《Journal of Alloys and Compounds》：Processing maps and microstructural events in hot deformation of an Al-Cu alloy
编辑推荐：
AA2017铝合金的热变形行为及加工图研究，通过热压缩试验、EBSD分析和人工神经网络模型，揭示了温度与应变速率对动态恢复（DRV）和动态再结晶（DRX）机制的影响，确定了高效率加工区域与流变应力关系。
F. Abedi|S. Serajzadeh|JM. Cabrera
材料科学与工程系，沙里夫科技大学，阿扎迪大道，德黑兰，伊朗
摘要
本研究探讨了AA2017铝合金的热变形行为和微观结构演变，旨在通过结合热压缩试验、电子背散射衍射（EBSD）分析以及相应的加工图谱开发，来确定最佳加工参数。为此，首先在300°C至450°C的温度范围内和0.001 s?1至0.1 s?1的应变率下对固溶处理样品进行了热压缩试验。开发了一种人工神经网络（ANN）模型来准确预测流动应力，并据此生成了相应的加工图谱。此外，通过EBSD观察研究了主要的动态恢复机制，并将其与流动行为及加工图谱进行了关联。在低温和高应变率条件下（例如300°C - 0.001 s?1和400°C - 0.1 s?1），动态恢复（DRV）是主导的软化机制，导致形成了高度变形的微观结构，其中包含大量的低角度晶界和不均匀的变形，这些区域对应于加工图谱中的不稳定区域。相反，在高温和低应变率条件下，动态再结晶（DRX）成为主导的软化过程。在最高温度和最低应变率条件下（即450°C - 0.001 s?1），检测到了不连续的DRX现象，形成了高度细化的等轴晶粒微观结构，且几乎没有应变，这与加工图谱中的稳定区域（高效区域）相符。
引言
2xxx系列铝合金，特别是基于Al-Cu-Mg体系的合金，由于其高强度、良好的断裂韧性和优异的疲劳抗性，在汽车和结构应用中得到了广泛使用[1]、[2]。在工业制造过程中，这些合金通常会经历锻造、挤压和轧制等热成形工艺。因此，这些合金的热变形行为一直是多项研究的主题[3]、[4]、[5]、[6]、[7]。这些制造操作的成败取决于优化合金的热加工性能，即其在特定温度、应变和应变率组合下的变形能力，而不会发生开裂或流动不稳定性[4]、[8]。在热变形过程中，可能发生多种热激活机制，包括动态恢复（DRV）、动态再结晶（DRX）和动态析出，这些机制会影响流动应力行为和最终的微观结构[9]、[10]、[11]、[12]、[13]。
由于2xxx系列铝合金具有时效硬化特性，其最终机械性能（时效后）对其之前的热历史非常敏感[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]。Huang等人[4]研究了AA2026的热变形行为，发现经过预时效处理的样品的峰值应力低于固溶处理的样品，这是由于动态析出、颗粒聚集和DRV的共同作用。类似地，Zhang等人[20]研究了初始微观结构对AA2219热压缩行为的影响，发现自然时效处理的样品比固溶处理的样品具有更不均匀的晶粒结构。在固溶处理状态下，相对均匀的基体中含有溶解的溶质原子和较少的析出物，有利于DRV的发生。然而，在过时效状态下，由于析出物的存在及其对位错移动性的影响，动态恢复的动力学发生了变化[21]。这些微观结构差异显著影响了峰值流动应力、软化程度、变形过程中的可加工性以及织构演变。据报道，DRV不会显著改变织构，而DRX则可能导致新织构的形成[2]。此外，恢复和再结晶行为都受到颗粒大小、分布以及位错-颗粒相互作用的影响，进而影响晶粒细化和流动局部化现象，如绝热剪切带（ASBs）[12]、[21]。
为了优化加工路径并确保组件无缺陷，准确预测各种热机械条件下的流动应力至关重要。流动应力是控制热加工过程中能量需求和载荷预测的基本参数[6]、[12]。传统上，人们使用基于应变、应变率和温度的经验本构模型。然而，人工神经网络（ANN）提供了一个强大的替代方案，因为它们能够无需假设预定义的数学形式即可模拟复杂的非线性关系[22]。近年来，使用ANN预测热变形过程中的流动行为已得到了广泛研究[22]、[23]、[24]、[25]。例如，Jenab等人[26]证明，与传统的本构方程相比，ANN模型能更准确地预测AA7075的高温流动应力。
