Page 39 - 《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

表 1（续）
Table 1 (Continued)

参数 名称 取值 来源
位错增值系数 本研究
α mult 0.001 7
位错湮灭系数 本研究
α anni 0.24
f cr /MPa 临界相变阻力 180 本研究

2.2 数据集
数据集的质量在卷积神经网络模型的训练过程中起着至关重要的作用，因为它直接影响模型的收
敛速度和整体性能。高质量的数据集可以提供更相关、更丰富的特征，从而显著加快收敛过程。
本研究生成了 1 500 个随机取向，将其分配给有限元模型，采用 3 种不同的载荷条件：拉伸、压缩和
剪切。这种配置能够探索不同微观结构和载荷条件下亚稳态高熵合金在高应变速率下的应力-应变曲线
和相体积分数演变曲线。值得注意的是，这 1 500 个样本获得了令人满意的结果。虽然增加数据集大小
可以提高训练的准确性，但选择 1 500 个样本是经过综合考虑数据集生成所涉及的计算成本和时间限制
后做出的决定。
卷积神经网络模型的每个输入都表示为一个维度为（32，32，4）的张量。前 2 个维度对应于代表体元
的网格，每个像素代表有限网格中的相应位置。第 3 个维度代表图像的 4 个通道：前 3 个通道是 3 个欧拉
角（φ 、Φ 和 φ ），第 4 个通道代表代表体元的载荷情况（L ）。当载荷为拉伸时，第 4 个通道的所有值被设置
2
1
c
为 0.1；载荷为压缩时，第 4 个通道的所有值被设置为 0.5，剪切被设置为 1。如图 5 所示，一个包含 1 024
个高斯点的代表体元被有效地变换成一个 32×32 的彩色图像。这种变换在保留晶粒形貌的同时，还能捕
捉到每个晶粒的取向及其周围晶粒的取向信息以及载荷情况，这有利于后续卷积神经网络的训练。

(a) Four-channel microstructure (b) Euler angle ϕ 1 of the (c) Euler angle Φ of the
first channel second channel

ϕ 1 Φ ϕ 2 L c
(d) Image preprocessing diagram (e) Euler angle ϕ 2 of the (f) loading conditions of the
third channel fourth channel
图 5 数据集中的代表性样本
Fig. 5 Representative samples in the dataset

在本研究中，每个微观组织都与一条应力-应变曲线和马氏体体积分数的演变相关联，两者均被离

051422-7