[논문 리뷰] Inference and Prediction of Nanoindentation Response in FCC Crystals: Methods and Discrete Dislocation Simulation Examples

Michail Tzimas, John G. Michopoulos외 3명|arXiv (Cornell University)|2019. 10. 16.

Metal and Thin Film Mechanics참고 문헌 47인용 수 5

한 줄 요약

이 연구는 FCC 단일결정에서 사전 존재하는 비틀림 밀도와 결정학적 정렬을 나노인덴테이션 반응과 연결하는 기계학습 기반 프레임워크를 제안한다. 이는 이산 비틀림 동역학 시뮬레이션을 기반으로 하며, 힘-깊이 곡선과 표면 이동도 이미지를 분류함으로써 국소 기계적 성질에 대한 통계적 예측을 가능하게 하며, 실험 데이터와 정량적 일치를 보인다.

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.

연구 동기 및 목표

• 나노인덴테이션에서 툴 특이적 크기 효과로 인한 나노스케일 경도 측정의 모호성을 해결하기 위해.
• FCC 결정에서 국소 미세구조(비틀림 밀도 및 결정학적 정렬)와 나노인덴테이션 반응 간의 일대일 매핑을 수립하기 위해.
• 시뮬레이션된 나노인덴테이션 데이터를 기반으로 기계학습을 활용한 국소 기계적 성질에 대한 통계적 예측 프레임워크를 개발하기 위해.
• 시뮬레이션 기반 예측을 일반 FCC 단일결정의 실험 데이터와 대조하여 검증하기 위해.
• 나노인덴테이션을 통해 깊이 해상도를 갖춘 비파괴적 국소 미세구조 분석을 가능하게 하기 위해.

제안 방법

• 다양한 비틀림 밀도와 결정학적 정렬을 가진 FCC 단일결정에서 이산 비틀림 동역학(DDD)을 사용해 평판 편두 나노인덴테이션 시뮬레이션을 수행하기 위해.
• 기계학습 분류의 입력 특징으로서 힘-깊이 곡선과 인덴테이션 후 표면 이동도 이미지를 생성하기 위해.
• 통계적 및 기계학습 알고리즘을 적용하여 미세구조 매개변수 기반의 시뮬레이션 집단을 군집화하고 분류하기 위해.
• 분류된 군집을 사용하여 특정 위치에 대한 평균 나노인덴테이션 반응(예: 경도, 스티프니스)을 예측하기 위해.
• 시뮬레이션 데이터를 사용해 예측 모델을 校정하고, FCC 재료에서의 실험적 나노인덴테이션 경향과 대조하여 검증하기 위해.
• 나노인덴테이션 신호로부터 국소 재료 성질에 대한 깊이 의존 추론 파이프라인 수립하기 위해.

실험 결과

연구 질문

• RQ1 FCC 결정에서 국소 비틀림 밀도와 결정학적 정렬과 그에 따른 나노인덴테이션 반응 간 일대일 매핑을 수립할 수 있는가?
• RQ2 기계학습은 미세구조 집합 기반으로 나노인덴테이션 힘-깊이 곡선을 얼마나 잘 분류하고 예측할 수 있는가?
• RQ3 시뮬레이션된 나노인덴테이션 반응은 일반 FCC 단일결정에서 실험적으로 관찰된 경향을 어느 정도 잘 재현하는가?
• RQ4 제안된 방법은 깊이 해상도를 갖춘 비파괴적 국소 기계적 성질 분석을 가능하게 하는가?
• RQ5 표면 이동도 이미지의 통계적 분류가 국소 재료 거동 예측 정확도 향상에 어떤 역할을 하는가?

주요 결과

• 기계학습 분류를 통해 국소 미세구조(비틀림 밀도 및 결정학적 정렬)와 나노인덴테이션 반응 간 일대일 매핑이 가능하다.
• 분류된 미세구조 집합의 평균 하중-변위 곡선을 사용해 나노인덴테이션 반응에 대한 통계적 예측이 가능하다.
• 시뮬레이션된 나노인덴테이션 반응은 일반 FCC 단일결정의 실험 데이터와 정성적으로 일치한다.
• 인덴테이션 후 표면 이동도 이미지는 시뮬레이션 프레임워크 내에서 미세구조 상태를 분류하는 효과적인 특징로 기능한다.
• 이 방법은 결정성 재료에서 비파괴적, 깊이 해상도를 갖춘 국소 재료 성질 분석을 위한 새로운 길을 제시한다.
• 이 프레임워크는 다결정성 및 이질적 재료에서 나노인덴테이션과 미세구조 추론을 통합할 잠재력을 보여준다.