人工神经网络在材料加工中的应用及展望

杨西荣，权强强，田倩炆，刘晓燕，罗 雷，王敬忠

(1. 西安建筑科技大学冶金工程学院，陕西 西安 710055)(2. 陕西省纳米材料与技术重点实验室，陕西 西安 710055)

1 前 言

长期以来，材料的发展作为国防安全建设和国民经济建设的重要推动力，与人民生活密不可分。目前，新材料的发展水平成为衡量一个国家科技竞争力的重要标准[1]。传统意义上的新材料研发需要经过大量的实验，采用“试错法”尝试不同的可能性因素，直至实验结果不断接近目标。该过程需要研究学者利用大量的原材料，花费大量的时间投入到科学研究中，而且所得结果可能存在一定偶然性，使其可靠性降低[2-4]。计算机技术的持续性更新以及“材料基因组计划”的科学性提出，改变了传统意义上采用“试错法”的研究模式，将材料的理性设计、实验与大数据技术全面深度融合，促使新材料的研发取得了快速发展[5]。2019年《材料研究前沿—十年调查》[6]的发布中指出：“数据驱动方法有望大幅提高材料研究的效率”。数据驱动技术成为了继实验、理论和计算之后的第四代科学范畴[7]，大数据集的构成主要来源于高通量计算结果[8]、高通量实验结果[9]和大量科学性文献研究成果，将目标数据通过筛选导入计算机软件中进行材料研究，缩短了实验数据收集的时间，提高了工作效率[10]。在2011年6月，时任美国总统Barack Obama 启动先进制造业伙伴关系(Advanced Manufacturing Partnership)计划，材料基因组计划(Materials Genome Initiative，MGI)工程作为其重要组成部分，促进了大数据技术在材料应用领域的快速发展，加快了新材料从理论研究到投产使用的速度[11]。大数据时代下的数据驱动技术，机器学习促使材料科学研究得到了关键性发展[12]。

人工神经网络(artificial neural network，ANN)因具有自组织、自学习、联想记忆及高速寻求最优解的能力，能够处理非线性自适应信息问题，是目前科学研究中应用最广泛、最成熟的机器学习算法[13]。目前，人工神经网络已在建筑学[14，15]、管理学[16]和医学[17，18]等方面取得了广泛的应用，在材料科学方面也成功应用于材料设计[19]、材料性能预测[20]、模式识别[21]等多个方面，加快了材料研究领域的发展速度。

多年来，人工神经网络技术日益成熟完善，已在材料加工方面得到了广泛的应用。本文首先对人工神经网络的基本理论和发展历史过程作简要综述，重点介绍人工神经网络在材料加工中的应用，最后对人工神经网络在材料加工应用中的不足和未来发展趋势进行展望。

2 人工神经网络的简介和发展简史

2.1 人工神经网络的简介

人工神经网络是模拟生物神经系统的特征，采用不同种类的连接方式组成一个完整的网络模型，该模型与生物大脑的工作模式相似，能够通过对输入信息进行归类式处理得到期望的输出结果。同时它具有生物神经建立非线性模型、自我学习、自适应、容错性和高速寻找最优解等特点，广泛应用于各个学科的研究中[22]。最简单的生物神经元模型和相对应的人工神经元模型分别如图1和图2所示。人工神经网络的结构主要由输入层、隐含层和输出层3部分构成(图3)。输入层主要负责接收外部输入的数据和信息，隐含层连接输入层接受并处理输入层的信号，输出层连接隐含层将计算结果输出。

图1 生物神经元模型

图2 人工神经元模型[2]

图3 人工神经网络的结构[13]

2.2 人工神经网络的发展简史

人工神经网络的研究最早开始于19世纪末期，其发展过程经历了多个不同的阶段，如表1所示。

表1 人工神经网络的发展阶段[23-30]

