[논문 리뷰] Machine learning enabled surrogate crystal plasticity model for spatially resolved 3D orientation evolution under uniaxial tension

Anup Pandey, Reeju Pokharel|arXiv (Cornell University)|2020. 05. 03.

Machine Learning in Materials Science참고 문헌 8인용 수 11

한 줄 요약

이 논문은 단결정 구리의 축방향 인장 하에서 3차원 다결정 미세구조의 공간적으로 분포된 진화를 예측하는 장단기 기억(LSTM) 신경망 대체 모델을 제시한다. 이 모델은 결정성형학적 빠른 푸리에 변환(CPFFT) 시뮬레이션 수준의 정확도를 확보하면서도, 최대 수개의 순서만큼 더 빠른 속도로 작동한다. 모델은 합성 3차원 미세구조 데이터로 훈련되었으며, 고에너지 X선 衍射 현미경(HEDM)으로 측정된 실험 데이터로도 일반화 가능하여, 반복 수렴 단계 없이도 복잡한 3차원 미세구조에서의 결정립 재정렬을 빠르고 정밀하게 예측할 수 있다.

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.

연구 동기 및 목표

• 축방향 인장 하에서 다결정 재료의 3차원 공간적으로 분포된 미세구조 진화를 신속하고 정확하게 예측할 수 있는 대체 모델을 개발한다.
• 대용적이고 고해상도의 대규모 미세구조에 대해 기존의 결정성형학적 유한요소법 또는 FFT 기반 시뮬레이션의 계산 불가능성을 해결한다.
• 빔타임 제한이 있는 실험에서 실시간 피드백을 가능하게 하기 위해 느린 CP 시뮬레이션을 신속한 머신러닝 추론으로 대체한다.
• 훈련 데이터에 국소적 이웃 상호작용을 포함시켜, 임의의 3차원 다결정 미세구조로 일반화 가능한 모델을 설계한다.
• 고에너지 X선 衍射 현미경(HEDM)으로 측정된 실험적 3차원 미세구조에서 대체 모델의 정확성을 검증한다.

제안 방법

• 장단기 기억(LSTM) 순환 신경망을 사용하여 축방향 인장 하에서 한 번의 변형 단계에서 다음 단계로의 3차원 결정립 방향 진화를 예측하도록 훈련한다.
• 면심립정구조(Cu)의 캘리브레이션된 파rameter를 사용한 결정성형학적 빠른 푸리에 변환(CPFFT) 모델을 사용하여 훈련 데이터를 생성한다.
• 모델은 3차원 미세구조에서 각 볼록체의 방향 변화를 그 주변 이웃의 영향을 기반으로 인코딩함으로써 국소적 미세구조 상호작용을 학습한다.
• LSTM은 순차적인 변형 단계를 처리하여 3차원 체적 내에서 결정학적 방향의 시간적 진화를 포착한다.
• 모델의 정확성을 검증하기 위해 합성 및 실험적으로 복원된 HEDM 미세구조에서 CPFFT 시뮬레이션과의 예측 결과를 비교한다.
• 이식 학습 및 재훈련 기법을 적용하여 새로운 실험 데이터셋에 모델을 적응시켜 실제 데이터로의 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 대체 모델은 결정성형학적 빠른 푸리에 변환(CPFFT) 시뮬레이션 수준의 정확도로 다결정 금속의 3차원 공간적으로 분포된 결정립 재정렬을 예측할 수 있는가?
• RQ2 합성 훈련 데이터에서 시작하여 고에너지 X선 衍射 현미경(HEDM)으로 측정된 실험적 3차원 미세구조로 일반화할 때 LSTM 기반 모델의 성능은 어떠한가?
• RQ3 국소적 미세구조 진화 예측의 정밀도를 유지하면서 계산 비용은 얼마나 감소하는가?
• RQ4 각 변형 단계에서 수치적 반복 수렴을 수행하지 않고도, 결정립과 그 국소적 이웃 간의 복잡한 비선형 상호작용을 모델이 포착할 수 있는가?
• RQ5 특히 미세구조 해상도 이하에서 CPFFT 기준값 대비 방향 오차 측면에서 모델의 예측 정확도는 어떠한가?

주요 결과

• LSTM 대체 모델은 1% 및 2% 변형 단계에서 97% 이상의 볼록체에서 CPFFT 시뮬레이션과 5° 이내의 정확도를 확보하며, 평균 오차는 약 1°이다.
• 기존의 CPFFT 시뮬레이션 대비 계산 시간을 수개의 순서만큼 감소시켜 대규모 3차원 미세구조의 신속한 시뮬레이션을 가능하게 한다.
• 합성 데이터에서 훈련된 모델이 실험적으로 측정된 HEDM 3차원 미세구조로 효과적으로 일반화되어, 합성 데이터에서 실세계 데이터로의 이식 가능성을 입증한다.
• 각 변형 단계에서 반복 수렴 단계 없이도 공간적·시간적으로 분포된 3차원 방향 진화를 성공적으로 예측한다.
• 다양한 변형 단계와 미세구조 형태에 걸쳐 모델 성능이 안정적이며, 강력한 일반화 능력을 보인다.
• 이 프레임워크는 재료의 변형 및 응력과 같은 추가적인 마이크로기계적 필드를 예측할 수 있도록 확장 가능하며, 재훈련을 통해 다양한 하중 조건에 적응할 수 있다.