另一个理解和优化热变形行为的关键工具是基于动态材料模型（DMM）的加工图谱。这些图谱展示了能量耗散的效率，并提供了作为温度和应变率函数的不稳定性判据，从而识别出安全和不安全的变形区域[8]、[21]、[27]。能量耗散效率尤为重要，因为它反映了在DRX、DRV和析出等微观结构转变过程中消耗的能量[12]、[28]。通过开发此类加工图谱，多项研究确定了铝合金的最佳热加工条件[12]、[29]、[30]、[31]、[32]、[33]。Malas等人[27]研究了四种AA2024变体的热变形行为，发现随着微观结构复杂性的增加，加工图谱中的安全区域变窄。Bhimavarapu等人[21]通过2D和4D加工图谱研究了AA2024的热压缩变形，并在500°C和10?2至10?1 s?1以及250-300°C和101至102 s?1的条件下确定了两个最佳区域。高温下的高效率归因于DRX和亚晶粒的形成。在另一项研究中，基于加工图谱和微观结构观察，确定了AA2219在450°C - 0.001 s?1条件下的最佳热变形条件[31]。尽管已经为Al-Cu合金（如AA2024、AA2519和AA2219）开发了广泛的加工图谱，但AA2017的具体热变形行为仍较少被研究。尽管Vaghefi和Serajzadeh[33]研究了AA2017的热加工性能，但他们的研究主要集中在过时效条件下，此时粗大的析出物主导了变形机制。此外，以往对AA2017的研究主要依赖于光学显微镜，缺乏区分连续DRX和不连续DRX等恢复机制所需的晶体取向数据。因此，通过ANN结合电子背散射衍射（EBSD）和光学显微镜分析准确预测流动应力，可以验证加工图谱并表征稳定和不稳定区域的微观结构。Ashtiani和Shayanpoor[22]利用ANN进行流动应力预测和加工图谱构建，确定了不同初始晶粒尺寸的AA 1070的最佳热变形区域。
在本研究中，研究了固溶处理状态的AA2017合金的热变形行为。与时效处理样品不同，固溶处理状态提供了含有溶解溶质的均匀基体，这从根本上改变了动态恢复的动力学并改变了加工图谱中的不稳定区域[20]、[21]、[27]。为了解决以往研究的局限性，本研究结合了热压缩试验和强大的ANN模型来预测流动应力并构建精确的加工图谱。关键的是，使用了电子背散射衍射（EBSD）来定量验证稳定和不稳定区域，从而实现了加工图谱效率与特定微观结构事件（包括DRV、CDRX和DDRX机制）之间的直接关联。
实验程序
实验程序
本实验研究了化学成分为4.18 wt% Cu、0.51 wt% Mg、0.68 wt% Si、0.79 wt% Mn、0.25 wt% Fe，余量为Al的AA2017 Al-Cu合金。用于热压缩试验的试样直径为7 mm，长度为10 mm，由原材料坯料加工而成。试样在495°C下均质化1小时后水淬，并在冷冻条件下储存直至测试。单轴压缩试验在300°C、350°C、400°C和450°C的温度下进行
神经网络和动态材料建模
人工神经网络（ANN）在解决复杂非线性问题方面表现出极高的效率，使其特别适合模拟材料的热变形行为[25]。ANN是数据驱动的并行处理系统，通过训练实验数据集来学习输入变量和输出变量之间的复杂关系。典型的ANN架构包括输入层、一个或多个隐藏层以及输出层。
流动行为和本构建模
图2显示了不同温度和应变率下固溶处理样品的热压缩行为。正如预期的那样，流动应力随着应变率的增加和温度的降低而增加。例如，当应变率从0.001 s?1增加到0.1 s?1时，在350°C下的热压缩过程中，流动应力从40 MPa增加到68 MPa。相反，使用公式（3）计算得出的应变率敏感性（m）在图3a中显示随...结论
本研究探讨了AA2017合金的热变形行为和微观结构演变。开发了一个ANN模型来预测不同条件下的流动应力，并据此更准确地计算了应变率敏感性。随后根据能量耗散效率和不稳定性判据构建了加工图谱。主要结论如下：
1.热压缩试验揭示了典型的流动应力曲线，其特征是峰值应力...
利益冲突声明
本研究未获得任何公共、商业或非营利部门的资助，作者声明没有利益冲突。
