Constitutive modeling of anisotropic plastic material behavior traditionally follows a deductive scheme, relying on empirical observations that are cast into analytic equations, the so-called phenomenological yield functions. Recently, data-driven constitutive modeling has emerged as an alternative to phenomenological models as it offers a more general way to describe the material behavior with no or fewer assumptions. In data-driven constitutive modeling, methods of statistical learning are applied to infer the yield function directly from a data set generated by experiments or numerical simulations. Currently these data sets solely consist of stresses and strains, considering the microstructure only implicitly. Similar to the phenomenological approach, this limits the generality of the inferred material model, as it is only valid for the specific material employed in the virtual or physical experiments. In this work, we present a new generic descriptor for crystallographic texture that allows an explicit consideration of the microstructure in data-driven constitutive modeling. This descriptor compromises between generality and complexity and is based on an approximately equidistant discretization of the orientation space. We prove its ability to capture the structure–property relationships between a variety of cubic–orthorhombic textures and their anisotropic plastic behavior expressed by the yield function Yld2004-18p. Three different machine learning models trained with the descriptor can predict yield loci as well as r-values of unseen microstructures with sufficient accuracy. The descriptor allows an explicit consideration of crystallographic texture, providing a pathway to microstructure-sensitive data-driven constitutive modeling.

各向异性塑料材料行为的本构建模传统上遵循演绎方案，依赖于转化为解析方程的经验观察，即所谓的唯象屈服函数。最近，数据驱动的本构模型已成为现象学模型的替代方案，因为它提供了一种更通用的方法来描述材料行为，而无需或更少的假设。在数据驱动的本构建模中，应用统计学习方法直接从实验或数值模拟生成的数据集推断出产量函数。目前，这些数据集仅包含应力和应变，仅隐式考虑微观结构。与现象学方法类似，这限制了推断材料模型的通用性，因为它仅对虚拟或物理实验中使用的特定材料有效。在这项工作中，我们提出了一种新的晶体织构通用描述符，允许在数据驱动的本构建模中明确考虑微观结构。该描述符在通用性和复杂性之间进行折衷，并且基于方向空间的近似等距离散化。我们证明了它能够捕获各种立方-斜方结构之间的结构-性能关系及其由屈服函数 Yld2004-18p 表示的各向异性塑性行为。使用描述符训练的三种不同的机器学习模型可以预测产量位点以及 我们提出了一种新的晶体结构通用描述符，可以在数据驱动的本构建模中明确考虑微观结构。该描述符在通用性和复杂性之间进行折衷，并且基于方向空间的近似等距离散化。我们证明了它能够捕获各种立方-斜方结构之间的结构-性能关系及其由屈服函数 Yld2004-18p 表示的各向异性塑性行为。使用描述符训练的三种不同的机器学习模型可以预测产量位点以及 我们提出了一种新的晶体结构通用描述符，可以在数据驱动的本构建模中明确考虑微观结构。该描述符在通用性和复杂性之间进行折衷，并且基于方向空间的近似等距离散化。我们证明了它能够捕获各种立方-斜方结构之间的结构-性能关系及其由屈服函数 Yld2004-18p 表示的各向异性塑性行为。使用描述符训练的三种不同的机器学习模型可以预测产量位点以及 该描述符在通用性和复杂性之间进行折衷，并且基于方向空间的近似等距离散化。我们证明了它能够捕获各种立方-斜方结构之间的结构-性能关系及其由屈服函数 Yld2004-18p 表示的各向异性塑性行为。使用描述符训练的三种不同的机器学习模型可以预测产量位点以及 该描述符在通用性和复杂性之间进行折衷，并且基于方向空间的近似等距离散化。我们证明了它能够捕获各种立方-斜方结构之间的结构-性能关系及其由屈服函数 Yld2004-18p 表示的各向异性塑性行为。使用描述符训练的三种不同的机器学习模型可以预测产量位点以及r - 具有足够精度的看不见的微观结构的值。该描述符允许明确考虑晶体结构，为微观结构敏感的数据驱动的本构建模提供了途径。