本構(gòu)方程的精準(zhǔn)計算影響較大，通常通過試驗獲取，但試驗相對來說成本高、周期長、可重復(fù)性差。近年來，人工神經(jīng)網(wǎng)絡(luò)[8]因?qū)W習(xí)能力和泛化能力強(qiáng)，所需試驗數(shù)據(jù)相對較少，成為表征材料高溫變形行為的新途徑，并已成功應(yīng)用到TC4鈦合金[9]、AZ91鎂合金[10]和7075鋁合金[11]等材料本構(gòu)關(guān)系的構(gòu)建中，且預(yù)測精度較高。在各種神經(jīng)網(wǎng)絡(luò)模型中，反向傳播（BP）神經(jīng)網(wǎng)絡(luò)通過反向傳播算法高效訓(xùn)練多層網(wǎng)絡(luò)，能夠解決其他簡單網(wǎng)絡(luò)難以處理的復(fù)雜非線性問題，是非線性本構(gòu)關(guān)系表征中較為常用的神經(jīng)網(wǎng)絡(luò)模型。作者對GH4065合金進(jìn)行高溫壓縮試驗，獲得了真應(yīng)力-真應(yīng)變曲線；基于BP算法構(gòu)建了該合金高溫變形神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，對BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測合金高溫變形行為的準(zhǔn)確性進(jìn)行了驗證，并與考慮真應(yīng)變影響的Arrhenius變參數(shù)本構(gòu)模型模擬結(jié)果進(jìn)行了對比；基于該神經(jīng)網(wǎng)絡(luò)模型建立了真應(yīng)變、變形溫度、應(yīng)變速率與真應(yīng)力的映射關(guān)系。研究結(jié)果可為高溫合金高溫變形行為的表征提供參考。 

1.   試驗方法與結(jié)果

1.1   試驗方法

試驗材料為鍛態(tài)GH4065合金棒，化學(xué)成分（質(zhì)量分?jǐn)?shù)/%）為16.12Cr，13.09Co，4.14Mo，3.97W，3.65Ti，2.24Al，1.25Fe，0.74Nb，余Ni。將合金棒加工成尺寸為?8 mm×12 mm的圓柱形試樣，清洗并干燥后，按照ASTM E209-18 Standard practice for compression tests of metallic materials at elevated temperatures with conventional or rapid heating rates and strain rates，對試樣進(jìn)行高溫壓縮試驗：在試樣圓柱面上焊接K型I級熱電偶，端面上均勻涂抹石墨粉后，固定在Gleeble 3500型熱模擬試驗機(jī)的砧座上，以2 K·s−1的升溫速率將試樣加熱至不同變形溫度（1 150，1 200，1 250，1 300，1 350 K）保溫120 s，再以不同應(yīng)變速率（0.001，0.01，0.1，1 s−1）壓縮至高度為5.4 mm，隨后迅速取下并進(jìn)行淬火、干燥、清理及封裝處理。在溫度1 175 K、應(yīng)變速率1 s−1以及溫度1 275 K、應(yīng)變速率0.01 s−1條件下，按上述試驗過程進(jìn)行兩組補(bǔ)充高溫壓縮試驗。高溫壓縮試驗后，在試樣上截取金相試樣，打磨拋光后，采用GMM-800型研究級光學(xué)顯微鏡（OM）觀察顯微組織。 

1.2   試驗結(jié)果

由圖1可知：試驗合金的真應(yīng)力隨著變形溫度降低和應(yīng)變速率升高而增大；隨著高溫壓縮過程的進(jìn)行，試驗合金的真應(yīng)力先急劇升高再緩慢升高達(dá)到峰值后降低最終趨于穩(wěn)定，呈現(xiàn)非線性特征。 

圖  1  不同變形溫度和不同應(yīng)變速率下壓縮時試驗合金的真應(yīng)力-真應(yīng)變曲線

Figure  1.  True stress-true strain curves of test alloy during compression at different deformation temperatures and different strain rates

