跳动城乡网镁(Mg)合金由于其高强度重量比而被广泛用于设计航空航天和汽车零件。它们的生物相容性和低密度也使这些合金非常适合用于生物医学和电子设备。然而，众所周知，镁合金表现出塑性各向异性行为。换句话说，它们的机械性能根据施加载荷的方向而变化。
为了确保这些镁合金的性能不受这种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其分析模型。
根据韩国釜山国立大学 Taekyung Lee 副教授领导的金属设计与制造 (MEDEM) 实验室的说法，机器学习(ML) 可能可以解决这一预测问题。在他们最近的突破中，该团队提出了一种称为“生成对抗网络(GAN)辅助门控循环单元(GRU)”的新颖方法。
该模型具有强大的数据分析能力，可以准确预测变形镁合金的塑性各向异性性能。他们的研究成果于 2024 年 1 月 16 日在线发表在《镁与合金杂志》上。
“从数据科学的角度来看，机器学习预测的准确性方面，我们意识到还有改进的空间。因此，与之前报道的预测方法不同，我们开发了一种通过数据增强来获得准确性的机器学习模型，以及各种加载模式的通用性，”Lee 教授描述了他们的新颖模型背后的核心思想。
“这最终开辟了与有限元分析集成的方法，以对由具有显着塑性各向异性的金属合金制成的产品进行精确的应力估计。”
为了构建更准确的模型，该团队结合了整个流曲线、GAN、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一些关键策略。这种新方法有助于学习整个流量曲线数据，而不是像许多以前的模型那样仅限于总结机械特性的训练。
为了测试 GAN 辅助的 GRU 模型的可靠性，团队在预测场景下对它进行了广泛的评估，包括外推、插值和鲁棒性，数据集大小有限。在进行测试时，该模型评估了 ZK60 镁合金在三个加载方向和 11 种退火条件下的各向异性行为。
通过这些实验，团队发现他们的模型比设计用于执行类似任务的其他模型表现出明显更好的鲁棒性和通用性。这种优越的性能主要归功于 GAN 辅助的数据增强，并得到 GRU 架构出色的外推能力和超参数(其值用于控制学习过程的参数)优化的支持。
因此，本研究采用人工神经网络之外的预测建模。它成功展示了基于机器学习的模型评估变形镁合金各向异性变形行为的能力。
“镁合金部件的整体性能和使用寿命在很大程度上取决于塑性各向异性行为，这使得变形的预测和管理成为材料设计的重要组成部分。我们相信该模型将有助于金属产品的设计和制造各种应用，”李教授总结道。
