基于深度学习的双相不锈钢应力-应变场预测模型

摘要

通过人工智能技术深度解析金属材料多尺度构效关系，构建基于深度学习的成分-工艺-性能高通量逆向设计范式，在材料研发的过程中具有重要作用．本研究提出了一种基于条件生成对抗网络(CGAN)的端到端深度学习模型，用于研究双相不锈钢微观组织与力学性能之间的关系．该模型结合了博弈论思想，通过整合双相不锈钢微观组织图像及仪器化压痕试验获取的相组织力学性能数据，实现了微观组织-性能关系的直接预测．模型数据库通过基于微观组织的有限元模拟方法构建，确保了训练数据的高保真性．结果表明，该模型能够直接从双相不锈钢的微观组织预测应力-应变场，其预测结果与有限元模拟和实验数据高度吻合．

关键词

双相不锈钢 / 纳米压痕 / 条件生成对抗网络 / 微观组织 / 应力-应变场