以變形溫度1 200 K、應(yīng)變速率0.1 s−1下壓縮后試驗合金為例進(jìn)行顯微組織分析。由圖2可知，高溫壓縮后，試驗合金組織中存在大尺寸且方向一致的條狀晶粒和細(xì)小均勻的等軸狀晶粒，其中：條狀晶粒為未發(fā)生動態(tài)再結(jié)晶的原始晶粒在高溫壓縮過程中因軸向被壓縮、徑向被拉長而形成[4]；等軸狀晶粒為原始晶粒發(fā)生動態(tài)再結(jié)晶產(chǎn)生，呈項鏈狀分布在條狀晶粒周圍。 

圖  2  變形溫度1 200 K、應(yīng)變速率0.1 s−1下壓縮后試驗合金的OM形貌

Figure  2.  OM morphology of test alloy after compression at deformation temperature of 1 200 K and strain rate of 0.1 s−1

在變形初期（真應(yīng)變較低階段），真應(yīng)力隨真應(yīng)變急劇上升，結(jié)合變形后試驗合金內(nèi)部存在條狀晶粒分析，此時處于加工硬化主導(dǎo)階段；在變形中期，真應(yīng)力增速減緩并逐漸達(dá)到峰值，結(jié)合變形后試驗合金內(nèi)部條狀晶粒方向一致且存在等軸狀晶粒分析，此時動態(tài)再結(jié)晶形核，軟化效應(yīng)顯現(xiàn)并與加工硬化競爭；在變形后期，隨著動態(tài)再結(jié)晶的進(jìn)行，軟化效應(yīng)明顯強(qiáng)于加工硬化效應(yīng)，真應(yīng)力下降，當(dāng)動態(tài)再結(jié)晶程度較高時，動態(tài)再結(jié)晶變緩，軟化效應(yīng)減弱，當(dāng)軟化和加工硬化效應(yīng)相近時，真應(yīng)力趨于穩(wěn)定[12]。綜上，GH4065合金的高溫變形行為對真應(yīng)變、變形溫度和應(yīng)變速率敏感。 

2.   BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

采用如圖3所示的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建GH4065合金的高溫變形本構(gòu)模型，將真應(yīng)變、變形溫度和應(yīng)變速率設(shè)為輸入?yún)?shù)，真應(yīng)力設(shè)為輸出參數(shù)。 

圖  3  BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

Figure  3.  Topological structure of BP neural network

以BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的真應(yīng)力與試驗結(jié)果的平均相對誤差作為指標(biāo)，對單隱含層和雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行第一輪結(jié)構(gòu)尋優(yōu)，隱含層神經(jīng)元數(shù)量均在3~15。由圖4可知：隨著隱含層神經(jīng)元數(shù)量增加，單隱含層BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值與試驗值的平均相對誤差整體呈下降趨勢，雙隱含層BP神經(jīng)網(wǎng)絡(luò)的平均相對誤差呈先下降后上升趨勢，當(dāng)神經(jīng)元數(shù)量在9~11時最低；雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差更低，說明其具有更高的預(yù)測精度，更適用于預(yù)測GH4065合金的高溫變形行為。 

圖  4  單隱含層和雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型第一輪結(jié)構(gòu)尋優(yōu)結(jié)果

Figure  4.  First-round structural optimization results of BP neural network models with single hidden layer and two hidden layers

對雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行第二輪結(jié)構(gòu)尋優(yōu)以確定各個隱含層的神經(jīng)元數(shù)量，每個隱含層的神經(jīng)元數(shù)量均在3~15。由圖5可見，當(dāng)?shù)?個隱含層的神經(jīng)元數(shù)量為10，第2個隱含層的神經(jīng)元數(shù)量為11時，雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到的真應(yīng)力與試驗值的平均相對誤差最小，為2.91%，此時BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)能力和泛化能力最優(yōu)。最終，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型為3-10-11-1結(jié)構(gòu)。 

