Korrelationen der Versetzungsdichte durch maschinelles Lernen und Effekte gelöster Stoffe in Mg

Scientific Reports Band 13, Artikelnummer: 11114 (2023) Diesen Artikel zitieren

1199 Zugriffe

7 Altmetrisch

Details zu den Metriken

Magnesiumlegierungen gehören zu den leichtesten Strukturmaterialien und sind hervorragende Kandidaten für Leichtbauanwendungen. Allerdings bleiben industrielle Anwendungen aufgrund der relativ geringen Festigkeit und Duktilität begrenzt. Es hat sich gezeigt, dass das Legieren in fester Lösung die Duktilität und Formbarkeit von Mg bei relativ geringen Konzentrationen verbessert. Gelöste Zn-Verbindungen sind deutlich kostengünstiger und weit verbreitet. Die intrinsischen Mechanismen, durch die die Zugabe gelöster Stoffe zu einer Verbesserung der Duktilität führt, bleiben jedoch umstritten. Mithilfe einer Hochdurchsatzanalyse intragranularer Eigenschaften mithilfe datenwissenschaftlicher Ansätze untersuchen wir hier die Entwicklung der Versetzungsdichte in polykristallinem Mg und auch in Mg-Zn-Legierungen. Wir wenden Techniken des maschinellen Lernens an, um Elektronenrückstreubeugungsbilder (EBSD) der Proben vor/nach dem Legieren und vor/nach der Verformung zu vergleichen, um den Dehnungsverlauf einzelner Körner zu extrahieren und das Versetzungsdichteniveau nach dem Legieren und nach der Verformung vorherzusagen. Unsere Ergebnisse sind vielversprechend, da moderate Vorhersagen (Bestimmtheitskoeffizient \(R^2\) im Bereich von 0,25 bis 0,32) bereits mit einem relativ kleinen Datensatz (\(\sim\) 5000 Submillimeterkörner) erreicht werden.

Die plastische Verformung kristalliner Materialien ist ein Problem auf vielen Längenskalen. Von der atomaren Ebene des Versetzungskerns über die kollektive Versetzungsdynamik im mesoskaligen Bereich bis hin zur Korngrenzendynamik in Polykristallen bestimmen Versetzungsmechanismen die mechanischen und physikalischen Eigenschaften. Bei einkristallinem hcp-Magnesium führt das Zusammenspiel von basalen und nicht-basalen Gleitmechanismen zu einer geringen Festigkeit und Duktilität und schränkt somit mögliche Anwendungen ein. Aufgrund des überzeugend geringen Gewichts von Magnesium wird jedoch dringend daran gearbeitet, die Festigkeit und Duktilität von Mg-basierten Materialien durch Legieren zu verbessern1.

Mittlerweile ist die Materialinformatik zu einem aufstrebenden Paradigma bei der Untersuchung und Gestaltung fortschrittlicher Materialien geworden2,3,4. Tools für Datenwissenschaft und maschinelles Lernen können beispielsweise die experimentelle Suche nach optimalen Zusammensetzungen von Mg-basierten Legierungen im Hinblick auf die angestrebten mechanischen Eigenschaften beschleunigen5,6. Allgemeiner gesagt kann diese quantitative Perspektive einen besseren Einblick in die Entwicklung der mikrostrukturellen und lokalen Versetzungsdichte geben7,8. In Polykristallen kann maschinelles Lernen die Vorhersage körniger Eigenschaften von der Spannungsreaktion9,10,11 bis zur Zwillingskeimbildung12,13,14 ermöglichen, und kürzlich hat sich die graphbasierte Darstellung der Kornstruktur als vielversprechend erwiesen11,15,16.

Bei der Suche nach einer Verbesserung der Duktilität und Festigkeit von Mg-basierten Legierungen ist es unerlässlich, die genauen Mechanismen zu erfassen, die die mechanischen Eigenschaften bestimmen. In diesem Zusammenhang fördert dieser Artikel einen datenwissenschaftlichen Ansatz zum Verständnis der Entwicklung der Versetzungsdichte, der Schlüsselkomponente der mechanischen Reaktion in fortgeschrittenen Metallen. Wir verfolgen diesen datenwissenschaftlichen Ansatz im Hinblick darauf, wie gängige experimentelle Protokolle ablaufen. Zu diesem Zweck vergleichen wir EBSD-Bilder von Proben aus reinem Mg und einer polykristallinen Mg-Zn-Legierung (2 Gew.-% Zn), die in Abb. 1 dargestellt sind und ursprünglich in 17 eingeführt wurden (zusammen mit den Details zur Probenvorbereitung). Die hundeknochenförmigen Proben hatten eine Endgröße mit einer Dicke von \(\sim 3\,\) mm und einer Dicke von \(10\,\) mm und die EBSD-Bilder deckten eine Fläche von ungefähr \(1,0 \times 0,7\) ab. mm\(^2\) mit etwa 4000 bzw. 6000 Anfangskörnern in den reinen Mg- bzw. Legierungsproben. Die durchschnittliche Korngröße in beiden Proben war ähnlich (ca. 13 µm). Die Proben wurden außerdem bis zu einer Dehnung von 10 % verformt und nach der Verformung wurden EBSD-Bilder mit niedriger Auflösung erstellt, wodurch sich insgesamt vier Klassen von EBSD-Bildern ergaben, die den Kern der Untersuchungen in dieser Arbeit bilden.

