韩国研究人员利用人工智能解开镁合金各向异性的秘密

盖世汽车讯 镁合金具有较高的强度重量比，因此广泛应用于航空航天和汽车零部件设计。另外，这些合金的生物适应性和低密度也使其成为生物医学和电子设备的理想选择。然而，镁合金具有塑性各向异性行为，即它们的机械性能因施加载荷的方向而异。为了确保镁合金性能不受各向异性行为的影响，需要更好地了解各向异性变形，并开发相关分析模型。

（图片来源：釜山国立大学）

韩国釜山国立大学（Pusan National University）副教授Taekyung Lee领导的金属设计与制造（MEDEM）实验室表示，机器学习（ML）可能有助于解决这一预测问题。据外媒报道，在最近的一项突破中，该团队提出名为“生成对抗网络（GAN）辅助门控循环单元（GRU）”的创新方法。

该模型具有强大的数据分析能力，能够准确预测变形（wrought）镁合金的塑性各向异性。Lee教授介绍了这种创新模型的核心理念：“从数据科学的角度来看，研究人员意识到，ML预测的准确性还有改进的空间。与之前报告的预测方法不同，此项研究开发出具有数据增强功能的ML模型，以实现准确性和各种加载模式的通用性。这最终开辟了与有限元分析相结合的途径，以获得对由具有明显塑性各向异性的金属合金制成的产品的精确应力评估。”

为了构建具有更高精确度的模型，该团队结合了整个流动曲线、GAN、由算法驱动的超参数调整和GRU架构，这些都是数据科学中使用的关键策略。这种新方法促进了学习整个流动曲线数据，而不是像以前的许多模型那样局限于对综合机械性能进行训练。

为了测试GAN辅助GRU模型的可靠性，该团队在预测场景中对其进行了大量评估，包括外推、内插和稳健性，以及规模有限的数据集。在测试过程中，该模型对ZK60镁合金在3种加载方向和11种退火条件下的各向异性行为进行了预测。

研究人员通过实验发现，比起其他为执行类似任务而设计的模型，这种模型表现出更好的稳健性和通用性。这种卓越的性能主要归功于GAN辅助增强数据，并得到GRU架构出色的外推能力和优化超参数的支持，这些参数值可用来控制学习过程。

这项研究采用超越人工神经网络的预测建模，成功展示了ML基模型评估变形镁合金各向异性变形行为的能力。Lee教授表示：“镁合金部件的整体性能和寿命，在很大程度上取决于塑性各向异性行为，因此变形预测和管理成为材料设计的重要组成部分。该模型可能有助于设计和制造适合各种应用的金属产品。”