[論文レビュー] Inference and Prediction of Nanoindentation Response in FCC Crystals: Methods and Discrete Dislocation Simulation Examples

Michail Tzimas, John G. Michopoulos+3 more|arXiv (Cornell University)|Oct 16, 2019

Metal and Thin Film Mechanics参考文献 47被引用数 5

ひとこと要約

本研究では、FCC単結晶における事前存在するミクロ的欠陥密度と結晶方位を、離散的ミクロ的欠陥ダイナミクス（DDD）シミュレーションを用いてナノインデンテーション応答に結びつける機械学習ベースのフレームワークを提案する。力-深さ曲線および表面変位画像の分類により、実験データと定量的に整合する局所的機械的性質の統計的予測が可能となる。

ABSTRACT

Nanoindentation, a common technique for probing the mechanical properties of crystalline materials, exhibits both surface and bulk-dominated responses that are linked to the parent crystal's elasticity and plasticity. For FCC crystals, the nanoindentation response is primarily controlled by the indented-grain's crystalline orientation and dislocation density. However, the indentation properties, such as hardness, have ambiguous significance at the nanoscale due to tip-specific size effects. Through extensive discrete dislocation dynamics simulations of flat-punch nanoindentation on FCC single crystals, we show that a one-to-one correspondence between an indented location and the pre-existing dislocation density is possible with the help of statistical, machine-learning algorithms. We cluster and classify various experimentally plausible ensembles with varying dislocation density and/or crystalline orientation, using nanoindentation force-depth curves or post-indent surface displacement images. We use this classification to statistically predict the nanoindentation response of a given location, through the average response of classified load-displacement curves. In addition, we demonstrate that our simulation results qualitatively agree with experimental data on common FCC single crystals. Ultimately, we propose a novel pathway to uncover the depth dependence of local surface material properties for more complete, non-destructive, microstructural characterization, through nanoindentation.

研究の動機と目的

• ナノインデンテーションにおけるチップ固有のサイズ効果に起因するナノスケール硬度測定の曖昧さを解消すること。
• FCC結晶における局所的マイクロ構造（欠陥密度および結晶方位）とナノインデンテーション応答との間の一対一対応を確立すること。
• シミュレートされたナノインデンテーションデータに基づく機械学習を用いた、局所的機械的性質の統計的予測フレームワークを開発すること。
• シミュレーションベースの予測を、一般的なFCC単結晶における実験データと照合して検証すること。
• ナノインデンテーションを用いた深さ方向に分解能を有する非破壊的マイクロ構造特徴化を可能にすること。

提案手法

• 異なる欠陥密度および結晶学的方位を有するFCC単結晶に対して、離散的ミクロ的欠陥ダイナミクス（DDD）を用いた平板パンチナノインデンテーションシミュレーションを実施する。
• 機械学習分類の入力特徴として、力-深さ曲線およびインデンテーション後の表面変位画像を生成する。
• 統計的手法および機械学習アルゴリズムを用いて、マイクロ構造パラメータに基づいてシミュレーション集合をクラスタリングおよび分類する。
• 分類されたクラスタを用いて、特定の位置における平均ナノインデンテーション応答（例：硬さ、スティフネス）を予測する。
• シミュレートされたデータを用いて予測モデルをキャリブレーションし、FCC材料における実験的ナノインデンテーション傾向と照合して検証する。
• ナノインデンテーション信号から局所的材料特性を深さ依存的に推論するパイプラインを構築する。

実験結果

リサーチクエスチョン

• RQ1 FCC結晶において、局所的欠陥密度および結晶方位とその結果生じるナノインデンテーション応答との間で、一対一の対応を確立できるか？
• RQ2 機械学習は、マイクロ構造アンサンブルに基づいてナノインデンテーション力-深さ曲線をどの程度正確に分類・予測できるか？
• RQ3 シミュレートされたナノインデンテーション応答は、FCC単結晶で実験的に観察された傾向をどの程度正確に再現するか？
• RQ4 提案手法により、深さ方向に分解能を有する非破壊的局所的機械的性質の特徴化が可能になるか？
• RQ5 表面変位画像の統計的分類が、局所的材料挙動の予測精度を向上させる役割を果たすか？

主な発見

• 機械学習による分類を用いることで、局所的マイクロ構造（欠陥密度および結晶方位）とナノインデンテーション応答との間の一対一対応が達成可能である。
• 分類されたマイクロ構造アンサンブルからの平均荷重-変位曲線を用いることで、ナノインデンテーション応答の統計的予測が可能となる。
• シミュレートされたナノインデンテーション応答は、一般的なFCC単結晶における実験的データと定性的に一致する。
• インデンテーション後の表面変位画像は、シミュレーションフレームワーク内でのマイクロ構造状態の分類に有効な特徴量として機能する。
• 本手法は、結晶性材料における非破壊的かつ深さ方向に分解能を有する局所的材料特性の特徴化のための新規な道筋を提供する。
• 本フレームワークは、多結晶および不均質材料におけるナノインデンテーションとマイクロ構造推論の統合の可能性を示している。