Wir analysieren Versetzungsdichten zusammen mit Korngrenzeneigenschaften in den beiden Proben vor und nach Zugversuchen mit einer tatsächlichen Dehnungsrate von \(10^{-3}\) s\(^{-1}\), die ungefähr \(10 erreicht \%\) Beanspruchung. Beachten Sie, dass wir die Proben postmortal bei einer elastischen Dehnung von Null betrachten. Das Ziel der Studie ist zweifach: Erstens soll aus den gemessenen Versetzungsdichten die Dehnungsgeschichte einzelner Körner abgeleitet werden18,19,20. Und zweitens, um Vorhersagen über die Entwicklung der Versetzungsdichte auf granularer Ebene21,22 aufgrund der kombinierten Effekte von Verformung und Legierung zu formulieren. Insbesondere letzteres ist von entscheidender Bedeutung für die Entschlüsselung möglicher Versetzungsdichte-Hotspots, die einen großen Einfluss auf die Kaltverfestigung haben können. Da wir jedoch nur Zugang zu wenigen EBSD-Bildern mit niedriger Auflösung haben, besteht der Zweck unserer Studie darin, die Möglichkeiten der genannten datenwissenschaftlichen Ansätze aufzuzeigen, während eine detailliertere Umsetzung für zukünftige Arbeiten übrig bleibt.

EBSD-Bildgebung für maschinelles Lernen. (a,d) \(225 \upmu \textrm{m} \times 450 \upmu \textrm{m}\) Schnappschüsse der Kornstruktur der reinen Mg- bzw. Mg-Legierungsproben. Die Proben wurden durch ihr \(\rho _{GND}\) vor (b,e) und nach der Verformung (c,f) charakterisiert, weitere Informationen finden Sie im Text. Die Bilder in (b,c,e,f) sind repräsentativ für die Bilder, die für maschinelle Lernzwecke in den vier in diesem Manuskript untersuchten Klassen verwendet werden.

Die EBSD-Karten verwenden ein Feldemissionskanonen-REM (FEG) (Helios NanoLab 600i, FEI), das mit einem HKL-EBSD-System, einer CCD-Kamera und dem Softwarepaket Channel 5.0 zur Datenerfassung und -analyse ausgestattet ist. Die Messbedingungen umfassen Parameter von 15 kV und 2,7 nA. Der Probenhalter wurde um 70° gegenüber der Horizontalen geneigt, um das Rückstreusignal zu erhöhen.

Die EBSD-Daten wurden mithilfe der MTEX-Toolbox für MATLAB23 analysiert und mithilfe von Clusteranalyse und Dimensionsreduktion durch sklearn-Python-Bibliotheken24 weiter analysiert. MTEX ist in der Lage, die Kornstruktur und den lokalen Gitterorientierungstensor \(\kappa\) aus dem EBSD-Bild abzuleiten, obwohl letzteres die \(\kappa _{i3}\)-Komponenten ausschließt, die aufdringliche Messungen erfordern würden. Der MTEX-abgeleitete \(\kappa\)-Tensor über die Materialoberfläche ist die Information, die für diese Arbeit verwendet wird 23. Mit dem lokalen Orientierungstensor kann man den Nye-Versetzungstensor \(\alpha\)25 erhalten,

wobei \(\delta _{ji}\) die Kronecker-Deltafunktion ist. Darüber hinaus ist \(\alpha\) mit der geometrisch notwendigen Versetzungsdichte (GND) \(\rho _{GND}\)26 verbunden

wobei b die Größe des Burgers-Vektors ist. Insbesondere aufgrund der fehlenden Komponenten von \(\kappa\) stellen die hier dargestellten Werte nur eine Untergrenze von z. B. \(\rho _{GND}\)27 dar. Darüber hinaus waren die geschätzten \(\rho _{GND}\) aus reinem Mg und der Mg-Legierung nicht direkt vergleichbar, da die Bildschrittgröße zwischen den beiden Proben unterschiedlich war28.

