预测热锻过程中工件内部的微观组织演化对于提高锻件的性能具有重要意义。目前困扰微观组织预测的最主要障碍是如何准确的识别考虑微观组织演化的本构关系中的材料参数。为此本文以考虑动态再结晶的粘塑性本构关系为例,应用反分析方法进行参数识别的理论与方法研究,以期推动这方面研究的发展并满足解决工程问题的需要。 首先建立了目标函数,这一函数为微观组织与载荷的实验值和计算值差值的加权平方和,其中实验值取自圆柱体镦粗实验,计算值是从刚塑性有限元获得的。为使该模型更接近实际物理过程,在原本构关系基础上考虑了动态回复迁移率的应变率效应和再结晶晶粒内累积位错能对再结晶驱动力的影响。然后以26Cr2Ni4MoV为例,应用随机取样法研究了目标函数性质。研究表明该目标函数具有非凸、参数敏感性较低、数值上可行解空间很难明确表示以及计算量大等特点。为克服参数取值范围较大时传统抽样算子得到的解偏向绝对值较大一端的问题,本文构造了一种新的数值和幂指数相混合的随机抽样算子。 基于上述目标函数的性质,本文提出一种新的全局优化算法。该算法的优点是:将遗传算法作为主体算法以保证算法的全局搜索能力;通过应用构造的传统实型编码和指数编码相结合的遗传算子,克服了参数取值范围较大时传统遗传算子给出的解偏向于绝对值较大一端的问题,防止遗传算法早熟;考虑到遗传算法收敛速度比较慢且大部分参数灵敏度比较低的情况,将遗传算法得到的解由高斯—牛顿算法和增广高斯—牛顿算法改进;如果上述以梯度为基础的优化算法得到的解是数值上不可行的,则应用可变误差多面体算法在该解附近寻找一个数值上可行解,并用相应的以梯度为基础的算法对该解进行改进。 以上述全局优化算法为基础,编制了参数识别专用软件PIIA。对MMF模型和Richards模型的参数识别证明,当参数取值范围较大时,本文提出的算法在计算速度和稳定性方面优于其它算法。最后应用软件PIIA,识别了转子钢26CrNi4MoV的材料参数,进一步的检验证明该组参数给出的数值模拟结果与实验结果符合良好。这证明了上述算法和软件的正确性、可靠性和实用性。