多保真物理引导神经网络在宽范围本构建模中的创新应用与Incoloy907动态响应表征

《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》：Wide-range constitutive modeling with multi-fidelity physics-guided neural network

本文提出多保真物理引导异方差贝叶斯神经网络（MPHBNN）框架与改进型Johnson-Cook（JC）模型，通过融合多源数据（低/高保真）与物理约束（应变率硬化、非负塑性功），实现Incoloy907在高温高应变率下的力学响应精准预测。MPHBNN利用Kronecker分解近似曲率（K-FAC）进行自适应不确定性量化，改进JC模型引入热力学一致性软化修正与应变率-温度耦合项，显著提升非线性表征能力。泰勒冲击试验验证表明，MPHBNN较传统神经网络平均绝对误差（MAE）降低68.1%，改进JC模型较传统公式MAE降低94.3%，为航空发动机关键部件动态行为分析提供高精度解决方案。

　　

Highlight

本研究开发了MPHBNN和改进型JC本构模型，旨在实现材料在宽范围应变率和温度（尤其是高应变率与高温条件下）行为的精准且物理一致预测。基于实验数据的综合评估表明，两种方法均能有效解决本构建模中预测精度、物理解释性与不确定性校准之间的冲突。

Result & discussion

本节通过对比超级合金Incoloy907的实验数据与四种代表性本构模型（经典现象学模型、DNN、MFNN及本研究提出的模型）的预测结果，进一步验证了所提方法的有效性和优越性。评估主要采用平均绝对误差（MAE）和均方根误差（RMSE）作为量化指标。

Conclusion

本研究开发的MPHBNN和改进型JC本构模型，能够准确且物理一致地预测材料在宽范围应变率和温度（尤其是高应变率与高温）下的行为。基于实验数据的综合评估证明了这两种方法在解决本构建模中预测精度、物理解释性及不确定性校准之间冲突方面的有效性。

CRediT authorship contribution statement

黄奕辰: 综述撰写与编辑、初稿撰写、可视化、验证、软件、方法论、研究、形式分析、数据整理、概念化。 杨俊杰: 监督、项目管理。 张宇宁: 综述撰写与编辑。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，可能影响本研究报告的工作。