[论文解读] Tailoring the mechanical properties of 3D microstructures: a deep learning and genetic algorithm inverse optimization framework

Xiao Shang, Zhiying Liu+3 more|arXiv (Cornell University)|May 9, 2023

Additive Manufacturing and 3D Printing Technologies参考文献 68被引用 5

一句话总结

本文提出了一种深度学习与遗传算法相结合的框架，用于对Ti-6Al-4V材料的3D微结构进行逆向设计，以调控其力学性能。通过将物理信息神经网络用于正向预测，结合遗传算法进行逆向优化，该方法高效地识别出具有目标屈服强度、弹性模量以及最小化应力集中效应的微结构——展示了在准确性、速度和跨材料可迁移性方面的优异表现。

ABSTRACT

Materials-by-design has been historically challenging due to complex process-microstructure-property relations. Conventional analytical or simulation-based approaches suffer from low accuracy or long computational time and poor transferability, further limiting their applications in solving the inverse material design problem. Here, we establish a deep learning and genetic algorithm framework that integrates forward prediction and inverse exploration. This framework provides an end-to-end solution to achieve application-specific mechanical properties by microstructure optimization. In this study, we select the widely used Ti-6Al-4V to demonstrate the effectiveness of this framework by tailoring its microstructure and achieving various yield strength and elastic modulus across a large design space, while minimizing the stress concentration factor. Compared with conventional methods, our framework is efficient, versatile, and readily transferrable to other materials and properties. Paired with additive manufacturing's potential in controlling local microstructural features, our method has far-reaching potential for accelerating the development of application-specific, high-performing materials.

研究动机与目标

• 为解决材料按需设计中复杂的工艺-微结构-性能关系挑战。
• 克服传统仿真与解析方法的局限性，如计算成本高和可迁移性差。
• 开发一种端到端的逆向微结构优化框架，以实现特定应用的力学性能。
• 实现高效、准确且可迁移的3D微结构设计，以满足期望的力学性能。
• 展示该框架在加速开发高性能、特定应用材料方面的潜力。

提出的方法

• 训练一个物理信息神经网络，以根据3D微结构输入预测力学性能（屈服强度、弹性模量、应力集中因子）。
• 将训练好的神经网络作为遗传算法驱动的逆向优化循环中的快速正向模型。
• 遗传算法在微结构设计空间中探索，以识别满足目标力学性能规格的配置。
• 通过潜在向量或体素化几何表示对微结构进行编码，以实现在复杂3D拓扑结构上的优化。
• 该框架将正向预测与逆向搜索集成于单一端到端流程中，减少了对昂贵仿真计算的依赖。
• 该方法在Ti-6Al-4V上进行了验证，结果表明其在实现目标力学性能方面具有高度准确性和效率。

实验结果

研究问题

• RQ1 深度学习模型能否在Ti-6Al-4V的多样化3D微结构上准确预测力学性能？
• RQ2 遗传算法能否高效探索微结构设计空间，以实现目标力学性能？
• RQ3 与传统仿真或解析方法相比，该联合框架在速度、准确性和可迁移性方面有何优势？
• RQ4 该框架在实现期望的屈服强度和弹性模量的同时，能在多大程度上最小化应力集中因子？
• RQ5 该框架是否可轻松扩展至Ti-6Al-4V以外的其他材料和力学性能？

主要发现

• 深度学习模型在多样化3D微结构上对屈服强度、弹性模量和应力集中因子均实现了高预测精度。
• 逆向优化框架成功识别出在广阔设计空间中满足目标力学性能的微结构。
• 与传统有限元仿真相比，该方法将计算时间降低了数个数量级。
• 该框架在实现期望的屈服强度与弹性模量组合的同时，显著最小化了应力集中因子。
• 该方法表现出强大的可迁移性，仅需少量微调即可适配其他材料和性能指标。
• 深度学习与遗传算法的结合实现了高效、准确且可扩展的3D微结构逆向设计。