3 人工神经网络在材料加工方面的应用

材料科学是研究材料成分、工艺、组织和使用性能四要素之间相互关系的学科，为材料的使用生产和研究发展提供理论基础[31]。材料加工技术是多学科相互交融的综合性学科，目前的材料研究依然依赖大量实验和实践经验[32]。这种试错的研究方式周期长、成本高，大量的数据得不到很好的利用。人工神经网络可以充分利用已有的实验数据，甚至是实际工况数据，在材料加工技术方面具有独特的优势。

3.1 材料性能预测

材料的成分、工艺和所处环境等是影响其加工性能的主要因素[33]，而使用性能是衡量材料价值的重要指标，是应用于工程实际的衡量标准。基于人工神经网络对材料性能的准确预测是降低材料成本、节约时间的重要途径。目前，国内外有大量的学者对人工神经网络预测材料性能方面进行了研究。Onder等[34]运用反向传播(back propagation，BP)网络模型对同种材料的2种不同形状齿牙的齿轮疲劳寿命进行了预测。运用试错法实验获得实验数据，80%的数据用于样本数据，确定了理想的传递函数和隐含层数目，采用20%的数据进行验证。最终的预测结果与实验结果相吻合。王鑫等[35]以应变速率、变形温度和晶粒尺寸为输入参数，峰值流变应力和稳定流变应力为输出结果，构建了三层前馈式BP神经网络模型，用于Ti-6Al-4V超塑性变形行为的预测。该模型采用的数据集因输出值和输入值存在较大差异，易产生溢出现象，故需对训练数据进行归一化处理，从而提高预测精度。因此，通过大量的可靠性数据，如实际生产数据或者实验精度严谨的数据进行网络模型的训练，可以提高模型的准确性。Ramachandra等[36]通过大量的模拟数据训练网络，并利用美国汽车工程协会(SAE)随机疲劳加载试验的实际生产数据验证模型，建立了能准确预测多种材料的疲劳性能、载荷谱形式以及疲劳寿命的人工神经网络模型。Patowari等[37]等建立了电火花加工表面改性的人工神经网络模型，得到了压力、温度、峰值电流和时间对表面层平均厚度的影响规律。人工神经网络模型在预测材料性能方面的应用已有很多研究，但是进行网络训练需要大量的数据，而这些数据的可靠性是提高预测结果准确性的关键，建立标准归类化的数据库是现今材料领域的需求。

3.2 材料工艺设计的优化

材料工艺设计主要分为成型工艺设计、加工工艺设计、表面处理工艺设计和连接工艺设计[27]，合理的工艺设计是保证产品质量的关键。工艺学基础理论、应用技术基础、工程控制技术以及相应的设计经验是材料工艺设计者必须具备的理论知识，难度较大。但是，近几年来，国内外研究者利用人工神经网络模型，很大程度地便捷了工艺设计优化的过程。魏艳红等[38]总结了国内诸多高校和企业利用人工神经网络预测和优化焊接工艺设计的实例，发现国内目前已在焊接工艺方面建立了相对完整的数据库及专家系统。将人工神经网络和专家系统相结合，通过以大量数据不断调整模型隐含层函数的类型和个数，可有效减小输出误差，提高设计精度。张吉会[39]以熔池焊道宽度和高度作为输出的期望值，构建了电弧增材制造焊接工艺成型尺寸的BP神经网络模型，参照模型选用传统的回归模型，将人工神经网络的预测值与二次回归值进行对比。结果表明，人工神经网络模型预测值的平均相对误差为0.003%，二次回归平均相对误差为1.326%。Chaki等[40]将粒子群优化(particle swarm optimization，PSO)计算算法应用于人工神经网络模型，建立了ANN-PSO模型。该模型在预测钇铝石榴石晶体(YAG)激光切割脉冲钕含量的绝对误差为1.74%，最优输出值与实验值的偏差小于2%。刘晓燕等[41]使用BP人工神经网络对超细晶纯钛热变形行为进行建模，结果表明经过训练后的人工神经网络模型预测热压缩过程流变应力的平均相对误差为2.1%，比Arrhenius本构方程的预测更加准确。人工神经网络模型训练函数采用可靠的数据库和经过多模型拟合的网络模型，对提高实验精度至关重要。

