PGNN：物理引导神经网络在材料科学中的创新应用

PGNN-Al6011-Hot-Deformation项目核心导读

项目背景: 针对铝合金热变形流动应力预测中传统物理模型精度不足、纯数据驱动模型缺乏可解释性的困境，本项目提出物理引导神经网络（PGNN）解决方案。 核心创新: 将物理方程（Arrhenius方程）与深度学习结合，让神经网络学习可解释的物理参数（α、n、Q、lnA），平衡预测准确性与物理可解释性。 基础信息:

• 原作者：Nguyen Tran Quang Minh、Tran Ngoc Dung（大连理工大学）
• 来源：GitHub（链接）
• 发布时间：2026年5月29日

材料科学建模的困境

在金属热变形工艺中，流动应力预测是优化加工参数的关键，但面临两大挑战：

1. 传统物理模型（如Arrhenius方程）: 具有明确物理意义，但难以描述复杂微观机制，精度有限。
2. 纯数据驱动模型（如ANN）: 预测精度高，但本质是“黑箱”，无法解释材料行为的物理原因。 这种矛盾推动了物理信息神经网络（PINNs）的发展，PGNN项目正是这一理念在铝合金热变形领域的实践。

PGNN核心设计：嵌入物理先验的神经网络

核心思路:不直接预测流动应力，而是让神经网络学习4个关键物理参数：

• α（应力乘数）：反映材料对应力的敏感程度
• n（应力指数）：体现变形机制特征
• Q（激活能）：热激活过程的能垒
• ln(A)（前置因子对数）：与变形频率相关 流程:输入（温度、应变速率、应变）→ 神经网络主干 → 参数输出 → Arrhenius方程 → 流动应力预测。 约束机制:
• Sigmoid激活函数：将参数限制在物理合理范围内。
• 物理正则化损失（λA）：在数据拟合误差外，加入物理定律一致性惩罚项，确保参数的物理意义。

实验验证：准确性与可解释性的双重突破

数据集:Al6011-O铝合金热变形数据，覆盖7个温度点（室温至450°C）、3个应变速率（0.001-0.1 s⁻¹），共1982个数据点。 精度对比:

模型	R²	RMSE (MPa)	AARE (%)
传统SCAM模型	—	69.0	54.0
黑箱ANN	0.939	13.6	12.2
PGNN+λA（本文）	0.947	12.6	7.3
可解释性验证:

• Q≈179 kJ/mol：落在Al 6xxx系列合金激活能范围（130-180 kJ/mol）内。
• n≈5.5-8：随温度升高降低符合位错攀移机制理论。
• Q与ln(A)补偿效应：相关系数-0.81与热变形领域已知现象一致。

技术实现细节

数据集:

• 来源：高温拉伸试验，按Δε=0.005间隔降采样。
• 划分：70%训练/15%验证/15%测试（按工况分层抽样）。 模型架构:共享神经网络主干 +4个独立输出头（分别预测α、n、Q、lnA）的多任务学习结构。 训练策略:
• 优化器：Adam
• 学习率：余弦退火调度
• 早停：基于验证集损失
• 硬件：支持GPU加速（推荐Kaggle GPU运行时）。 代码结构:仓库包含核心训练脚本（如hot-tensil-pgnn-v6.ipynb）、数据集文件、对比模型实现（SCAM/ANN）及分析脚本。

科学意义与应用前景

材料科学贡献:

• 加速新材料开发：优化合金成分与工艺参数。
• 数字孪生：为制造过程提供可解释的预测模型。
• 机理研究：从数据中发现或验证物理规律。 方法论启示:

1. 识别领域约束：找出不可违背的物理规律。
2. 架构设计：将约束嵌入网络结构而非仅作为损失函数。
3. 可解释性验证：确保学到的表示与领域知识一致。 未来展望:

• 扩展到更多合金体系与变形条件。
• 引入微观结构特征作为输入。
• 探索不确定性量化方法。
• 集成到工艺优化软件中。

总结：准确性与可解释性的兼得之道

PGNN项目证明，在工程应用中预测准确性与物理可解释性并非对立。通过将物理先验嵌入神经网络架构，PGNN既超越了传统模型的精度，又解决了黑箱模型的可解释性问题。 该项目为材料建模、制造工艺优化及物理信息机器学习领域提供了极具价值的研究范例，值得相关研究人员与工程师深入参考。