Bestämning av parametrarna i ett materials konstitutiva relation med hjälp av en surrogatmodell tillsammans med dynamiskt indenteringstest

Varför det spelar roll att slå på metall med en liten hammare

Från bilar och flygplan till skyddsutrustning bygger moderna produkter på metaller som måste klara plötsliga stötar, explosioner eller kollisioner. Ingenjörer behöver veta exakt hur dessa material beter sig när de träffas snabbt och blir uppvärmda, men de vanliga laboratoriemetoderna för att mäta detta är dyra, långsamma och tekniskt krävande. Denna studie visar hur ett enkelt, punktliknande påverkningsprov—i likhet med ett hårdhetsprov—i kombination med smart datorbaserad modellering kan ersätta mycket mer komplex utrustning samtidigt som det avslöjar hur en metall reagerar under extrema förhållanden.

Ett enklare sätt att undersöka tuffa förhållanden

När en metall träffas mycket snabbt beror dess motstånd mot deformation inte bara på hur mycket den pressas ihop, utan också på hur snabbt och hur varmt den blir. Fysiker fångar detta beteende i matematiska formler kallade materialmodeller, som innehåller flera numeriska konstanter som måste mätas. Traditionellt kommer dessa konstanter från specialiserade högfartsprov med en apparat kallad Split Hopkinson Pressure Bar, som skickar vågor genom metallprov och kräver noggrann inriktning, kalibrering och kostsam hårdvara. Författarna ville kringgå denna komplexitet genom att använda dynamisk indentering istället: att skjuta en liten projektil som driver en spetsig indenter in i ytan på ett stålexempel och registrera hur kraften förändras när indentern sjunker in.

Från nedslagsavtryck till dolda materialregler

I deras specialbyggda provuppställning skjuter en gasdriven avfyrningsanordning iväg en stålslagare, som överför sin energi genom ett projektil till en konisk indenter som berör provet. Sensorer under provet mäter slagkraften över tid, samtidigt som en lägesgivare följer hur djupt indentern tränger in. Genom att kombinera dessa signaler erhålls en last–djupkurva som karakteriserar hur ytan svarar under det korta slaget. Teamet utförde sådana tester på en stållegering vid fyra olika slaghastigheter och fyra temperaturer, som täckte förhållanden från rumstemperatur till 200 °C och från måttliga till mycket höga deformtionshastigheter. Dessa kurvor fungerar som de experimentella fingeravtrycken som materialmodellen måste återskapa.

Låta simuleringar och surrogatmodeller göra tunga lyftet

För att koppla dessa fingeravtryck till de underliggande materialreglerna byggde forskarna en detaljerad datorsimulering av indenteringsprocessen med en standard teknisk programvara. I simuleringen antog de att metallen följer Zerilli–Armstrong‑modellen, en allmänt använd formel för metaller under påverkan som inkluderar effekter av töjning, töjningshastighet och temperatur. Problemet är att denna modell innehåller flera okända konstanter. Istället för att testa varje möjlig kombination direkt—vilket skulle kräva ett enormt antal simuleringar—vände de sig till surrogatmodellering. Först provade de 36 olika uppsättningar möjliga konstanter och körde simuleringar för varje, och mätte hur mycket den simulerade last–djupkurvan avvek från den verkliga. Sedan använde de dessa resultat för att träna en surrogat: ett billigare matematiskt ersättningsverktyg som approximerar hur felet beror på modellkonstanterna. En particlesvärmoptimeringsalgoritm sökte sedan i detta surrogatlandskap efter den uppsättning konstanter som bäst matchar experimenten.

Kontroll mot traditionella tester och andra smarta verktyg

För att verifiera att denna strömlinjeformade metod verkligen fungerar jämförde författarna sina resultat med oberoende data från konventionella Hopkinson‑bar‑experiment på samma stål vid samma slaghastigheter och temperaturer. Med de optimerade Zerilli–Armstrong‑konstanterna förutsade de fullständiga spännings–töjningskurvor och fann att dessa stämde väl överens med Hopkinson‑mätningarna. De upprepade också övningen med två andra strategier: en mer konventionell optimering baserad på en kvadratisk formel i kombination med en genetisk algoritm, och ett artificiellt neuralt nätverk tränat för att förutsäga konstanterna. Surrogatmodellen och genetisk‑algoritm‑metoden gav nästan identiska materialkonstanter och mycket liknande fel, medan det neurala nätverket också presterade bra men visade något större och mer spridda avvikelser.

Vad detta betyder för tester i den verkliga världen

Enkelt uttryckt visar studien att ett relativt enkelt dynamiskt indenteringsprov, i kombination med numerisk simulering och en surrogat‑baserad optimerare, pålitligt kan återvinna hur en duktil metall reagerar vid snabb belastning och uppvärmning—information som tidigare krävde specialiserad vågbaserad utrustning. Metoden kräver bara små prov, kan i princip tillämpas direkt på verkliga komponenter och hanterar ett brett spektrum av belastningshastigheter och temperaturer. För ingenjörer erbjuder detta en snabbare och billigare väg att bygga korrekta digitala modeller av metaller som används i fordon, konstruktioner och skyddssystem, vilket banar väg för säkrare konstruktioner utan bördan av komplicerade högfartsprovuppställningar.

Citering: Majzoobi, G.H., Pourolajal, S. Determination of the parameters of a material constitutive relation using the surrogate model along with dynamic indentation test. Sci Rep 16, 9269 (2026). https://doi.org/10.1038/s41598-025-06192-6

Nyckelord: dynamisk indentering, surrogatmodellering, metaller vid höga töjhastigheter, materialkaraktärisering, spännings–töjningsbeteende