尽管国内外许多研究者已将人工神经网络应用于材料工艺设计方面，达到了工艺优化的目的。但针对某一确定问题，模型的训练及隐含层类型和个数的确定仍然缺乏高质量的实验数据用以训练，导致预测值与实验值存在严重偏差。同时，在大数据时代背景下，海量数据的挖掘中，不仅可能带来大量的错误信息，而且这些数据之间还可能具有复杂的关联性。分布式数据库的建立，可以将海量数据有效进行归类，一定程度上可以针对某一确定问题进行数据的筛选，提高工作效率和结果的准确性。

3.3 相变规律的预测

相是指合金中具有同一聚集状态、同一晶体结构和性质并以界面相互隔开的均匀组成部分。生活中绝大多数材料都是多相结构，相与相之间存在着界面分隔，此界面称为相界。所谓相变是指一种相转变成另一种相的过程[42]。随着科学技术和材料研究的发展，人们发现金属、合金以及无机非金属都能发生相变，材料性能的提高常常得益于相变的发生。然而，特定成分材料相变理论的实验研究费时费力，人工神经网络的应用很大程度上改善了这一困境。Chakraborty等[43]在预测钢连续冷却转变图时，运用梯度下降反向传播算法(ANN-BP)进行常规模型训练，但模型准确度较低。为了提高预测结果准确性，以预测误差最小化和多目标化为期望输出，采用遗传算法(genetic algorithm，GA)修正该模型，形成了至少在一个目标上预测结果准确度较高的模型。将单目标预测值与多目标预测值进行比较，结果表明，单一目标优化模型虽然降低了问题的复杂性，但准确性较低，而多目标优化模型虽然处理的问题比较复杂，但预测效果更加准确。Reddy等[44]以奥氏体钢中成分C，Mn，Ni，Cr，Mo含量的变化数据进行BP网络模型的训练学习，成功实现了TTT(time-temperature-transformation)曲线的预测。他们将奥氏体化的转变温度作为期望输出结果，建立了多层反向传播网络模型(multi-layered back propagation network，MBPN)，得到成分不同而致使奥氏体化转变温度不同的TTT变化规律图。Vermeulen等[45]利用BP神经网络预测了钢材中的硬度分布，在Jominy试验固定的冷却速率范围内，钢的淬透性可以通过表面淬火实验改善，在Jominy实验固定的冷却速率范围内，合金成分是影响显微组织的主要因素。该团队以4000种低合金钢的化学成分、奥氏体化温度及硬度分布为网络进行训练学习及验证，结果表明神经网络模型的预测值与硬度测量值存在的误差相同。在此基础上成功预测了硼元素对钢淬透性的影响，以9种合金元素作为输入数据，800组实际数据作为网络模型的训练，预测结果比实验模型和最小二乘模型综合性的结果更加准确。孙宇等[46]等以12种化学元素含量作为输入参数，相变点作为输出参数，利用BP神经网络模型预测钛合金相变点，揭示了化学元素种类与相变点之间的变化规律，预测结果的精度高于传统经验公式。

4 结 语

人工神经网络作为材料加工技术应用性较广泛的研究方法，虽然在材料的性能预测、工艺设计和相变规律预测等方面应用十分广泛，但是依然存在一些问题：

(1)在人工神经网络模型的学习训练过程中，需要大量可靠性高且代表性强的数据建立较为准确的网络模型，以实现高准确性的预测结果。因此，建立标准的材料领域大数据库是该领域发展的必然趋势。

(2)反向传播(back propagation，BP)神经网络作为目前材料加工方面应用最成熟且最广泛的网络模型之一，仅局限于对常规数字进行信息化处理。因此，需要更多的研究学者及专业团队开发新的模型、新的算法来锲合大数据时代的发展。

(3)随着大数据时代的到来，海量数据的出现，分布式数据管理和数据的准确筛选变得十分重要。