康国政, 张旭, 胡冰晖, 双思垚, 于峻石, 熊宇凯, 宋世杰. 基于机器学习的金属材料多尺度塑性力学研究进展[J]. 金属学报, DOI: 10.11900/0412.1961.2025.00299.

摘要 相关文章 Metrics 全文: PDF(4911 KB)   摘要: 多尺度塑性力学研究旨在揭示材料塑性变形中的力学响应规律，建立微观结构、变形机制与宏观性能之间的物理联系，在材料设计与性能优化中具有重要意义。金属材料的塑性行为往往伴随位错、界面、相变等多种微观结构和变形机制的协同演化，构成高度复杂的时空耦合系统，传统建模方法在构型复杂性、尺度衔接及机理表征等方面面临诸多挑战。近年来，机器学习与多尺度数值模拟和本构模型构建的融合为多尺度塑性力学研究开辟了新路径。本文综述了基于机器学习的多尺度塑性力学研究进展，主要包括塑性变形行为的多尺度模拟和本构模型构建两方面，涵盖基于机器学习的分子动力学势函数构建与模拟、离散位错动力学模拟、晶体塑性有限元及本构模型构建等典型进展。同时，展望了机器学习赋能的多尺度塑性力学研究的未来发展方向，为深化金属材料塑性机制研究、构建高效精准的力学模型提供了新思路。 关键词 ： 金属材料,  塑性变形,  机器学习,  多尺度模拟,  本构模型     Abstract：Multiscale plasticity mechanics aims to uncover the plastic deformation response of materials across length scales and to establish physical links among microstructure, deformation mechanisms, and macroscopic properties, playing a critical role in materials design and performance optimization. In metallic materials, plasticity often involves the interplay of multiple microstructures and deformation mechanisms such as dislocations, interfaces, phase transformations and so on, forming a highly complex spatiotemporal system. Traditional modeling approaches face severe challenges in handling configurational complexity, scale bridging, and mechanism representation. Recently, the integration of machine learning with multiscale simulations and constitutive modeling has opened new avenues for multiscale plasticity research. This review provides an overview of machine learning–enabled multiscale plasticity studies, focusing on two key aspects: multiscale simulation of plastic deformation and development of constitutive model. Representative examples include the machine-learning-based interatomic potential construction, dislocation dynamics simulations, crystal plasticity finite element simulations, and data-driven constitutive modeling. Then, the future directions of machine learning–empowered multiscale plasticity mechanics are envisioned, providing new perspectives for deepening the understanding of plastic deformation mechanisms in metallic materials and for constructing efficient and accurate models of mechanics. Key words： metallic materials    plastic deformation    machine learning    multiscale simulation    constitutive modeling 收稿日期: 2025-09-30      基金资助:国家自然科学基金(12192214); 国家自然科学基金(12532004); 国家自然科学基金(12222209) 服务 把本文推荐给朋友 加入引用管理器 E-mail Alert RSS 作者相关文章 康国政 张旭 胡冰晖 双思垚 于峻石 熊宇凯 宋世杰 44.8K 链接本文: https://www.ams.org.cn/CN/Y0/V/I/0 [1] 张哲峰, 侯嘉鹏, 刘睿, 李孝滔, 张振军, 张鹏. 金属材料强度-塑性及强度-电导率定量关系[J]. 金属学报, 2026, 62(2): 253-262. [2] 马成勇, 侯旭儒, 赵琳, 阚成玲, 曹洋, 彭云, 田志凌. 电弧增材制造高强度Al-Mg-Sc系合金研究进展：冶金缺陷、微观组织和力学性能[J]. 金属学报, 2026, 62(1): 29-46. [3] 马恩, 刘畅. 如何使合金兼具高强度与高塑性[J]. 金属学报, 2025, 61(5): 665-673. [4] 罗来马, 魏国庆, 刘祯, 朱晓勇, 吴玉程. 钨材料中缺陷的形成及演化规律[J]. 金属学报, 2025, 61(4): 526-540. [5] 曾小勤, 于铭迪, 王静雅. 镁合金的多系滑移与塑性调控[J]. 金属学报, 2025, 61(3): 361-371. [6] 郑潇禹, 陈辛, 何美玲, 黄奇, 李亚, 孔毅, 杜勇. 基于晶体塑性的6XXX铝合金力学性能多尺度计算[J]. 金属学报, 2025, 61(11): 1758-1768. [7] 王方圆, 张玉龙, 王章维, 熊志平, 王辉, 宋旼, 夏文真. 纳米压痕下VCoNi 中熵合金的塑性变形行为[J]. 金属学报, 2025, 61(10): 1567-1578. [8] 王延绪, 龚武, 苏玉华, 李昺. 中子表征技术在金属结构材料研究中的应用[J]. 金属学报, 2024, 60(8): 1001-1016. [9] 汪丽佳, 胡励, 苗天虎, 周涛, 何曲波, 刘相果. 预变形对双峰分离非基面织构AZ31镁合金板材室温力学行为及微观组织演变的影响[J]. 金属学报, 2024, 60(7): 881-889. [10] 杨瑞泽, 翟汝宗, 任少飞, 孙明月, 徐斌, 乔岩欣, 杨兰兰. 1Cr22Mn16N高氮奥氏体不锈钢塑性变形连接中界面组织演化及愈合机制[J]. 金属学报, 2024, 60(7): 915-925. [11] 刘壮壮, 丁明路, 谢建新. 金属3D打印数字化制造研究进展[J]. 金属学报, 2024, 60(5): 569-584. [12] 陈克新, 张龙. 2023年度金属材料学科国家自然科学基金管理工作综述[J]. 金属学报, 2024, 60(4): 417-424. [13] 文通其, 刘怀忆, 龚小国, 叶贝琳, 刘思宇, 李卓远. 深度势能方法在材料科学中的应用[J]. 金属学报, 2024, 60(10): 1299-1311. [14] 刘仕, 黄佳玮, 武静. 机器学习势在铁电材料研究中的应用[J]. 金属学报, 2024, 60(10): 1312-1328. [15] 陈名毅, 胡俊伟, 余耀辰, 牛海洋. 机器学习分子动力学辅助材料凝固形核研究进展[J]. 金属学报, 2024, 60(10): 1329-1344. Viewed Full text Abstract Cited   Shared      Discussed