Page 34 - 《爆炸与冲击》2026年第5期

第 46 卷 刘传志，等： 基于深度学习的亚稳态高熵合金高应变率冲击响应预测 第 5 期

consists of two branches corresponding to stress-strain curves and the evolution of martensite volume fraction. The collected

dataset was used to train the CNN model. The results show that the model can accurately predict the shock response of
metastable HEA under high strain rate conditions. This study demonstrates that the deep learning framework, while
maintaining predictive accuracy, offers a significant computational efficiency advantage over CPFE simulations. It provides a
novel approach for efficiently assessing the mechanical behavior of metastable high-entropy alloys under high strain rates.
Keywords: deep learning; shock response; crystal plasticity; metastable high-entropy alloy
金属材料在高应变率下的剪切局域化失效通常会导致尖端装备的灾难性事故。亚稳态高熵合金因
其优异的强度塑性协同，成为抵抗冲击失效的有效候选材料 [1-3] 。系统研究和调控亚稳态高熵合金在高
应变率下的冲击响应对于拓展其工程应用具有重要的理论价值和实际意义。
作为一种新型的合金体系，亚稳态高熵合金已成为高性能结构材料研究的重要方向。亚稳态是指
合金的状态并非热力学上的全局最低能态。通过成分和组织设计引入亚稳态特征，可以显著改善高熵
合金的力学性能。亚稳态高熵合金在高应变率下优异的冲击性能得益于位错滑移、孪生和应变诱发马
氏体相变等多种变形机制的协同作用 [4-6] 。在亚稳态高熵合金中，其较低的热力学稳定性有利于马氏体
相变的发生 [7-8] 。Fe Mn Co Cr 在动态单轴拉伸后的组织表征表明其发生了马氏体相变，展现出了优
0
50
30
10
1
异的强度-塑性协同效应 。在动态压缩载荷下，V10Cr10Fe45Co35 表现出 1.6 GPa 的极限抗压强度，这
[2]
[9]
归因于马氏体相变机制的激活，从而显著改善了应变硬化，提高了材料的冲击响应 。Yang 等 [10] 研究
了 Fe Mn Co Cr 在动态压缩下的强度-塑性协同作用，发现马氏体相变的发生在几乎不损失塑性的前
0
1
40
40
10
提下显著提高了材料强度。
Xie 等 [11] 发现 FeNiCrCoCu 高熵合金的冲击相变严重依赖于晶体取向。高熵合金不同的织构使材
料的变形机制发生从位错滑移到位错滑移与孪生的转变，显著影响了材料强度 [12] 。Xu 等 [13] 通过分子动
力学模拟发现，沿 [001] 方向冲击主要产生 HCP（hexagonal close packed）相，而 [110] 方向则出现了低密度
位错。通过 1045 钢板冲击实验回收样品表征发现，球化微观结构的不连续屈服归因于低初始位错密度
和低位错成核率 [14] 。目前，已经对亚稳态高熵合金的冲击响应进行了部分研究，但是由于定量机制表征
的局限性，很难捕捉微观组织演变或载荷条件与冲击响应之间的定量关系。
为了克服这些挑战，应用晶体塑性有限元方法有效地解释了亚稳态高熵合金中的变形机制，并捕捉
到微观结构和载荷条件对冲击响应的影响 [15-18] 。然而，晶体塑性有限元方法的计算量大，受制于计算资
源。随着计算机科学的发展，深度学习为研究微观结构演化与载荷条件及冲击响应之间的关系提供了新的视
角 [19-21] 。近期研究越来越多地使用深度学习方法加速晶体塑性模拟 [22-24] 。全连接神经网络已被用于预
测变形后织构以及单晶在不同载荷路径下的应力-应变响应 [25] 。此外，Tran 等 [26] 揭示了不同材料微观结
构特征与屈服应力之间的跨尺度关系。然而，这些研究大多受限于模型架构的简单性，通常局限于低维
特征映射。随着微观结构描述符数量的增加，基于人工神经网络的模型往往表现出训练不稳定性，并导
致准确性下降。
卷积神经网络凭借局部连通性和参数共享等架构特性，显著减少了高维特征映射任务所需的参
数。Liu 等 [27] 成功地利用卷积神经网络预测了异质多晶体中微孔洞的演变。Han 等 [28] 实现了对双相钢
中应力-应变响应的有效预测。Ibragimova 等 [29] 系统地研究了卷积神经网络模型的架构和超参数配置，
并进一步将其应用于预测不同织构下的应力-应变曲线。Herriott 等 [30] 将卷积神经网络应用于增材制造
合金，建立了微观结构与应力-应变响应之间的映射。然而，这些工作主要集中于微观结构与力学响应之
间的单一相关性，并没有考虑载荷条件和变形过程中相变等关键物理变量的动态演变。
本研究提出一个双分支卷积神经网络框架来预测不同织构和载荷条件下的冲击响应，即应力-应变
曲线和相变分数的演变。该框架如图 1 所示，包含 4 个部分：数据生成、数据预处理、训练和验证以及最
终预测，图中 PBC（periodic boundary conditions）为周期性边界条件，CNN（convolutional neural network）为
卷积神经网络，Val.为 validation（验证）的缩写。利用耦合相变机制的晶体塑性有限元本构模型构建数据

051422-2