人工神經網絡在材料加工中的應用及展望

楊西榮，權強強，田倩炆，劉曉燕，羅 雷，王敬忠

(1. 西安建筑科技大學冶金工程學院，陜西 西安 710055)(2. 陜西省納米材料與技術重點實驗室，陜西 西安 710055)

1 前 言

長期以來，材料的發展作為國防安全建設和國民經濟建設的重要推動力，與人民生活密不可分。目前，新材料的發展水平成為衡量一個國家科技競爭力的重要標準[1]。傳統意義上的新材料研發需要經過大量的實驗，采用“試錯法”嘗試不同的可能性因素，直至實驗結果不斷接近目標。該過程需要研究學者利用大量的原材料，花費大量的時間投入到科學研究中，而且所得結果可能存在一定偶然性，使其可靠性降低[2-4]。計算機技術的持續性更新以及“材料基因組計劃”的科學性提出，改變了傳統意義上采用“試錯法”的研究模式，將材料的理性設計、實驗與大數據技術全面深度融合，促使新材料的研發取得了快速發展[5]。2019年《材料研究前沿—十年調查》[6]的發布中指出：“數據驅動方法有望大幅提高材料研究的效率”。數據驅動技術成為了繼實驗、理論和計算之后的第四代科學范疇[7]，大數據集的構成主要來源于高通量計算結果[8]、高通量實驗結果[9]和大量科學性文獻研究成果，將目標數據通過篩選導入計算機軟件中進行材料研究，縮短了實驗數據收集的時間，提高了工作效率[10]。在2011年6月，時任美國總統Barack Obama 啟動先進制造業伙伴關系(Advanced Manufacturing Partnership)計劃，材料基因組計劃(Materials Genome Initiative，MGI)工程作為其重要組成部分，促進了大數據技術在材料應用領域的快速發展，加快了新材料從理論研究到投產使用的速度[11]。大數據時代下的數據驅動技術，機器學習促使材料科學研究得到了關鍵性發展[12]。

人工神經網絡(artificial neural network，ANN)因具有自組織、自學習、聯想記憶及高速尋求最優解的能力，能夠處理非線性自適應信息問題，是目前科學研究中應用最廣泛、最成熟的機器學習算法[13]。目前，人工神經網絡已在建筑學[14，15]、管理學[16]和醫學[17，18]等方面取得了廣泛的應用，在材料科學方面也成功應用于材料設計[19]、材料性能預測[20]、模式識別[21]等多個方面，加快了材料研究領域的發展速度。

多年來，人工神經網絡技術日益成熟完善，已在材料加工方面得到了廣泛的應用。本文首先對人工神經網絡的基本理論和發展歷史過程作簡要綜述，重點介紹人工神經網絡在材料加工中的應用，最后對人工神經網絡在材料加工應用中的不足和未來發展趨勢進行展望。

2 人工神經網絡的簡介和發展簡史

2.1 人工神經網絡的簡介

人工神經網絡是模擬生物神經系統的特征，采用不同種類的連接方式組成一個完整的網絡模型，該模型與生物大腦的工作模式相似，能夠通過對輸入信息進行歸類式處理得到期望的輸出結果。同時它具有生物神經建立非線性模型、自我學習、自適應、容錯性和高速尋找最優解等特點，廣泛應用于各個學科的研究中[22]。最簡單的生物神經元模型和相對應的人工神經元模型分別如圖1和圖2所示。人工神經網絡的結構主要由輸入層、隱含層和輸出層3部分構成(圖3)。輸入層主要負責接收外部輸入的數據和信息，隱含層連接輸入層接受并處理輸入層的信號，輸出層連接隱含層將計算結果輸出。

圖1 生物神經元模型

圖2 人工神經元模型[2]

圖3 人工神經網絡的結構[13]

2.2 人工神經網絡的發展簡史

人工神經網絡的研究最早開始于19世紀末期，其發展過程經歷了多個不同的階段，如表1所示。

表1 人工神經網絡的發展階段[23-30]

