背景简介

耐蠕变是高温结构材料长期使用的重要属性。燃气轮机高温合金部件的长期可靠性运行必须确保在使用过程中不会发生过度变形。因此，对高温合金的蠕变行为，特别是一定蠕变应变对应的残余蠕变寿命的预测具有重要意义。

传统的蠕变寿命预测方法不能反映微观结构形态变化对蠕变曲线的影响，并且通过唯象模型构建很难满足蠕变曲线预测的精度要求。随着计算科学的发展，人工智能逐渐渗透到材料领域，数据驱动的机器学习得到了广泛应用。反向传播神经网络（BPNN）作为一种人工神经网络，可以通过反向传播算法处理复杂非线性数据的回归任务，该算法成本低、效率高，已被用于预测。鉴于BPNN对非线性数据映射的非凡能力，它为我们提供了一种从蠕变曲线数据的角度预测不同条件下的蠕变曲线的新方法。

成果介绍

在本研究中，使用了BPNN模型来预测不同条件下的蠕变曲线。使用六条蠕变曲线的数据集来训练模型，并使用另外四种蠕变条件下的蠕变曲线来验证模型。此外，将预测结果与实验数据和θ投影模型的预测进行了比较。

（1）在本工作中，使用均方误差（MSE）作为目标函数，设置400次迭代，并在验证数据集的MSE小于0.0001时停止训练，以防止过度拟合。同时，通过部分BPNN结构获得的MSE如表1所示。结果表明，当隐藏层为16-8-8时，MSE最小。经过大量训练后，BPNN模型的参数列于表2中。利用BPNN模型，预测了不同条件下的蠕变曲线，预测结果如图1所示。数据集中蠕变曲线的最大误差为±20%，与θ投影模型相比，该误差降低了30%。

表1 隐藏层及其相应的MSE值

表2 BPNN模型参数

图1 （a） Larson–Miller方程的拟合结果，（b）训练数据集的预测值和实验值的比较；（c-f）BPNN模型的预测和测试数据集的θ投影模型与实验数据的比较

（2）为具有相同结构的BPNN模型，收集了DZ125和CMSX-4高温合金的蠕变曲线用于训练。将预测曲线与两种高温合金的实验数据进行了比较，预测结果如图2所示。BPNN模型对两种高温合金的最大预测误差在±20%以内，表明该方法同样适用于不同类型的高温合金，因此具有广泛的应用范围。

图2 DZ125高温合金和CMSX-4高温合金的BPNN模型结果：（a，b）DZ125高温合金在980 ℃/207 MPa和1000 ℃/180 MPa下预测值和实验值的比较；（c，d）CMSX-4高温合金在850 ℃/490 MPa和900 ℃/360 MPa下预测值和实验值的比较

致谢

这项工作得到了中央高校基本科研业务费专项资金（编号FRF-TP-19-007A1）、齐鲁工业大学科教产融合创新试点项目（编号2020KJC-GH03）的资助。本文通讯作者：何金珊（北京科技大学钢铁共性技术协同创新中心）。

本期小编：杨　凯（整理）

闵　琳（校对）

舒　阳（审核）

闵　琳（发布）