[論文レビュー] Machine learning enabled surrogate crystal plasticity model for spatially resolved 3D orientation evolution under uniaxial tension

Anup Pandey, Reeju Pokharel|arXiv (Cornell University)|May 3, 2020

Machine Learning in Materials Science参考文献 8被引用数 11

ひとこと要約

本論文では、立方晶銅における単軸引張試験下での三次元多結晶組織の空間的に分解能のある進化を、結晶塑性高速フーリエ変換（CPFFT）シミュレーションと同等の精度で予測できる、長短期記憶（LSTM）ニューラルネットワークの代替モデルを提示する。このモデルは、計算コストがCPFFTシミュレーションと比較して最大で数個のオーダー速く、合成された三次元組織データで学習され、実験的に測定された高エネルギーX線回折微視鏡（HEDM）データにも一般化可能である。これにより、反復的収束ステップを必要とせず、複雑な三次元組織における粒の再配向を高速かつ高精度に予測できる。

ABSTRACT

We present a novel machine learning based surrogate modeling method for predicting spatially resolved 3D microstructure evolution of polycrystalline materials under uniaxial tensile loading. Our approach is orders of magnitude faster than the existing crystal plasticity methods enabling the simulation of large volumes that would be otherwise computationally prohibitive. This work is a major step beyond existing ML-based modeling results, which have been limited to either 2D structures or only providing average, rather than local, predictions. We demonstrate the speed and accuracy of our surrogate model approach on experimentally measured microstructure from high-energy X-ray diffraction microscopy of a face-centered cubic copper sample, undergoing tensile deformation.

研究の動機と目的

• 単軸引張試験下における多結晶材料の三次元空間的分解能のある組織進化を、高速かつ高精度に予測する代替モデルの開発。
• 大容量・高分解能の三次元組織に対して、従来の結晶塑性有限要素法やFFTベースのシミュレーションでは計算が非現実的であるという課題の克服。
• CPシミュレーションが遅いため、ビームタイム制限のある実験においてリアルタイムフィードバックを可能にするために、遅いCPシミュレーションの代わりに高速な機械学習推論を導入。
• 訓練データに局所的近接相互作用を組み込むことで、任意の三次元多結晶組織に一般化可能なモデルの構築。
• 高エネルギーX線回折微視鏡（HEDM）から得られた実験的三次元組織データに対して、代替モデルの妥当性を検証。

提案手法

• 長短期記憶（LSTM）再帰的ニューラルネットワークを用いて、単軸引張試験下で1つのひずみステップから次のステップへの三次元粒の方位の進化を予測するように学習。
• 訓練データは、面心立方銅のパラメータをキャリブレーション済みの結晶塑性高速フーリエ変換（CPFFT）モデルを用いて生成。
• 各ボクセルの方位進化を、三次元組織内でのその近接領域に基づいて符号化することで、モデルが局所的マイクロ構造的相互作用を学習。
• LSTMは連続するひずみステップを処理し、三次元体積全体における結晶学的方位の時間的進化を捉える。
• 合成データおよび実験的に再構築されたHEDM組織に対するCPFFTシミュレーションとの比較により、モデルの妥当性を検証。
• 転移学習および再訓練技術を用いて、新しい実験データセットにモデルを適応させ、実世界データへの一般化性能を向上。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの代替モデルは、CPFFTシミュレーションと同等の精度で、多結晶金属の三次元空間的分解能のある粒再配向を予測できるか？
• RQ2 合成データで学習したモデルが、HEDMから得られた実験的三次元組織に一般化する際の性能はいかがなっているか？
• RQ3 局所的マイクロ構造進化の忠実度を保持しつつ、計算コストをどの程度削減できるか？
• RQ4 各ひずみステップごとに明示的な数値反復を必要とせずに、粒とその局所的近接領域間の複雑な非線形相互作用を捉えることができるか？
• RQ5 特に準粒界分解能において、CPFFTの基準値と比較した方位誤差の予測精度はどの程度か？

主な発見

• LSTM代替モデルは、1%および2%のひずみステップにおいて、97%以上のボクセルでCPFFTシミュレーションと5°以内の予測精度を達成し、平均誤差は約1°であった。
• 従来のCPFFTシミュレーションと比較して、計算時間を数個のオーダー短縮でき、大規模な三次元組織の迅速なシミュレーションが可能になった。
• 合成データから得た学習データから実験的三次元組織（HEDM）への一般化が効果的に実現され、実データへの適合性が確認された。
• 各ひずみステップで反復的収束ステップを必要とせず、空間的・時間的分解能のある三次元方位進化を正確に予測できた。
• 異なるひずみステップおよびマイクロ構造的形状に対しても、モデルの性能が安定しており、強力な一般化能力を示した。
• 本フレームワークは、ひずみや応力といった追加のマイクロメカニカル場の予測に拡張可能であり、再訓練によりさまざまな荷重条件に適応可能である。