[논문 리뷰] Learning crystal plasticity using digital image correlation: Examples from discrete dislocation dynamics

Stefanos Papanikolaou, Michail Tzimas외 2명|arXiv (Cornell University)|2017. 09. 24.

Microstructure and mechanical properties참고 문헌 16인용 수 6

한 줄 요약

이 논문은 결정성 박막에서 사전 플라스틱 변형을 탐지하기 위해 이산 결정자 동역학 시뮬레이션에서 유도된 디지털 영상 관련(DIC) 데이터를 사용하는 기계학습 프레임워크를 제안한다. 주성분 분석과 군집화(CkNN)를 적용하여 0.5 μm 이상의 폭을 가진 박막과 0.5 % 이하의 재하 하중에서 변형력이 작용할 경우 변형력 역사를 성공적으로 분류하였으며, 이는 저변형 실험 프로토콜에 대한 실현 가능성을 보여준다.

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.

연구 동기 및 목표

• 기계학습 기법을 사용해 DIC 유사 데이터를 활용해 결정성 박막의 사전 플라스틱 변형을 탐지할 수 있는지 확인하는 것.
• 플라스티시티 체적 효과와 확률적 성향이 분류 성능에 미치는 영향을 평가하는 것.
• DIC 기반 변형력 역사 탐지가 기계학습으로 성공하기 위한 조건을 규명하는 것.
• DIC 시험에서의 변형률 수준이 변형 분류 성공에 미치는 영향을 평가하는 것.
• 주성분 분석(PCA), 군집화, 차원 감소 기법이 시뮬레이션된 DIC 변형률 필드에 어떻게 적용 가능한지 탐색하는 것.

제안 방법

• 단일 및 이중 슬립 박막의 2차원 이산 결정자 동역학(DDD) 시뮬레이션에서 유도된 시뮬레이션 DIC 데이터를 생성한다.
• DDD 시뮬레이션의 변형 상관 패턴의 차원을 줄이기 위해 주성분 분석(PCA)을 적용한다.
• 이전 변형력 역사를 기반으로 샘플을 분류하기 위해 CkNN 군집 알고리즘을 사용한다.
• 효율적인 구조-성능 관계 모델링을 위해 물질 지식 시스템(MKS)과 PyMKS를 활용한다.
• 계산 효율성과 견고성 향상을 위해 PCA와 비교하기 위해 TSVD 및 IPCA와 같은 대체 차원 감소 방법을 평가한다.
• 체적 효과와 실험적 실현 가능성을 평가하기 위해 다양한 박막 폭과 재하 하중 수준에서 분석을 수행한다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 사용해 시뮬레이션된 DIC 데이터를 활용해 결정성 박막의 사전 플라스틱 변형을 정확하게 분류할 수 있는가?
• RQ2 플라스티시티 체적 효과와 시스템의 확률적 성향은 변형 분류 성능에 어떤 영향을 미치는가?
• RQ3 사전 변형 탐지에 실패하는 임계 재하 하중 변형률 임계값은 무엇인가?
• RQ4 PCA, TSVD, IPCA와 같은 다양한 차원 감소 기법은 분류에 관련된 특징을 얼마나 잘 유지하는가?
• RQ5 신뢰할 수 있는 사전 플라스틱 변형 탐지에 필요한 최소 박막 폭 및 변형률 범위는 무엇인가?

주요 결과

• PCA와 CkNN 군집화를 사용해 0.5 μm 이상의 폭을 가진 박막에서 사전 플라스틱 변형을 성공적으로 분류하였다.
• 재하 하중이 0.5 %를 초과하면 분류 성능이 크게 악화되었으며, 1 % 변형률에서는 실패가 관찰되었다.
• 낮은 재하 하중인 0.1 %일 경우 높은 분류 정확도를 달성하여 저변형 실험 프로토콜의 실현 가능성을 시사한다.
• 작은 시스템에서의 체적 효과와 내재된 균열 소음은 분산을 증가시켜 작은 박막에서는 분류를 더 어렵게 만든다.
• 대체 차원 감소 방법(TSVD, IPCA)은 PCA와 유사한 결과를 도출하였으며, 군집 위치와 분산에 약간의 차이가 있었다.
• 본 연구는 시스템 크기, 변형률 수준, 분류 성공 여부 사이의 임계 상충관계를 규명하였으며, DIC 기반 변형력 역사 탐지의 운영 한계를 부각시켰다.