3 人工神經網絡在材料加工方面的應用

材料科學是研究材料成分、工藝、組織和使用性能四要素之間相互關系的學科，為材料的使用生產和研究發展提供理論基礎[31]。材料加工技術是多學科相互交融的綜合性學科，目前的材料研究依然依賴大量實驗和實踐經驗[32]。這種試錯的研究方式周期長、成本高，大量的數據得不到很好的利用。人工神經網絡可以充分利用已有的實驗數據，甚至是實際工況數據，在材料加工技術方面具有獨特的優勢。

3.1 材料性能預測

材料的成分、工藝和所處環境等是影響其加工性能的主要因素[33]，而使用性能是衡量材料價值的重要指標，是應用于工程實際的衡量標準。基于人工神經網絡對材料性能的準確預測是降低材料成本、節約時間的重要途徑。目前，國內外有大量的學者對人工神經網絡預測材料性能方面進行了研究。Onder等[34]運用反向傳播(back propagation，BP)網絡模型對同種材料的2種不同形狀齒牙的齒輪疲勞壽命進行了預測。運用試錯法實驗獲得實驗數據，80%的數據用于樣本數據，確定了理想的傳遞函數和隱含層數目，采用20%的數據進行驗證。最終的預測結果與實驗結果相吻合。王鑫等[35]以應變速率、變形溫度和晶粒尺寸為輸入參數，峰值流變應力和穩定流變應力為輸出結果，構建了三層前饋式BP神經網絡模型，用于Ti-6Al-4V超塑性變形行為的預測。該模型采用的數據集因輸出值和輸入值存在較大差異，易產生溢出現象，故需對訓練數據進行歸一化處理，從而提高預測精度。因此，通過大量的可靠性數據，如實際生產數據或者實驗精度嚴謹的數據進行網絡模型的訓練，可以提高模型的準確性。Ramachandra等[36]通過大量的模擬數據訓練網絡，并利用美國汽車工程協會(SAE)隨機疲勞加載試驗的實際生產數據驗證模型，建立了能準確預測多種材料的疲勞性能、載荷譜形式以及疲勞壽命的人工神經網絡模型。Patowari等[37]等建立了電火花加工表面改性的人工神經網絡模型，得到了壓力、溫度、峰值電流和時間對表面層平均厚度的影響規律。人工神經網絡模型在預測材料性能方面的應用已有很多研究，但是進行網絡訓練需要大量的數據，而這些數據的可靠性是提高預測結果準確性的關鍵，建立標準歸類化的數據庫是現今材料領域的需求。

3.2 材料工藝設計的優化

材料工藝設計主要分為成型工藝設計、加工工藝設計、表面處理工藝設計和連接工藝設計[27]，合理的工藝設計是保證產品質量的關鍵。工藝學基礎理論、應用技術基礎、工程控制技術以及相應的設計經驗是材料工藝設計者必須具備的理論知識，難度較大。但是，近幾年來，國內外研究者利用人工神經網絡模型，很大程度地便捷了工藝設計優化的過程。魏艷紅等[38]總結了國內諸多高校和企業利用人工神經網絡預測和優化焊接工藝設計的實例，發現國內目前已在焊接工藝方面建立了相對完整的數據庫及專家系統。將人工神經網絡和專家系統相結合，通過以大量數據不斷調整模型隱含層函數的類型和個數，可有效減小輸出誤差，提高設計精度。張吉會[39]以熔池焊道寬度和高度作為輸出的期望值，構建了電弧增材制造焊接工藝成型尺寸的BP神經網絡模型，參照模型選用傳統的回歸模型，將人工神經網絡的預測值與二次回歸值進行對比。結果表明，人工神經網絡模型預測值的平均相對誤差為0.003%，二次回歸平均相對誤差為1.326%。Chaki等[40]將粒子群優化(particle swarm optimization，PSO)計算算法應用于人工神經網絡模型，建立了ANN-PSO模型。該模型在預測釔鋁石榴石晶體(YAG)激光切割脈沖釹含量的絕對誤差為1.74%，最優輸出值與實驗值的偏差小于2%。劉曉燕等[41]使用BP人工神經網絡對超細晶純鈦熱變形行為進行建模，結果表明經過訓練后的人工神經網絡模型預測熱壓縮過程流變應力的平均相對誤差為2.1%，比Arrhenius本構方程的預測更加準確。人工神經網絡模型訓練函數采用可靠的數據庫和經過多模型擬合的網絡模型，對提高實驗精度至關重要。

