Page 33 - 《爆炸与冲击》2026年第5期

第 46 卷 第 5 期 爆 炸 与 冲 击 Vol. 46, No. 5
2026 年 5 月 EXPLOSION AND SHOCK WAVES May, 2026

DOI：10.11883/bzycj-2025-0259

基于深度学习的亚稳态高熵合金

高应变率冲击响应预测 *

刘传志 ，安 稳 ，熊启林 1,2
1,2
1,2
（1. 华中科技大学航空航天学院，湖北 武汉 430074；
2. 华中科技大学工程结构分析与安全评定湖北省重点实验室，湖北 武汉 430074）

摘要： 亚稳态高熵合金因其在高应变率下优异的力学性能而受到广泛关注，然而，由于对其微观结构与冲击响应
关系的认识不足，限制了其在高应变率下的工程应用。为此，采用一种结合晶体塑性有限元方法和卷积神经网络的深
度学习框架，阐明了微观结构与冲击响应之间的关系。基于晶体塑性模拟收集数据集，该数据集包含高应变率下亚稳
态高熵合金在拉伸、压缩及剪切载荷条件下不同织构的完整应力-应变响应和相变体积分数的演变。构建了一个双分
支卷积神经网络模型，输入为织构和载荷条件。该模型的两个分支用于预测不同的输出，即应力-应变曲线与马氏体
体积分数的演变。基于收集的数据集对卷积神经网络模型进行训练。结果表明，该模型能够准确预测高应变率条件
下亚稳态高熵合金的冲击响应。该研究进一步证明了深度学习框架在保证预测精度的同时，相比晶体塑性有限元模
拟具有显著的计算效率优势，为高效评估高应变率下亚稳态高熵合金的力学行为提供了一种新思路。
关键词： 深度学习；冲击响应；晶体塑性；亚稳态高熵合金
中图分类号： O347.3 国标学科代码： 13015 文献标志码： A

Deep learning-based prediction of high-strain-rate shock response
in metastable high-entropy alloys

1,2
1,2
LIU Chuanzhi , AN Wen , XIONG Qilin 1,2
（1. School of Aerospace Engineering, Huazhong University of Science & Technology, Wuhan 430074, Hubei, China;
2. Hubei Key Laboratory of Engineering Structural Analysis and Safety Assessment,
Huazhong University of Science & Technology, Wuhan 430074, Hubei, China）

Abstract: Metastable high-entropy alloys (HEA) have attracted considerable attention due to their exceptional mechanical
properties at high strain rates. However, their engineering applications under high strain rates are limited, which stems from an
inadequate understanding of the relationship between microstructure and impact response. An end-to-end deep learning
framework has been implemented, combining the crystal plasticity finite element (CPFE) method with a convolutional neural
network (CNN) to elucidate the mapping between microstructure and shock response. A crystal plasticity constitutive model,
which couples dislocation slip and martensitic transformation mechanisms, has been developed and validated against
experimental results, confirming the model's effectiveness. Based on this constitutive model, a dataset for training the deep
learning model is generated, including the complete stress-strain response and martensite volume fraction evolution of
metastable HEA with corresponding textures and loading conditions at high strain rates. The two-branch CNN model is used to
extract microstructural features. Its input is microstructural information in image format and loading conditions, and its output

* 收稿日期： 2025-08-11；修回日期： 2025-10-24
基金项目： 国家自然科学基金（12522216）；冲击波物理与爆轰物理全国重点实验室基金（2023JCJQLB05403）
第一作者： 刘传志（1997－ ），男，博士研究生，137668501@qq.com
通信作者： 熊启林（1987－ ），男，教授，博士生导师，xiongql@hust.edu.cn

051422-1