非晶态聚合物因其优异的力学性能和可加工性，在工程领域具有广泛的应用前景。为确保其在复杂服役环境下的可靠性，必须深入理解并准确表征其温度-应力-应变率耦合作用下的非线性变形行为（包括压缩和拉伸两种典型变形模式）。这类材料表现出典型的黏弹塑性行为，其力学响应受到多物理场（温度场、应力场等）和加载历史的显著影响。然而，由于实验数据的局限性以及传统本构模型对大量假设和待定参数的依赖，基于纯数学形式的本构建模往往面临参数识别困难、计算效率低下等挑战。人工智能尤其是机器学习技术的快速发展，为解决这一难题提供了新思路。其强大的非线性建模能力和数据驱动特性，为材料本构建模开辟了新途径。本研究基于Anand提出的大变形热力耦合黏弹塑性本构理论框架，提出了物理驱动的机器学习（physics-driven machine learning, PD-ML）本构建模方法。具体而言，通过构建前馈神经网络模型，实现了应力状态、塑性变形历史、温度场和应变率与等效塑性应变率之间的非线性映射关系，从而建立了一套新型的本构模型体系。为快速验证所提模型的正确性和有效性，本研究给出了该本构的一维模型，并基于Python平台开发了相应的一维数值实现程序。主要研究成果可归纳如下：

（1）建立融合机器学习与物理原理的非晶态聚合物热力耦合大变形本构模型。针对聚甲基丙烯酸甲酯（polymethylmethacrylate，PMMA），聚碳酸酯（polycarbonate，PC），环烯烃共聚物（cyclo-olefin polymer，Zeonex-690R）三种非晶态聚合物建立了本构模型。该模型严格遵循基本的热力学和聚合物微观结构演化规律，基于有限的一维压缩实验数据进行训练，即可使用本构模型准确捕获非晶态聚合物在广泛温度，应变率范围下的黏弹塑性行为：包括应变率和温度相关的屈服峰；屈服峰出现后的应变软化；由于聚合物链在大应变下的排列，随后的快速应变硬化；大变形下卸载的包辛格效应；塑性耗散导致的温升和软化行为。

（2）实现PD-ML模型与有限元方法的有效联姻。本研究开发了一套 PyTorch-ABAQUS 深度学习与有限元方法结合的框架，将离线训练的前馈神经网络嵌入到材料子程序，可以直接在有限元计算过程中进行神经网络的前馈计算。这不仅继承了机器学习强大的非线性表达能力和准确性，还同时充分发挥了传统有限元计算在多物理场，复杂边界和变形系统的数值模拟优势。

（3）开展复杂边界条件下的本构模型验证。本文使用该本构模型对聚合物在玻璃化转变温度附近的的热压成形，以及室温下的压痕过程进行了模拟，模拟结果与实验相符合，表明模型能够再复杂条件下仍具有较高的准确性和鲁棒性。这一方法也为非晶态聚合物材料的本构建模提供了新的思路。

（4）拓展PD-ML方法在聚合物银纹化行为建模中的应用。针对聚乳酸（PLA 4060D、PLA 3051D）和高抗冲聚苯乙烯（HIPS）三种材料，建立了考虑多轴应力状态的机器学习银纹化本构模型。与传统仅考虑最大主应力的本构模型不同，该模型通过机器学习方法表征银纹应变率行为，成功捕捉了聚合物在拉伸过程中的应力-应变响应和体积变形特征，为聚合物银纹化行为的建模提供了新范式。