圖  5  雙隱含層BP神經(jīng)網(wǎng)絡(luò)模型第二輪結(jié)構(gòu)尋優(yōu)結(jié)果

Figure  5.  Second-round structural optimization results of BP neural network model with two hidden layers

將高溫壓縮試驗獲得的真應(yīng)力-真應(yīng)變數(shù)據(jù)（真應(yīng)變范圍在0.05~0.8），按0.001間隔進(jìn)行差值取點，得到751個包含變形溫度、應(yīng)變速率、真應(yīng)力、真應(yīng)變4個參數(shù)的數(shù)據(jù)點。由于輸入和輸出參數(shù)的單位與數(shù)量級差異顯著，采用歸一化方法消除量綱影響，歸一化公式[13]如下： 

式中：d為歸一化后的數(shù)值；D為參數(shù)的輸入值；Dmax，D min分別為某參數(shù)輸入值中的最大和最小值。 

輸出數(shù)據(jù)時，通過反歸一化公式將數(shù)據(jù)還原至原單位及數(shù)量級，計算公式如下： 

為了提高模型穩(wěn)定性，避免獲得局部最優(yōu)解，將BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)速率設(shè)定為0.02[14]。選擇變形溫度1 175 K、應(yīng)變速率1 s−1和變形溫度1 275 K、應(yīng)變速率0.01 s−1條件下的補(bǔ)充試驗數(shù)據(jù)作為考核數(shù)據(jù)，以驗證神經(jīng)網(wǎng)絡(luò)的泛化能力，將其余條件下的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。 

在對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時，通過數(shù)據(jù)前饋和誤差逆?zhèn)鞑崿F(xiàn)權(quán)值迭代修正，以降低訓(xùn)練誤差。采用誤差函數(shù)來計算神經(jīng)網(wǎng)絡(luò)輸出真應(yīng)力的誤差，誤差函數(shù)的表達(dá)式如下： 

式中：E為神經(jīng)網(wǎng)絡(luò)輸出量（真應(yīng)力的歸一化值）的誤差；Q為真應(yīng)力試驗值的歸一化值；S為真應(yīng)力實際輸出值的歸一化值。 

誤差信號逆?zhèn)鞑ズ?，對?quán)值進(jìn)行修正，計算公式如下： 

式中：ΔWji為后一層第j個神經(jīng)元對前一層第i個神經(jīng)元的權(quán)值修正值；η為學(xué)習(xí)速率；m為迭代次數(shù)；α為動量因子。 

為了防止神經(jīng)網(wǎng)絡(luò)過擬合，采用msereg函數(shù)M通過均方誤差和均方權(quán)值的加權(quán)值來判定BP神經(jīng)網(wǎng)絡(luò)模型的綜合性能，函數(shù)表達(dá)式為 

式中：γ為誤差調(diào)整頻率；δMSE為均方誤差；δMSW為均方權(quán)值；N為神經(jīng)元數(shù)量。 

當(dāng)誤差E達(dá)到預(yù)期（即0.001）后，訓(xùn)練結(jié)束。 

3.   模型驗證及預(yù)測誤差分析

由圖6可知，BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、驗證結(jié)果和試驗結(jié)果的吻合度均較高，計算得到訓(xùn)練集和驗證集的平均相對誤差分別為3.54%和2.77%。 

圖  6  不同變形溫度和不同應(yīng)變速率下BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、驗證結(jié)果與試驗結(jié)果的對比

Figure  6.  Comparison between training (a–d) and validation (e) results and test results under different deformation temperatures and different strain rates by BP neural network model

