通过RSM-GA合的高效和坚固的晶体可塑性参数识别:适用于AZ31合金,具有双模非基底纹理

科学领域:

• 材料科学 材料科学 材料科学
• 计算力学 计算力学 计算力学
• 机械工程 机械工程

背景情况:

• 晶体可塑性构成模型需要精确的材料参数来进行准确的模拟.
• 传统的校准方法通常仅依赖于宏观数据,忽视微观实验数据.
• 整合微尺度数据,如双胞胎体积分数,可以提高模型的准确性,但会带来校准挑战.

研究的目的:

• 开发一种计算效率高的优化程序,用于在晶体可塑性模型中识别材料参数.
• 将响应表面模型 (RSM) 与用于多目标参数校准的遗传算法 (GA) 结合起来.
• 利用宏观压力-应变数据和微观结对数据来改进参数识别.

主要方法:

• 一种新的优化程序,将响应表面模型 (RSM) 和遗传算法 (GA) 结合起来.
• 多目标训练使用34个宏观真实应力-应变数据点 (RD和TD) 和4个微观{10-12}延伸双 (ET) 体积分数据.
• 通过为宏观和微观数据量身定制权重来优化目标函数.

主要成果:

• 提议的优化方法迅速汇聚到一个稳定的健身值~80在200次代.
• 通过粘性塑料自相一致 (VPSC) 模拟AZ31合金的拉力变形来验证.
• 获得的材料参数证明了对预测机械反应,变形机制,{10-12} ET体积分数演变和纹理演变的良好有效性和适用性.

结论:

• 结合的RSM-GA方法为晶体可塑性材料参数识别提供了一种高效和准确的方法.
• 将微尺度的结合数据与宏观压力-应变数据相结合,可以显著改善模型校准.
• 验证的参数对于模拟AZ31合金的机械行为和微观结构演变是有效的.