本文件属于类型a：一项原创性研究的报告。
晶体塑性理论指导的深度学习在双相钢中实现免拟合力学响应预测
由Siyu Han、Chenchong Wang（通讯作者）、Qingquan Lai、Lingyu Wang、Wei Xu和Hongshuang Di共同完成的研究，于2025年3月发表在顶级材料科学期刊Acta Materialia（第289卷，文章号120936）上。该研究团队主要来自中国东北大学轧制技术及连轧自动化国家重点实验室，合作单位包括南京工业大学轻量化材料重点实验室和南京理工大学材料科学与工程学院的Herbert Gleiter纳米科学研究所。
一、 研究学术背景
本研究的核心科学领域是计算材料科学，具体聚焦于金属结构材料（尤其是双相钢，Dual-Phase， DP steel） 的力学性能预测建模。准确建立材料成分-微结构-性能之间的关系，对于实现材料的逆向设计和工艺优化至关重要。其中，加工硬化（Work Hardening）行为和颈缩起始点（Necking Initiation Point）的通用预测，由于涉及多尺度（从原子尺度的成分到微观尺度的相分布）和复杂的局部信息（如晶界结合力），长期以来一直是一个难题。
传统的预测方法主要有两大类：平均场（Mean-Field）模型和晶体塑性（Crystal Plasticity， CP）理论（包括晶体塑性有限元方法，CPFEM）。平均场模型计算高效，但忽略了材料的局部非均匀性、位错相互作用和织构演化，难以精确预测如双相钢等复杂微结构材料的均匀延伸和加工硬化行为。晶体塑性方法虽然能够从微观机理上模拟变形，解释应力/应变分配和织构演化，但其应用存在两大瓶颈：1) 通用性差：针对不同的合金体系或处理条件，需要复杂地修改其本构方程。2) 建模效率低：需要针对不同情况重新测量或拟合一系列本征参数。
近年来，人工智能（AI），特别是深度学习，在材料科学领域展现出处理大数据的潜力。已有研究利用卷积神经网络（Convolutional Neural Network， CNN）来预测材料的有效性能或局部应力应变场。然而，这些深度学习模型通常需要CPFEM提供大量精确的模拟数据作为训练基础。在复杂的合金体系中，获取这些精确数据本身就需要面对上述CP方法的瓶颈。因此，现有的AI模型主要提升了预测效率，但并未从根本上解决CP方法建模效率低、通用性差的问题，且模型的“黑箱”特性使其缺乏物理可解释性。
基于此，本研究提出了一种创新的解决方案：开发一种由晶体塑性理论指导的深度学习框架，旨在实现对不同成分/工艺条件下双相钢力学响应的免拟合、通用性预测。研究的核心目标是：利用一个具有简洁本构方程和固定参数值的CP模型，生成基本的物理引导信息（局部应力云图），约束深度学习模型的训练方向，从而构建一个兼具高预测精度、强泛化能力、良好可解释性且无需为不同体系调整模型参数的“智慧”模型。
二、 研究详细工作流程
本研究的工作流程系统而严谨，主要包含以下几个关键步骤：
1. 数据集的准备：研究结合了实验数据和CP模拟数据来构建训练AI模型所需的数据集。 * 实验数据：研究人员制备了具有不同锰（Mn）含量（1wt.%和2wt.%）和三种不同热处理工艺（奥氏体化临界退火A-IA、初始组织临界退火I-IA、淬火临界退火Q-IA）的双相钢样品。这些工艺导致了显著不同的微观结构（马氏体体积分数、晶粒形貌）。总计基于成分和工艺生成了12种不同的双相钢微结构。其中8个样本用于训练集，4个样本用于测试集（1个域内测试，3个域外测试）。 * CP模拟数据生成：为了以高保真度将实际微结构映射到物理模型，研究采用电子背散射衍射（EBSD）表征的真实微结构作为CP模拟的起点。为了提高计算效率，从实验测得的微结构中提取了一个200×200像素的区域作为CP模拟的几何模型，该区域的马氏体/铁素体比例与原微结构相同。利用Dream.3D软件创建了二维代表性体积单元（RVE）。 * 关键创新：采用简洁且固定的CP本构模型。为了避免修改复杂方程或重新拟合参数，研究采用了一个相对简单的唯象本构模型。该模型以每个滑移系的临界剪切应力作为状态变量，足以捕捉材料变形的本质，为AI模型训练提供所需的基本物理信息。模型中，铁素体和马氏体的初始硬化参数、初始滑移阻力和最终滑移阻力通过经验公式与材料的碳含量（p0）和马氏体体积分数（fm）相关联（公式9-12），从而将微观结构信息（马氏体体积分数和形貌）与应力云图分布联系起来，模拟不同体系下双相钢塑性变形的物理规律。模型的其他参数（如弹性常数、参考剪切应变率等）则采用文献中的固定值。
2. 晶体塑性理论指导的深度学习框架（CP-CNN模型）构建 * 输入特征构建（多模态信息融合）：本研究未像以往工作那样直接将CP模拟的应力-应变曲线作为输出标签，而是引入了多模态数据融合的创新方法。模型输入由两部分构成：一是CP模拟得到的局部应力云图；二是材料的成分、工艺和热处理温度的数值信息。首先对数值信息进行归一化，然后将归一化后的向量与应力云图的像素值进行点乘（Dot Product） 操作，生成一个9通道的融合矩阵（成分、工艺、温度各占RGB图像的三个通道）。这个融合矩阵作为多通道CNN模型的输入。 * CNN模型架构与训练：模型的输出是实验测得的应力-应变曲线。CNN架构包含卷积层、池化层、展平层、全连接层和输出层。模型通过识别融合矩阵中不同位置像素的权重，并整合实验测量的应力值作为训练标签，来学习双相钢塑性变形机制与其宏观力学性能之间的关系。使用平均绝对误差（MAE）和决定系数（R²）评估模型的预测能力。训练集使用了基于A-IA和I-IA工艺、两种Mn含量双相钢的6种微结构CP模拟生成的应力云图，共3000个样本（训练集与测试集比例8:2）。
3. 对比分析与验证 * 性能对比：将CP-CNN模型的预测结果与未针对不同体系调整参数的原始CP模拟结果进行对比，评估其在应力-应变曲线、加工硬化行为和颈缩起始点预测方面的精度。 * 鲁棒性与可扩展性验证： * 本构方程影响：研究了CP本构方程对CP-CNN预测精度的影响，通过将唯象本构替换为更简单的各向同性（Isotropic）本构来生成数据集，并训练新的CP-CNN模型，对比其预测性能。 * 多模态架构对比：将本研究提出的点乘融合方法与传统的全连接层拼接神经元（Fully Connected Layer Splicing Neuron） 方法进行对比，验证点乘方法在处理数据-图像-数据模式关联上的优越性。 * 域外测试：使用完全未在训练集中出现的Q-IA工艺处理的双相钢样品（包括马氏体体积分数达100%的极端情况）来测试模型的泛化能力和可扩展性。 * 效率分析：比较了CP-CNN模型与CP方法在数据集生成、模型训练和单次预测上的时间消耗。
三、 研究主要结果
1. 力学响应预测精度显著提升：在训练集和测试集上，CP-CNN模型预测的应力值与实验值的偏差（MAE）明显小于使用固定参数CP模型直接模拟的偏差（图3，图4）。误差分布图显示，CP模型的预测误差分散且无规律，表明其高度依赖于特定体系；而CP-CNN模型的预测误差更集中、更小，表明其能够克服CP模型的参数敏感性，对不同成分/工艺体系表现出更好的通用预测性能。
2. 加工硬化行为预测准确：选取A-IA-1mn和I-IA-2mn样品进行分析（图5）。研究发现，未经参数调整的传统CP模型和经典的Kocks-Mecking（K-M）模型均难以准确预测I-IA-2mn样品的加工硬化曲线。而CP-CNN模型即使基于固定参数的CP本构，也能较好地拟合实验数据，在定性和定量上复现了加工硬化的趋势。这表明，CP-CNN模型的核心优势在于无需针对不同体系进行参数调整或本构方程修改，即可实现通用的加工硬化预测，这对于广泛的合金设计非常便利。
