[论文解读] Predicting the mechanical response of oligocrystals with deep learning

Ari Frankel, Reese E. Jones+2 more|arXiv (Cornell University)|Jan 30, 2019

Composite Material Mechanics参考文献 58被引用 5

一句话总结

本文提出一种混合卷积-循环神经网络，通过从初始显微组织图像中学习，预测具有数十个晶粒的寡晶材料的力学响应。该模型在计算成本仅为晶体塑性有限元模拟的几分之一的情况下，实现了与之相当的精度，能够准确捕捉弹性响应、屈服起始及塑性流动，且在局部晶粒拓扑结构和取向敏感性方面优于经典均质化理论。

ABSTRACT

In this work we employ data-driven homogenization approaches to predict the particular mechanical evolution of polycrystalline aggregates with tens of individual crystals. In these oligocrystals the differences in stress response due to microstructural variation is pronounced. Shell-like structures produced by metal-based additive manufacturing and the like make the prediction of the behavior of oligocrystals technologically relevant. The predictions of traditional homogenization theories based on grain volumes are not sensitive to variations in local grain neighborhoods. Direct simulation of the local response with crystal plasticity finite element methods is more detailed, but the computations are expensive. To represent the stress-strain response of a polycrystalline sample given its initial grain texture and morphology we have designed a novel neural network that incorporates a convolution component to observe and reduce the information in the crystal texture field and a recursive component to represent the causal nature of the history information. This model exhibits accuracy on par with crystal plasticity simulations at minimal computational cost per prediction.

研究动机与目标

• 解决在晶粒数量有限（数十个）的寡晶材料中预测力学变异性的问题，其中显微组织细节对响应具有显著影响。
• 克服经典均质化理论的局限性，后者忽略局部晶粒邻域效应并依赖平均晶粒特性。
• 开发一种数据驱动的代理模型，以极低的计算成本捕捉历史相关塑性变形行为。
• 实现在与金属基增材制造相关的实际复杂显微组织中高效预测应力-应变行为。
• 探索潜在空间中学习表征的可解释性，以揭示显微组织-性能关系的物理解释。

提出的方法

• 一种混合神经网络架构结合卷积神经网络（CNN）以从初始显微组织图像中提取空间特征，以及长短期记忆（LSTM）循环网络以建模历史相关塑性响应。
• CNN处理晶粒形貌、取向和拓扑的二维图像，将局部显微组织信息编码为紧凑的潜在表征。
• LSTM组件通过处理连续的形变状态序列，建模应力-应变响应的因果演化，捕捉粘塑性流动中的记忆效应。
• 模型在包含多样化初始显微组织的大规模晶体塑性有限元模拟数据集上进行训练，采用损失函数以最小化应力和应变的预测误差。
• 通过皮尔逊相关系数（R）和偏差指标对模型性能进行基准测试，对比经典均质化模型（Voigt、Reuss、Taylor、Sachs）。
• 建议未来使用自编码器降低晶粒结构在潜在空间中的维度，以实现更高效的训练和更高的可解释性。

实验结果

研究问题

• RQ1 深度学习模型能否准确预测具有数十个晶粒的寡晶材料的力学响应，其中显微组织细节对变形行为具有显著影响？
• RQ2 与经典均质化理论相比，混合CNN-LSTM模型在预测弹性与塑性响应方面的性能如何？
• RQ3 该模型在多大程度上捕捉了经典体积平均理论忽略的局部显微组织效应，如晶粒邻域关系和拓扑结构？
• RQ4 该模型能否在保持极低计算成本的前提下，泛化于不同初始晶粒取向和形貌？
• RQ5 如何解释CNN组件学习到的潜在表征，以揭示力学变异性背后的物理解释？

主要发现

• 混合CNN-LSTM模型在弹性与塑性阶段分别与晶体塑性模拟的皮尔逊相关系数（R）达到0.85和0.83，精度和偏差均优于经典模型。
• 模型能高保真地预测塑性屈服起始及后续流动行为，尽管在完全塑性阶段因循环组件中的误差累积导致精度略有下降。
• 模型的单次预测推理时间仅为几十毫秒，比晶体塑性有限元模拟所需的数十分钟快几个数量级。
• 即使未显式包含滑移系知识，该模型在性能上仍优于Taylor和Sachs模型的平均值，表现出更低的偏差和更高的相关系数。
• Taylor和Sachs模型的偏差高于神经网络模型，其中Sachs模型虽精度较高但偏差更大，而Voigt-Reuss-Hill平均模型的表现劣于神经网络。
• 本研究建议，自编码器可通过降低潜在空间中晶粒结构表征的维度，实现更高效的训练和更高的可解释性。