一种高熵合金多变量输入条件下的应力应变曲线预测方法

本发明涉及数据处理，具体涉及一种高熵合金多变量输入条件下的应力应变曲线预测方法。

背景技术：

1、金属材料的力学性能（如强度、塑性和韧性）主要由其微观结构决定，尤其是晶体缺陷的演化和相互作用。其中，位错作为晶体中最关键的线缺陷，其运动、增殖和相互作用主导了金属的塑性变形行为。传统的位错动力学模型通常作为介观尺度模拟工具，用于研究位错网络的演化，但由于其无法完全考虑原子尺度的细节（如点缺陷、晶界和位错核心结构等），难以精确预测极端条件（如高应变率、高温或复杂加载路径）下的材料响应。相比之下，分子动力学模拟能够从原子尺度捕捉材料的动态变形过程，包括位错形核、滑移、交滑移和孪生等机制，为理解材料的本构行为提供了更精确的理论基础。

2、然而，尽管md模拟能够提供高精度的原子尺度信息，其计算成本极高，尤其是在模拟大体系（如包含大量位错的非完美晶体）或长时间尺度（如低应变率下的蠕变行为）时，计算资源消耗巨大，难以直接应用于工程实际。此外，实际工程材料（如结构合金、高熵合金等）通常含有初始位错、晶界和析出相等多种缺陷，其力学行为远比理想单晶复杂。因此，如何建立高效且准确的跨尺度模拟方法，以预测真实工况下（如不同应变率和不同初始缺陷密度）的金属力学性能，成为计算材料科学和工程应用中的重要挑战。

3、近年来，难熔高熵合金（refractory high-entropy alloys,rheas）因其优异的高温强度、抗辐照性能和热稳定性，在航空航天和核能等领域展现出巨大应用潜力。其中，hfnbzrtita等体心立方（bcc）结构的rheas因其高熔点和良好的高温力学性能而备受关注。然而，bcc金属的塑性变形机制（如螺位错的高peierls势垒导致的低温脆性、应变率敏感性等）比面心立方（fcc）金属更为复杂，这使得其力学行为的预测更具挑战性。特别是在极端条件下（如超高应变率冲击或极低应变率蠕变），传统位错理论可能失效，而md模拟则能够揭示潜在的原子尺度机制，如位错形核主导的塑性、相变或非晶化等。

4、此外，实际工程材料通常并非完美晶体，而是包含初始位错网络、晶界和空位等缺陷，这些缺陷会显著影响材料的力学响应。例如，高初始位错密度可能导致早期应变硬化，而低密度体系可能以位错形核为主导机制。同时，应变率是影响材料动态响应的关键因素：高应变率下（如冲击加载），位错运动可能无法跟上加载速率，导致局部绝热升温甚至熔化；而低应变率下（如蠕变），扩散辅助的位错攀移可能主导塑性变形。因此，系统研究不同初始位错密度和不同应变率对bcc高熵合金力学行为的影响，对于理解其宏观力学性能至关重要。

5、然而，传统的md模拟方法虽然能够提供高精度的应力-应变曲线和微观结构演化信息，但其计算成本限制了其在工程优化中的应用。近年来，机器学习（machine learning,ml）在材料科学中的快速发展为这一挑战提供了新的解决方案。通过训练神经网络模型，可以基于有限的高精度md数据，建立应力-应变曲线的预测模型，从而大幅减少计算成本，并实现对未知工况（如不同位错密度、不同应变率）的快速预测。例如，深度学习方法（如卷积神经网络cnn、长短期记忆网络lstm）已被成功用于预测材料的力学响应，而生成式模型（如变分自编码器vae、生成对抗网络gan）甚至可以生成新的应力-应变曲线，为材料设计提供指导。但研究的结论主要基于计算模拟，缺乏实验数据（如原位拉伸测试、ebsd位错分析）的验证，因此模型预测的可靠性仍需进一步实验确认。分子动力学模拟体系尺寸远小于实际工程材料的宏观尺度（μm~mm），加载应变率远高于实际工况。尽管机器学习模型能够基于训练数据预测应力-应变曲线，但其性能高度依赖数据质量和覆盖范围。本研究的训练数据仅针对hfnbzrtita合金的特定成分、特定位错密度和应变率，数据范围涵盖范围有限。若应用于其他类型的高熵合金，模型的预测精度可能显著下降。