為了評估構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)越性，將其與目前主流的考慮真應(yīng)變影響的Arrhenius變參數(shù)本構(gòu)模型[12]（簡稱改進(jìn)Arrhenius本構(gòu)模型）進(jìn)行對比。改進(jìn)Arrhenius本構(gòu)模型通過引入真應(yīng)變，有效克服了傳統(tǒng)Arrhenius方程忽略應(yīng)變影響、難以精確表征動態(tài)再結(jié)晶軟化材料（如GH4065合金）高溫變形行為的局限性，是現(xiàn)有唯象本構(gòu)模型中的較優(yōu)選擇。由圖7可以看出：BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果和驗證結(jié)果基本落在±5%誤差線以內(nèi)，與試驗結(jié)果的相關(guān)系數(shù)分別為0.997 4和0.994 8，表現(xiàn)出非常高的數(shù)據(jù)相關(guān)性；改進(jìn)Arrhenius本構(gòu)模型僅有25.59%的預(yù)測結(jié)果落在±5%誤差線以內(nèi)，與試驗結(jié)果的相關(guān)系數(shù)為0.979 1，其預(yù)測得到GH4065合金的真應(yīng)力與試驗結(jié)果的平均相對誤差為9.54%，最大相對誤差達(dá)19.97%，預(yù)測誤差較大。綜上，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型能夠較好地預(yù)測GH4065合金的高溫變形行為，相較于改進(jìn)Arrhenius本構(gòu)模型具有更高的預(yù)測精度。 

圖  7  BP神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)Arrhenius本構(gòu)模型對GH4065合金高溫變形時的真應(yīng)力的預(yù)測精度

Figure  7.  Prediction accuracy of BP neural network model (a) and improved Arrhenius constitutive model (b) for true stress of GH4065 alloy during high temperature deformation

4.   高溫變形參數(shù)映射關(guān)系構(gòu)建

由于試驗數(shù)據(jù)點具有非連續(xù)性，基于構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，建立了GH4065合金在1 150~1 350 K變形溫度、0.001~1 s−1應(yīng)變速率和0~0.8真應(yīng)變條件下能覆蓋整個連續(xù)參數(shù)空間的真應(yīng)力與輸入?yún)?shù)（真應(yīng)變、變形溫度、應(yīng)變速率）之間的連續(xù)映射關(guān)系。圖8中，變形溫度、應(yīng)變速率和真應(yīng)變在空間區(qū)域內(nèi)各對應(yīng)一個空間點位，空間點位代表高溫變形條件與真應(yīng)力的非線性關(guān)聯(lián)，空間點位處的球體尺寸直觀反映真應(yīng)力值，尺寸越大真應(yīng)力越高。圖8中僅顯示了少數(shù)點對高溫變形參數(shù)的映射關(guān)系進(jìn)行示意。實際上，基于構(gòu)建的神經(jīng)網(wǎng)絡(luò)本構(gòu)模型，借助其優(yōu)秀的泛化能力，可以精確預(yù)測任意變形條件下和任意數(shù)量點的真應(yīng)力。 

圖  8  GH4065合金的高溫變形參數(shù)映射關(guān)系

Figure  8.  Mapping relationships among high-temperature deformation parameters of GH4065 alloy

5.   結(jié)論

（1）GH4065合金的高溫軟化機(jī)制主要為動態(tài)再結(jié)晶，其高溫變形過程體現(xiàn)了加工硬化與動態(tài)再結(jié)晶軟化機(jī)制之間的競爭與平衡。 

（2）構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型為3-10-11-1結(jié)構(gòu)，該模型的訓(xùn)練、驗證結(jié)果與試驗結(jié)果的平均相對誤差分別為3.54%和2.77%，相關(guān)系數(shù)分別為0.997 4和0.994 8，建立的模型能夠精確預(yù)測GH4065合金的高溫變形行為。相比于考慮真應(yīng)變影響的Arrhenius變參數(shù)本構(gòu)模型（平均相對誤差為9.54%，相關(guān)系數(shù)為0.979 1），BP神經(jīng)網(wǎng)絡(luò)本構(gòu)模型對GH4065合金的高溫變形行為具有更高的預(yù)測精度。

文章來源——材料與測試網(wǎng)