Wir haben jedes Korn durch die Summe der GND-Dichte über die Pixel des Korns charakterisiert. Darüber hinaus haben wir Parameter berechnet, die lokale GND-Strukturen erfassen, d. h

Dabei ist r die Verschiebung in Pixel mal der Schrittgröße. Bei Variation des Parameters r werden Körner mit Abmessungen kleiner als r von der Analyse ausgeschlossen, da die Merkmale für diese Körner nicht definiert sind. Mit der Korngröße s bilden diese Parameter einen Vektor aus fünf Elementen, die jedes Korn beschreiben: (s, \(\rho _{GND}\), \(d\rho _{GND,1}\),\(d\rho _{GND,2}\) und \(d\rho _{GND,3}\)). In Abb. 2 werden die Kornmerkmale für reines und legiertes Mg mit reduzierter Dimensionalität durch Hauptkomponentenanalyse (PCA) (Abb. 2a–d) und t-verteilte stochastische Nachbarschaftseinbettung (t-SNE)29 (Abb. 2e) dargestellt –h) und variierendes r.

Clustering und unbeaufsichtigtes maschinelles Lernen für EBSD-Bilder unter Verwendung von Versetzungsdichten. (a,b) Reine Mg-Körner sowohl vor als auch nach der Verformung im Raum der beiden ersten Hauptkomponenten (PC) mit \(r=1,5 \,\upmu\)m und \(r=18 \, \upmu\ )M. (c,d) Mg-Legierungskörner im PC-Raum mit \(r=0,95 \, \upmu\)m und \(r=22,8 \, \upmu\)m. (e–h) Gleiche Körner mit t-SNE. (i) Beispielergebnis der in (h) beobachteten agglomerativen Anhäufung von Körnern. (j) Angepasster Rand-Index \(R'\) als Funktion von r nach PCA (geschlossene Symbole) und t-SNE (offene Symbole). Da t-SNE stochastischer Natur ist, wurden die Ergebnisse durch dreimaliges Wiederholen der Dimensionsreduktion und Clusterbildung pro Wert von r erhalten, und die Fehlerbalken zeigen die Standardabweichung.

Die lineare Transformation der PCA unterscheidet die Körner weder in reiner Form noch in einer Mg-Legierung anhand ihrer Dehnungsgeschichte, aber t-SNE und ausreichend großes r bilden die Körner zwei unterschiedliche Cluster mit guter Übereinstimmung mit dem EBSD-Bild, aus dem sie extrahiert wurden.

Wir quantifizierten die Unterscheidbarkeit, indem wir zunächst die Körner im Raum mit reduzierter Dimensionalität gruppierten (z. B. Abb. 2i) und dann maßen, wie gut die gefundenen Cluster mit den tatsächlichen Etiketten übereinstimmen (vor und nach dem Laden). Für die Clusterbildung verwendeten wir hierarchisches agglomeratives Clustering (von unten nach oben) mit einem einzigen Verknüpfungsabstandsmaß und die Übereinstimmung zwischen den Clustern und den tatsächlichen Etiketten wurde mit dem angepassten Rand-Index \(R'\) gemessen,30,31

Dabei ist R (Randindex) der Bruchteil korrekt beschrifteter Datenpunktpaare (entweder korrekt gleiche oder unterschiedliche Beschriftungen) aller möglichen Paare und \(R_{random}\) das erwartete R mit völlig zufälliger Clusterbildung (d. h. \(R' =1\) perfekte Korrespondenz; \(R'=0\) zufällige Clusterbildung). Abb. 2j zeigt \(R'\) als Funktion von r für beide Stichproben und die Ergebnisse sind ähnlich: Mit \(r\ca. 18 \, \upmu\)m gelingt die Clusterbildung nahezu perfekt. Dies ist auf zwei Effekte zurückzuführen: Kleinere Körner, die schwerer zu interpretieren sind, werden von der Analyse ausgeschlossen und es entstehen weitreichende Versetzungsstrukturen. Wie frühere Simulationsergebnisse gezeigt haben, lässt sich somit die Dehnungsgeschichte der Körner in den Mg-Proben von der Entwicklung der GND-Dichte unterscheiden18. Sowohl die Dimensionsreduktion als auch das Clustering wurden mit scikit-learn24 implementiert.