3. 强大的域外可扩展性：对于未包含在原始训练数据库工艺范围内的Q-IA处理样品（域外测试），未经调整的CP模型预测误差很大（图6）。而CP-CNN模型则能准确地预测这些新工艺样品的应力-应变曲线，甚至包括100%马氏体的极端情况。这强有力地证明了CP-CNN模型出色的泛化能力和可扩展性。
4. 颈缩起始点预测能力：利用Considere失稳准则，基于CP-CNN模型预测的应力-应变曲线计算了颈缩起始点对应的应变（表3）。对于双相组织样品，预测的相对误差不超过8.91%。虽然对于100%马氏体的单相样品预测误差较大（20%），但未经修正的CP方法根本无法准确获得颈缩起始点，凸显了CP-CNN方法的实用性。
5. 模型鲁棒性与架构优越性得到验证： * 本构方程影响：即使使用简化的各向同性本构方程生成数据集来训练CP-CNN模型（Isotropic-CP-CNN），其预测性能虽略逊于使用唯象本构的CP-CNN模型（Phenomenological-CP-CNN），但仍显著优于直接使用各向同性CP模型的模拟结果（图10，图11）。这表明CP-CNN方法在预测双相钢力学性能方面具有良好的鲁棒性，能够一定程度上克服CP模型的核心机制偏差。但同时，引入相对准确的核心CP本构方程对于CP-CNN模型实现高精度预测和低数据需求下的高可扩展性至关重要。 * 多模态架构对比：在融合微观结构图像与成分/工艺信息时，传统的全连接层拼接方法需要人工调整神经元比例，且最佳情况下的预测误差（MAE = 95.2 MPa）也高于本研究提出的点乘方法（MAE = 68.6 MPa）（图13）。这证明了点乘方法在物理冶金意义上的合理性，它能更好地体现元素分布在相中、成分-工艺-微结构高度耦合的特性。 * 效率优势：在模型训练完成后，CP-CNN对新样品进行预测的时间（0.08小时）远低于CP模型的模拟时间（7.1小时），展现出巨大的计算效率优势。此外，CP-CNN模型仅需3000个包含塑性变形机制的数据即可达到良好预测精度，避免了海量数据需求。
四、 研究结论与价值
本研究成功开发了一种由晶体塑性理论指导的深度学习框架（CP-CNN），用于对不同成分/工艺条件下的双相钢塑性力学行为进行通用预测。主要结论如下： 1. 通过将具有固定参数值的核心CP方程以局部应力云图形式引入CNN结构，CP-CNN方法在预测力学性能（特别是加工硬化行为）方面表现出强大的泛化能力和足够的可扩展性。 2. 对于CP理论与AI策略的结合，引入相对准确的核心CP本构方程对于CP-CNN模型实现精确预测和低数据需求下的高可扩展性至关重要。 3. 与需要复杂缺陷修正项来预测材料颈缩起始点的CP模型相比，CP-CNN预测方法更简单、更易于实现。 4. 所提出的CP-CNN模型在保持CP模型可解释性的同时，提高了建模和预测效率，解决了AI模型的“黑箱”问题。该模型无需高昂的数据积累成本或复杂的机理建模过程，即可轻松应用于其他合金体系。
科学价值：本研究在计算材料科学领域提出了一种创新的“物理信息驱动”的机器学习建模范式。它巧妙地绕过了传统机理模型参数拟合的瓶颈，将物理理论的指导性与数据驱动方法的灵活性相结合，为建立通用、高效、可解释的材料性能预测模型提供了全新的解决方案。
应用价值：该方法为钢铁等金属结构材料的力学性能设计和高效预测开辟了新途径。它可以显著加速新材料的设计和工艺优化流程，降低对大量重复性实验和复杂参数标定的依赖，具有重要的工程应用前景。
五、 研究亮点
六、 其他有价值内容
研究还对晶粒形貌敏感性进行了探讨（图8，表4），分析了选取的RVE与整体微结构在晶粒纵横比上的差异对CP和CP-CNN预测结果的影响，进一步证实了CP-CNN模型在微结构变化下的稳健性。此外，通过对比参数校准后的Bouaziz修正模型与CP模型在预测相特定响应上的表现（图5c），侧面印证了平均场模型在捕获物理机制方面的有效性，同时也凸显了CP-CNN方法在保持预测能力的同时避免系统特定参数修改的独特优势。