近日，体育投注网站稀有金属加工课题组在国际重要刊物《Engineering Applications of Artificial Intelligence》（IF=8,中科院一区TOP）发表题为“Multiscale constitutive modeling of anisotropic plasticity: Coupling the visco-plastic self-consistent model with the recurrent neural network and its implementation in finite element analysis”的文章。该研究开发了深度神经网络智能本构（DNNSC）模型，并成功将其与有限元（FE）进行耦合，打破了数据驱动本构建模与实际工程应用之间的壁垒。与Yld等传统宏观本构模型相比，DNNSC模型不仅提供了更高的预测精度，而且比VPSC等高保真晶体塑性模型具有更高的计算速度。这极大地突显了其在大规模工程模拟中准确有效地建模复杂材料行为的巨大潜力。硕士研究生周子伟为该项成果的第一作者，程亮老师为通讯作者，本文第一通讯单位为体育投注网站 。
可靠的有限元分析（如塑性成形模拟）依赖于准确的本构模型来描述材料的固体力学响应。然而，这一目标具有挑战性，因为宏观塑性变形由本质上不均匀的晶体滑移引起，并伴随显著的晶体旋转，导致机械响应强烈的各向异性和路径依赖性。提高晶体塑性（CP）方法的计算效率是其在部件成形有限元模拟中得到实际应用的关键。近年来，基于深度神经网络的替代模型已显示出取代传统本构模型的前景，但其在部件级塑性成形有限元模拟中的可行性仍不确定，这就需要制定有效的数值实现策略以确保基于深度学习本构模型的稳定性和可靠性。
2.研究内容
本研究针对传统晶体塑性（CP）模型计算效率低、宏观本构模型精度不足的问题，以纯铝板材为研究对象，提出了一种基于深度神经网络智能本构（DNNSC）建模框架，将黏塑性自洽（VPSC）模型与门控循环单元（GRU）网络相结合。（1）使用退火态纯铝板材做单轴拉伸力学实验和材料表征，并用这些数据来构建准确可靠的纯铝VPSC模型，进行多尺度计算生成应力-应变数据集；（2）基于VPSC多尺度生成的大量应变路径数据训练GRU网络，实现对应变路径的高精度预测；（3）按照ABAQUS有限元软件的工作流程，通过Fortran编程在VUMAT子程序中嵌入GRU模型，实现应变增量输入、应力响应预测的端到端计算；（4）以薄板冲压工艺为基准进行部件级模拟，验证DNNSC模型在实际有限元分析中的稳定性和可靠性，同时评估其预测性能与计算效率。
图1 DNNSC模型的整体结构
文章信息
参考格式：Ziwei Zhou, Liang Cheng, Huaidong Song, Haijing Guo, Ruolin Li, Linyan Sun, Bin Tang, Multiscale constitutive modeling of anisotropic plasticity: Coupling the visco-plastic self-consistent model with the recurrent neural network and its implementation in finite element analysis, Engineering Applications of Artificial Intelligence, 2025, 161(B):112249.
原文连接：https:/doi.org/10.1016/j.engappai.2025.112249