[论文解读] Machine learning enabled surrogate crystal plasticity model for spatially resolved 3D orientation evolution under uniaxial tension

Anup Pandey, Reeju Pokharel|arXiv (Cornell University)|May 3, 2020

Machine Learning in Materials Science参考文献 8被引用 11

一句话总结

本文提出了一种基于长短期记忆（LSTM）神经网络的代理模型，能够以与晶体塑性快速傅里叶变换（CPFFT）模拟相当的精度，预测单轴拉伸下多晶铜的三维空间分辨微结构演化，且速度提升达数个数量级。该模型在合成的三维微结构数据上进行训练，并可泛化至实验测得的高能X射线衍射显微术（HEDM）数据，实现无需迭代收敛步骤的复杂三维微结构中晶粒取向重取向的快速、高保真预测。

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.

研究动机与目标

• 开发一种快速、准确的代理模型，用于预测多晶材料在单轴拉伸下三维空间分辨的微结构演化。
• 克服传统晶体塑性有限元或基于FFT的模拟在大体积、高分辨率微结构中计算不可行的问题。
• 通过用快速机器学习推理替代缓慢的CP模拟，实现实验束时受限实验中的实时反馈。
• 通过在训练数据中编码局部邻域相互作用，使模型能够泛化至任意三维多晶微结构。
• 在高能X射线衍射显微术（HEDM）实验测得的三维微结构上验证代理模型。

提出的方法

• 训练一种长短期记忆（LSTM）循环神经网络，以在单轴拉伸下从一个应变步预测到下一个应变步的三维晶粒取向演化。
• 训练数据通过使用面心立方铜的标定参数的晶体塑性快速傅里叶变换（CPFFT）模型生成。
• 通过基于三维微结构中每个体素的邻近区域编码其取向演化，使模型学习局部微结构相互作用。
• LSTM处理连续的应变步，捕捉三维体积分中晶体取向的时序演化。
• 通过将模型预测与CPFFT模拟在合成数据和实验重建的HEDM微结构上的结果进行对比，对模型进行验证。
• 应用迁移学习和微调技术，将模型适配至新的实验数据集，提升其对真实世界数据的泛化能力。

实验结果

研究问题

• RQ1 深度学习代理模型能否以与CPFFT模拟相当的精度，预测多晶金属中三维空间分辨的晶粒重取向？
• RQ2 当模型从合成训练数据泛化至HEDM测得的实验三维微结构时，LSTM模型表现如何？
• RQ3 该模型在保留局部微结构演化保真度的同时，能在多大程度上降低计算成本？
• RQ4 该模型是否能在无需每个应变步进行显式数值迭代的情况下，捕捉晶粒及其局部邻域之间的复杂非线性相互作用？
• RQ5 在亚晶粒分辨率下，该模型相对于CPFFT真实值的取向误差预测精度如何？

主要发现

• LSTM代理模型在1%和2%应变步下，对超过97%的体素预测精度在5°以内，平均误差约为1°。
• 与传统CPFFT模拟相比，该模型将计算时间减少了数个数量级，实现了大规模三维微结构的快速模拟。
• 该模型在实验测得的HEDM三维微结构上表现出有效的泛化能力，证明了从合成数据到真实数据的可迁移性。
• 该模型无需在每个应变步进行迭代收敛，即可成功预测空间和时间分辨的三维取向演化。
• 该模型在不同应变步和微结构形态下表现稳健，表明其具备强大的泛化能力。
• 该框架可扩展用于预测额外的微力学场（如应变和应力），并通过微调适应各种加载条件。