技术实现思路

1、本发明为了解决以上问题，提出了一种高熵合金多变量输入条件下的应力应变曲线预测方法。

2、本发明的技术方案是：一种高熵合金多变量输入条件下的应力应变曲线预测方法包括以下步骤：

3、s1、读取高熵合金的若干个文件，并对各个文件进行处理，得到应力-应变曲线；

4、s2、根据应力-应变曲线，构建三维输入特征数组；

5、s3、将三维输入特征数组输入至主模型中，得到预测结果。

6、进一步地，s1包括以下子步骤：

7、s11、读取若干个文件，并对所有文件进行遍历，剔除含孪晶分数的文件；

8、s12、对遍历后的文件名进行字符串解析，确定文件的当前数据所属类型，其中，当前数据所属类型包括位错主导和孪晶主导；

9、s13、对所属类型是位错主导的文件进行对象转换，并提取应变、应力、应变率和位错密度信息，生成应力-应变曲线。

10、进一步地，s2包括以下子步骤：

11、s21、遍历每条应力-应变曲线，进行采样；

12、s22、为采样后的应力-应变曲线构建三维输入特征数组。

13、进一步地，s22中，三维输入特征数组的表达式为[rho,rate,strain]，其中，rho表示位错密度，rate表示应变率，strain表示应变。

14、进一步地，s3包括以下子步骤：

15、s31、对每条应力-应变曲线进行补齐处理；

16、s32、利用补齐后的应力-应变曲线对主模型进行训练；

17、s33、将三维输入特征数组输入至训练后的主模型中，得到预测结果。

18、进一步地，主模型包括依次连接的第一双向lstm层、第二双向lstm层、第三双向lstm层、自注意力机制层、第一全连接层、第二全连接层、第三全连接层和第四全连接层。

19、进一步地，第一双向lstm层、第二双向lstm层、第三双向lstm层的结构相同，均包括前向lstm和后向lstm；

20、前向lstm的表达式为：

21、；

22、其中，表示在t时刻的前向隐藏状态，这是整个序列经过前向lstm处理后的最终输出。表示在t时刻的输入向量，表示在t-1时刻的前向隐藏状态，它包含了从序列开始（t =1）到前一个时刻（t =t-1）的所有历史信息。表示前向lstm单元的完整计算函数。它以当前输入和上一时刻的隐藏状态为输入，计算出当前时刻的隐藏状态。这个函数内部包含了输入门、遗忘门、输出门和细胞状态等lstm的核心计算过程。

23、后向lstm的表达式为：

24、；

25、其中，表示在t时刻的后向隐藏状态，表示后向lstm单元的完整计算函数。表示在t+1时刻的后向隐藏状态，这是关键点：因为后向lstm是按逆序处理序列的，所以它的“上一时刻”实际上是序列中的下一个时刻（t+1）。

26、双向lstm层的表达式为：

27、；

28、其中，表示整个序列经过神经网络处理后的最终综合的抽象表示或总结向量，表示实数集，表示双向lstm输出的总维度。

29、进一步地，自注意力机制层用于接收所有时间步，计算各个时间步的注意力分数，并将各个时间步的注意力分数转换为归一化权重后，生成上下文权重。

30、进一步地，注意力分数的表达式为：

31、；

32、其中，表示可学习的权重向量，表示将向量进行转置，表示双曲正切激活函数，表示可学习的线性变换矩阵，表示整个序列经过神经网络处理后的最终综合的抽象表示或总结向量，表示可学习的偏置参数，表示实数集，表示注意力维度，是超参数，表示单向lstm的隐藏层大小，表示双向lstm输出的总维度。

33、进一步地，上下文权重的表达式为：

34、；

35、其中，表示整个序列经过神经网络处理后的最终综合的抽象表示或总结向量，表示归一化权重，表示实数集，表示单向lstm的隐藏层大小，表示双向lstm输出的总维度。

36、本发明的有益效果是：

37、（1）本发明创新性地构建了基于注意力机制双向长短期记忆的机器学习模型，首次实现了对hfnbzrtita系bcc结构高熵合金在金属位错密度-应变率耦合作用下应力-应变曲线的高精度预测，通过融合注意力机制与双向长短期记忆网络的优势，有效解决了传统方法难以准确预测高熵合金复杂变形行为的难题，填补了该领域的技术空白；

38、（2）相比传统实验方法，本发明可大幅降低研发成本，缩短研发周期，为高熵合金的工程应用提供了强有力的技术支撑，本发明成功开发为其他复杂合金体系的性能预测提供了可借鉴的技术路线。