[論文レビュー] Learning crystal plasticity using digital image correlation: Examples from discrete dislocation dynamics

Stefanos Papanikolaou, Michail Tzimas+2 more|arXiv (Cornell University)|Sep 24, 2017

Microstructure and mechanical properties参考文献 16被引用数 6

ひとこと要約

本論文は、結晶性薄膜における事前の塑性変形を検出するための機械学習フレームワークを提案する。このフレームワークは、離散的不純性動力学（DDD）シミュレーションからのデジタル画像相関（DIC）データを用い、主成分分析（PCA）およびクラスタリング（CkNN）を適用することで、0.5 μmより広い薄膜および0.5 %未満の再加荷ひずみ条件下で変形歴を正確に分類することに成功した。これは、低ひずみ実験プロトコルにおける実現可能性を示している。

ABSTRACT

Digital image correlation (DIC) is a well-established, non-invasive technique for tracking and quantifying the deformation of mechanical samples under strain. While it provides an obvious way to observe incremental and aggregate displacement information, it seems likely that DIC data sets, which after all reflect the spatially-resolved response of a microstructure to loads, contain much richer information than has generally been extracted from them. In this paper, we demonstrate a machine-learning approach to quantifying the prior deformation history of a crystalline sample based on its response to a subsequent DIC test. This prior deformation history is encoded in the microstructure through the inhomogeneity of the dislocation microstructure, and in the spatial correlations of the dislocation patterns, which mediate the system's response to the DIC test load. Our domain consists of deformed crystalline thin films generated by a discrete dislocation plasticity simulation. We explore the range of applicability of machine learning (ML) for typical experimental protocols, and as a function of possible size effects and stochasticity. Plasticity size effects may directly influence the data, rendering unsupervised techniques unable to distinguish different plasticity regimes.

研究の動機と目的

• 機械学習がDICに類似したデータを用いて、結晶性薄膜における事前の塑性変形を検出できるかを検証すること。
• 塑性のサイズ効果および系の確率的性質が分類性能に与える影響を評価すること。
• DICベースの変形歴検出が機械学習を用いて実現可能な条件を特定すること。
• DIC試験におけるひずみレベルが変形分類の成功に与える影響を評価すること。
• 主成分分析（PCA）、クラスタリング、次元削減技術が、シミュレートされたDICひずみ場にどのように適用可能かを検討すること。

提案手法

• 2次元離散的不純性動力学（DDD）シミュレーションを用いて、単スリップおよび二スリップ薄膜のシミュレートされたDICデータを生成する。
• DDDシミュレーションからのひずみ相関パターンの次元削減のため、主成分分析（PCA）を適用する。
• CkNNクラスタリングアルゴリズムを用いて、過去の変形歴に基づいてサンプルを分類する。
• フレームワークは、物質知識システム（MKS）およびPyMKSを活用し、構造-性質関係の効率的モデリングを実現する。
• PCAの代替として、TSVDおよびIPCAを用い、ロバストネスおよび計算効率を比較する。
• サイズ効果および実験的妥当性の評価を目的として、膜の幅および再加荷ひずみレベルを変化させた分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術は、シミュレートされたDICデータを用いて、結晶性薄膜における事前の塑性変形を正確に分類できるか？
• RQ2 塑性のサイズ効果および系の確率的性質は、変形分類の性能にどのように影響するか？
• RQ3 事前の変形検出が失敗するようになる再加荷ひずみの臨界閾値は何か？
• RQ4 PCA、TSVD、IPCAといった異なる次元削減手法は、分類に重要な特徴をどの程度保持しているか、どのように比較されるか？
• RQ5 信頼性のある事前の塑性変形検出に必要な最小膜幅およびひずみ範囲は何か？

主な発見

• PCAとCkNNクラスタリングを用いることで、0.5 μmより広い薄膜において、事前の塑性変形を成功裏に分類できた。
• 再加荷ひずみが0.5 %を超えると分類性能が著しく低下し、1 %のひずみでは失敗が観察された。
• 低ひずみ（0.1 %）条件下では高い分類精度を達成しており、低ひずみ実験プロトコルの実現可能性を示している。
• 小さな系における固有のクラッキングノイズとサイズ効果が分散を増加させ、小さな薄膜では分類がより困難になる。
• TSVDおよびIPCAといった代替の次元削減手法はPCAと同等の結果を示し、クラスタの位置および分散にわずかな差異が生じるにとどまった。
• 本研究は、系のサイズ、ひずみレベル、分類成功の間の重要なトレードオフを特定し、DICベースの変形歴検出の運用限界を強調した。