[论文解读] Learning crystal plasticity using digital image correlation: Examples from discrete dislocation dynamics

Stefanos Papanikolaou, Michail Tzimas+2 more|arXiv (Cornell University)|Sep 24, 2017

Microstructure and mechanical properties参考文献 16被引用 6

一句话总结

本文提出了一种机器学习框架，利用来自离散位错动力学模拟的数字图像相关（DIC）数据，检测晶体薄膜中的先前塑性变形。通过应用主成分分析和聚类（CkNN），该方法成功分类了宽度大于0.5 μm且重加载应变低于0.5 %的薄膜的变形历史，证明了其在低应变实验协议中的可行性。

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.

研究动机与目标

• 确定机器学习是否能利用类似DIC的数据检测晶体薄膜中的先前塑性变形。
• 评估塑性尺寸效应和系统随机性对分类性能的影响。
• 确定基于DIC的变形历史检测在何种条件下可通过机器学习实现。
• 评估DIC测试应变水平对变形分类成功的影响。
• 探索主成分分析（PCA）、聚类和降维技术在模拟DIC应变场中的适用性。

提出的方法

• 从单滑移和双滑移薄膜的二维离散位错动力学（DDD）模拟中生成模拟DIC数据。
• 应用主成分分析（PCA）以降低DDD模拟中应变相关模式的维度。
• 使用CkNN聚类算法根据其先前的变形历史对样本进行分类。
• 该框架利用材料知识系统（MKS）和PyMKS，实现高效的结构-性能关系建模。
• 将TSVD和IPCA等替代降维方法与PCA进行比较，以评估其鲁棒性和计算效率。
• 通过改变薄膜宽度和重加载应变水平，分析系统以评估尺寸效应和实验可行性。

实验结果

研究问题

• RQ1 机器学习技术能否利用模拟DIC数据准确分类晶体薄膜中的先前塑性变形？
• RQ2 塑性尺寸效应和系统随机性如何影响变形分类的性能？
• RQ3 在什么重加载应变阈值以上，先前塑性变形检测会失效？
• RQ4 不同降维技术（PCA、TSVD、IPCA）在保留分类相关特征方面的表现如何比较？
• RQ5 可靠检测先前塑性变形所需的最小薄膜宽度和应变范围是多少？

主要发现

• 该方法利用PCA和CkNN聚类成功分类了宽度大于0.5 μm的薄膜中的先前塑性变形。
• 当重加载应变超过0.5 %时，分类性能显著下降，在1 %应变时已观察到失败。
• 在低重加载应变0.1 %时，该方法实现了高分类准确率，表明其适用于低应变实验协议。
• 小尺寸系统中的尺寸效应和固有的裂纹噪声增加了方差，使小薄膜的分类更加困难。
• 替代降维方法（TSVD、IPCA）的结果与PCA相当，仅在聚类位置和方差上存在微小差异。
• 本研究识别出系统尺寸、应变水平与分类成功率之间的关键权衡，突出了基于DIC的变形历史检测的操作极限。