盡管國內外許多研究者已將人工神經網絡應用于材料工藝設計方面，達到了工藝優化的目的。但針對某一確定問題，模型的訓練及隱含層類型和個數的確定仍然缺乏高質量的實驗數據用以訓練，導致預測值與實驗值存在嚴重偏差。同時，在大數據時代背景下，海量數據的挖掘中，不僅可能帶來大量的錯誤信息，而且這些數據之間還可能具有復雜的關聯性。分布式數據庫的建立，可以將海量數據有效進行歸類，一定程度上可以針對某一確定問題進行數據的篩選，提高工作效率和結果的準確性。

3.3 相變規律的預測

相是指合金中具有同一聚集狀態、同一晶體結構和性質并以界面相互隔開的均勻組成部分。生活中絕大多數材料都是多相結構，相與相之間存在著界面分隔，此界面稱為相界。所謂相變是指一種相轉變成另一種相的過程[42]。隨著科學技術和材料研究的發展，人們發現金屬、合金以及無機非金屬都能發生相變，材料性能的提高常常得益于相變的發生。然而，特定成分材料相變理論的實驗研究費時費力，人工神經網絡的應用很大程度上改善了這一困境。Chakraborty等[43]在預測鋼連續冷卻轉變圖時，運用梯度下降反向傳播算法(ANN-BP)進行常規模型訓練，但模型準確度較低。為了提高預測結果準確性，以預測誤差最小化和多目標化為期望輸出，采用遺傳算法(genetic algorithm，GA)修正該模型，形成了至少在一個目標上預測結果準確度較高的模型。將單目標預測值與多目標預測值進行比較，結果表明，單一目標優化模型雖然降低了問題的復雜性，但準確性較低，而多目標優化模型雖然處理的問題比較復雜，但預測效果更加準確。Reddy等[44]以奧氏體鋼中成分C，Mn，Ni，Cr，Mo含量的變化數據進行BP網絡模型的訓練學習，成功實現了TTT(time-temperature-transformation)曲線的預測。他們將奧氏體化的轉變溫度作為期望輸出結果，建立了多層反向傳播網絡模型(multi-layered back propagation network，MBPN)，得到成分不同而致使奧氏體化轉變溫度不同的TTT變化規律圖。Vermeulen等[45]利用BP神經網絡預測了鋼材中的硬度分布，在Jominy試驗固定的冷卻速率范圍內，鋼的淬透性可以通過表面淬火實驗改善，在Jominy實驗固定的冷卻速率范圍內，合金成分是影響顯微組織的主要因素。該團隊以4000種低合金鋼的化學成分、奧氏體化溫度及硬度分布為網絡進行訓練學習及驗證，結果表明神經網絡模型的預測值與硬度測量值存在的誤差相同。在此基礎上成功預測了硼元素對鋼淬透性的影響，以9種合金元素作為輸入數據，800組實際數據作為網絡模型的訓練，預測結果比實驗模型和最小二乘模型綜合性的結果更加準確。孫宇等[46]等以12種化學元素含量作為輸入參數，相變點作為輸出參數，利用BP神經網絡模型預測鈦合金相變點，揭示了化學元素種類與相變點之間的變化規律，預測結果的精度高于傳統經驗公式。

4 結 語

人工神經網絡作為材料加工技術應用性較廣泛的研究方法，雖然在材料的性能預測、工藝設計和相變規律預測等方面應用十分廣泛，但是依然存在一些問題：

(1)在人工神經網絡模型的學習訓練過程中，需要大量可靠性高且代表性強的數據建立較為準確的網絡模型，以實現高準確性的預測結果。因此，建立標準的材料領域大數據庫是該領域發展的必然趨勢。

(2)反向傳播(back propagation，BP)神經網絡作為目前材料加工方面應用最成熟且最廣泛的網絡模型之一，僅局限于對常規數字進行信息化處理。因此，需要更多的研究學者及專業團隊開發新的模型、新的算法來鍥合大數據時代的發展。

(3)隨著大數據時代的到來，海量數據的出現，分布式數據管理和數據的準確篩選變得十分重要。