Page 45 - 《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

0.8 Data oscillation Train loss 0.14 Train loss
Val. loss Val. loss
0.12
0.6 0.10
0.08
Loss 0.4 Loss 0.06
0.04
0.2
0.02 Train: 0.000 2
Val.: 0.001 4
0
0
0 50 100 150 200 0 50 100 150 200
Epoch Epoch
(c) RMSprop (d) Adam
图 12 不同优化器的训练过程
Fig. 12 Training process of different optimizers
总体而言，在给定的实验条件下，Adam 优化器表现出最优性能，它不仅加速了卷积神经网络训练的
收敛，还有效降低了损失，从而提升了模型的整体预测能力。因此，对于高应变率条件下不同微观组织
的亚稳态高熵合金的力学性能预测，Adam 优化器展现出优异的收敛性和鲁棒性，从而提供更稳定、高效
的训练过程。
3.3 计算效率比较
从图 13 可以看出，基于卷积神经网络的预测模型在计算效率方面具有显著优势：当载荷分别为拉
伸（加载条件为 0.1）、压缩（加载条件为 0.5）、剪切（加载条件为 1.0）时，它仅需一次快速前向传播即可完
成材料力学行为预测，而无需晶体塑性模拟逐步求解复杂的增量迭代方程。对于晶体塑性模拟，需要对
材料内部位错、滑移系激活等微观机制进行高保真计算，往往需要大量的迭代和收敛判断，耗时较长；而
卷积神经网络模型经过离线训练后，只需进行简单的张量运算即可在极短的时间内完成推理，尤其在批
量处理或在线监测场景中，可以显著提升效率。
为了充分验证深度学习框架的预测能力，在随机加载条件下预测了亚稳态高熵合金的冲击响应过
程。图 14 对比了材料在经历压缩、剪切、拉伸、剪切、压缩变形过程后晶体塑性模拟结果与卷积神经网
络的预测结果。可以看到，模型在各个加载阶段均能准确捕捉材料的冲击响应，仅在大塑性末段出现轻

1 600
Crystal plasticic simulation
800 CNN model 1 400
728.6 756.1 1 200
700 693.2 1 000
Time/s 0.8 True stress/MPa 800

0.6 600
400
0.4 0.382 9 0.382 9 0.382 9 Compression Shear Tensile
0.2 200 Compression Shear Tensile
0
0.1 0.5 1.0 0 0.05 0.10 0.15 0.20 0.25 0.30
Loading condition True strain
图 13 晶体塑性模拟与卷积神经网络的 图 14 变加载条件下晶体塑性模拟与卷积神经网络结果对比
计算效率比较 （实线：晶体塑性有限元模拟；虚线：卷积神经网络）
Fig. 13 Comparison of computational efficiency between crystal Fig. 14 Comparison of crystal plasticity simulation and
plasticity simulation and convolutional neural network convolutional neural network results under variable loading
conditions (solid line: crystal plasticity finite element simulation;
dashed line: convolutional neural network)

051422-13