[论文解读] Inference and Prediction of Nanoindentation Response in FCC Crystals: Methods and Discrete Dislocation Simulation Examples

Michail Tzimas, John G. Michopoulos+3 more|arXiv (Cornell University)|Oct 16, 2019

Metal and Thin Film Mechanics参考文献 47被引用 5

一句话总结

本研究提出了一种基于机器学习的框架，利用离散位错动力学模拟，将面心立方（FCC）单晶中预先存在的位错密度和晶粒取向与纳米压痕响应关联起来。通过分类力-压深曲线和表面位移图像，该方法实现了对局部力学性能的统计预测，并与实验数据具有定量一致性。

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.

研究动机与目标

• 解决纳米压痕中由于压头特异性尺寸效应导致的纳米硬度测量模糊性问题。
• 在FCC晶体中建立局部显微结构（位错密度和晶粒取向）与纳米压痕响应之间的一一对应关系。
• 基于模拟的纳米压痕数据，利用机器学习开发局部力学性能的统计预测框架。
• 通过常见FCC单晶的实验数据验证基于模拟的预测结果。
• 通过纳米压痕实现深度分辨、非破坏性的局部显微结构表征。

提出的方法

• 在具有不同位错密度和晶体学取向的FCC单晶上，采用离散位错动力学（DDD）方法进行平面冲头纳米压痕模拟。
• 将力-压深曲线和压痕后的表面位移图像作为机器学习分类的输入特征。
• 应用统计与机器学习算法，根据显微结构参数对模拟集合进行聚类和分类。
• 利用分类后的聚类结果，预测给定位置的平均纳米压痕响应（如硬度、刚度）。
• 使用模拟数据校准预测模型，并与FCC材料中实验观测的纳米压痕趋势进行验证。
• 建立基于深度的推理流程，从纳米压痕信号推断局部材料性能。

实验结果

研究问题

• RQ1 是否可以在FCC晶体中建立局部位错密度和晶粒取向与纳米压痕响应之间的一一对应关系？
• RQ2 机器学习在多大程度上能够基于显微结构集合对纳米压痕力-压深曲线进行分类和预测？
• RQ3 模拟的纳米压痕响应在多大程度上再现了FCC单晶中实验观测到的趋势？
• RQ4 所提出的方法是否能够实现深度分辨、非破坏性的局部力学性能表征？
• RQ5 对表面位移图像进行统计分类在多大程度上提升了局部材料行为预测的准确性？

主要发现

• 通过机器学习分类，可实现局部显微结构（位错密度和晶粒取向）与纳米压痕响应之间的一一对应关系。
• 该方法可利用分类后的显微结构集合的平均载荷-位移曲线，实现对纳米压痕响应的统计预测。
• 模拟的纳米压痕响应与常见FCC单晶的实验数据在定性上具有一致性。
• 压痕后的表面位移图像作为有效特征，在模拟框架中可用于分类显微结构状态。
• 该方法为晶体材料中局部材料性能的非破坏性、深度分辨表征提供了新途径。
• 该框架展示了将纳米压痕与多晶及异质材料中显微结构推断相结合的潜力。