[논문 리뷰] Automated Identification of Slip System Activity Fields from Digital Image Correlation Data

Tijmen Vermeij, R.H.J. Peerlings외 2명|arXiv (Cornell University)|2022. 07. 26.

Orthopedic Infections and Treatments인용 수 4

한 줄 요약

이 논문은 SEM-DIC 변형률 기울기 데이터로부터 자동으로 전체 영역에서의 슬립 시스템 활성도를 식별하는 데 전용인 SSLIP라는 새로운 프레임워크를 제시한다. 각 데이터 포인트에서 측정된 운동학과 이론적 슬립 시스템 운동학을 일치시키기 위해 局소 최적화 문제를 해결함으로써, SSLIP는 이산적, 확산적, 크로스슬립 메커니즘을 고해상도로 식별할 수 있으며, 최대 48개의 슬립 시스템까지 적용 가능하다. 이는 HCP, FCC, BCC 금속에서 높은 정확도로 검증되었으며, 가상 및 실험 사례 연구를 통해 입증되었다.

ABSTRACT

Crystallographic slip system identification methods are widely employed to characterize the fine scale deformation of metals. While powerful, they usually rely on the occurrence of discrete slip bands with clear slip traces and can struggle when complex mechanisms such as cross-slip, curved slip, diffuse slip and/or intersecting slip occur. This paper proposes a novel slip system identification framework, termed SSLIP (for Slip Systems based Local Identification of Plasticity), in which the measured displacement gradient fields (from Digital Image Correlation) are locally matched to the kinematics of one or multiple combined theoretical slip systems, based on the measured crystal orientations. To identify the amounts of slip that conforms to the measured kinematics, an optimization problem is solved for every datapoint individually, resulting in a slip activity field for every considered slip system. The identification framework is demonstrated and validated on an HCP virtual experiment, for discrete and diffuse slip, incorporating 24 slip systems. Experimental case studies on FCC and BCC metals show how full-field identification of discrete slip, diffuse slip and cross-slip becomes feasible, even when considering 48 slip systems for BCC. Moreover, the methodology is extended into a dedicated cross-slip identification method, which directly yields the orientation of the local slip plane trace orientation, purely based on the measured kinematics and on one or two chosen slip directions. For even more challenging cases revealing a persistent uncertainty in the slip identification, a two-step identification approach can be employed, as is demonstrated on a highly challenging HCP virtual experiment.

연구 동기 및 목표

• 이산적 슬립 트레이스에 의존하는 기존 슬립 시스템 식별 방법의 한계를 해결하기 위해, 확산 슬립, 크로스슬립, 곡선 슬립과 같은 복잡한 변형 메커니즘에서 실패하는 문제를 해결한다.
• 시각적으로 식별할 수 없는 슬립 특징(공간 해상도가 제한된 경우)이 있는 상황에서도 다수의 슬립 시스템에 걸쳐 전체 영역에서의 슬립 활성도를 정량화할 수 있는 방법을 개발한다.
• 운동학 데이터에서 직접 국소 슬립 평면 트레이스 방향을 결정함으로써 크로스슬립 식별 능력을 향상시킨다.
• 표준 식별 방법이 과소정의되고 모호해지는 복잡한 슬립 시스템이 중첩된 경우에도 강력한 해결책을 제공한다.
• 3D DIC 및 현장 내 EBSD와 같은 추가 데이터 소스와의 통합을 가능하게 하여 도전적인 실험 조건에서도 정확성과 강건성을 향상시킨다.

제안 방법

• SEM-DIC에서 측정된 변형률 기울기 텐서를 입력으로 사용하며, EBSD로부터 확보한 결정학적 정렬 정보를 바탕으로 후보 슬립 시스템의 이론적 운동학을 정의한다.
• 각 데이터 포인트에서, 측정된 기울기와 예측된 기울기 간의 차이를 최소화하는 방식으로, 각 후보 슬립 시스템의 슬립 활성도(강도)를 결정하기 위한 최적화 문제를 해결한다.
• 최적화는 이론적 슬립 시스템 운동학의 선형 조합에 기반하며, 각 시스템의 슬립 활성도 필드는 각 포인트에서 독립적으로 계산된다.
• 크로스슬립 식별을 위한 전용 확장 모듈을 도입하였으며, 알려진 슬립 방향을 고정하고, 대체 최적화 기반으로 국소 슬립 평면 트레이스 방향을 직접 식별한다.
• 중첩된 슬립 시스템이 존재하는 복잡한 경우, 이중 단계 접근법을 적용한다: 먼저 주로 단일 슬립 영역을 식별한 후, 해당 영역을 기반으로 전체 다중슬립 식별을 수행한다.
• 손실된 데이터(예: 큰 변형 영역)에 대해서도 강건하며, 디지털 높이 상관관계에서 유도된 3D 변형률 기울기 또는 현장 내 EBSD에서의 격자 회전 데이터를 통합하여 확장 가능하다.

실험 결과

연구 질문

• RQ1 기존 방법이 시각적으로 명확한 슬립 트레이스에 의존하기 때문에 실패하는 확산, 중첩, 곡선 슬립이 존재하는 상황에서도 슬립 시스템 활성도를 정확히 식별할 수 있는가?
• RQ2 슬립 평면에 대한 사전 지식 없이도 변형률 기울기 데이터에서 직접 크로스슬립을 식별할 수 있는가?
• RQ3 다수의 슬립 시스템이 동시에 활성화된 경우, 특히 높은 대칭성을 지닌 복잡한 HCP 재료에서 이 방법의 성능은 어떠한가?
• RQ4 3D 변형률 데이터나 격자 회전 정보를 통합함으로써 식별 정확도를 향상시킬 수 있는가?
• RQ5 매우 복잡한 슬립 시나리오에서 과소정의 문제를 해결하기 위해 편향이나 오류를 유발하지 않고 어떻게 처리할 수 있는가?

주요 결과

• SSLIP 프레임워크는 이산적 및 확산 슬립이 존재하는 가상의 HCP 실험에서 최대 24개의 슬립 시스템을 성공적으로 식별하였으며, 추가된 실험 노이즈 조건에서도 높은 정확도를 유지하였다.
• 실험적 FCC 니켈 기반 니켈 합금에서 SSLIP는 이산적 슬립, 확산 슬립, 크로스슬립, 중첩 슬립을 정확히 식별하였으며, 고립된 슬립 밴드를 통한 간접적 검증이 이루어졌다.
• BCC 페라이트 단일결정에서 SSLIP는 48개의 슬립 시스템을 동시에 사용하여 확산 슬립을 정확히 식별하였으며, 이는 고자유도 시스템에서의 방법의 능력을 확인하는 데 기여했다.
• 가상의 HCP 사례에서 전용 크로스슬립 식별 모듈은 국소 슬립 평면 트레이스 방향을 정확히 결정하였으며, 비평행 슬립 평면 기하학을 해석할 수 있음을 검증하였다.
• 4개의 중첩된 슬립 시스템이 존재하는 매우 도전적인 HCP 사례에서, 이중 단계 식별 접근법(먼저 주요 단일슬립 영역 식별)을 통해 정확한 해답을 도출하였으며, 과소정의 최적화의 한계를 극복하였다.
• 손실된 DIC 데이터(예: 큰 변형 영역)에 대해서도 방법이 강건하며, 3D DIC 또는 현장 내 EBSD와 같은 추가 데이터 소스 통합을 통해 정확도를 향상시킬 수 있다.