Zusätzlich zur Unterscheidung des Dehnungsverlaufs lieferte der Datensatz den klassischen Aufbau für die überwachte Vorhersage von Eigenschaften der Probe – z. B. die Entwicklung von \(\rho _{GND}\) – vom ursprünglichen Bild vor dem Laden. Zur Verdeutlichung ist Abb. 3a eine schematische Darstellung der Körnung i, für die wir Merkmale \(X_i\) vor dem Laden berechnen können, ähnlich wie oben für das unbeaufsichtigte Clustering, und wir können versuchen, die Merkmale dem Zielwert \(Y_i\) zuzuordnen. was wir als \(\log \rho _{GND}/s\) festlegen, dh als Logarithmus der durchschnittlichen GND-Dichte des Korns im Bild nach dem Laden (mehr zur Datenerfassung in der Ergänzenden Anmerkung 1). Aufgrund des Rauschens im EBSD-Bild der reinen Mg-Probe nach dem Laden (Abb. 1c) konnten wir keinen geeigneten Zielsatz für die Probe ermitteln und daher wurde das überwachte maschinelle Lernen nur mit der Legierungsprobe durchgeführt. Wir haben dem oben für die Clusterbildung verwendeten Merkmalssatz einfache Merkmale hinzugefügt, die die Körner und ihre Nachbarn beschreiben, wie z. B. die Ausrichtung des Korns, die durchschnittliche Fehlorientierung an der Grenze und die Anzahl der Nachbarn (vollständige Liste der Merkmale für \(\rho _{GND}\ ) Vorhersage ist in der Ergänzungstabelle I zu finden). Die Stichprobe wurde dann in Trainings-, Validierungs- und Testkörner aufgeteilt, wie in Abb. 3b dargestellt, und da wir nur eine einzige Stichprobe hatten, wählten wir einen beträchtlich kleinen Validierungssatz (5 % der Körner), um einen möglichst großen Trainingssatz (75 % der Körner) sicherzustellen. ) wie möglich. Der Rest der Körner (20 %) wurde zum Testen der Modellanpassung verwendet. Die Zuordnung wurde mit Support Vector Machine (SVM) (Ergänzende Anmerkung 2) implementiert, die aufgrund der vergleichsweise geringen Anzahl von Hyperparametern ausgewählt wurde; Wir haben auch andere, komplexere ML-Modelle wie künstliche neuronale Netze ausprobiert und ähnliche Ergebnisse erzielt. Wir stellen fest, dass die Anzahl der Körner im Datensatz relativ gering ist und der begrenzende Faktor daher möglicherweise nicht das ML-Modell, sondern die begrenzte Menge an Trainingsdaten ist.

Vorhersage des Versetzungsgehalts innerhalb des Korns in deformierten Proben mithilfe von EBSD-Bildern. (a) Die Vorhersage der Entwicklung der Versetzungsdichte auf Kornebene beginnt mit der Darstellung der Körner durch ihre Merkmale \(X_i\) vor der Verformung und dem Aufbau des Ziels durch Sammeln von \(\rho _{GND}/s\) nach der Verformung. (b) Zugtest-Aufspaltung der Körner in der Legierungsprobe. Die rot gefärbten Körner sind angrenzende Körner, die nach dem Laden teilweise außerhalb des Bildes lagen und deren Ziel nicht verfügbar war. (c) Die vorhergesagte SVM im Vergleich zu den wahren Werten von \(\log ( \rho _{GND}/s)\) sowohl für die Trainings- als auch für die Test-Körner. (d,e) Körner im Testsatz (im Vergleich zu (b) verschobene Achsen), gefärbt durch das wahre und vorhergesagte \(\rho _{GND}/s\). Die rot (blau) hervorgehobenen Körner entsprechen denen in den oberen (unteren) 10 % aller Daten.

Abbildung 3c zeigt das wahre gegenüber dem vorhergesagten \(\log \rho _{GND}\). Die Korrelation zwischen dem Ziel und der Vorhersage ist moderat, wie aus dem Bestimmtheitskoeffizienten \(R^2 = 0,32\) und dem Spearman-Rangkorrelationskoeffizienten \(r_{S}=0,61\) für die Testkörner hervorgeht. Darüber hinaus zeigt Abb. 3d–e den vorhergesagten \(\rho _{GND}/s\) im Vergleich zu den wahren Werten als Karte der Testkörner. Offensichtlich ist die SVM in der Lage, Hotspots mit hohem \(\rho _{GND}\) mit guter Genauigkeit zu finden, obwohl einige Fehler auftreten und in einigen Fällen die hohen Dichten für benachbarte Körner vorhergesagt werden (z. B. Korn am unteren linken Rand mit hohem wahren \( \rho _{GND}/s\)). Insgesamt sind die Ergebnisse bemerkenswert, wenn man bedenkt, dass nur eine einzige Probe verwendet wurde.

Offensichtlich leidet unser Vorhersageerfolg unter einigen Eigenschaften des Datensatzes und der verwendeten Funktionen. Erstens findet unser Tracking-Algorithmus nach dem Laden nicht immer die genauen Pixel des Bildes, die einer bestimmten Körnung im Ausgangsbild entsprechen. Auch das Rauschen und fehlende \(\rho _{GND}\) Pixel im Nachbild führen zu Ungenauigkeiten bei den Zielwerten (Ergänzende Anmerkung 3). Und was noch wichtiger ist: Die definierten Kornmerkmale erfassen nicht alle relevanten Eigenschaften der Probe: Sie vernachlässigen die meisten Informationen über die Korngrenzen zwischen den benachbarten Körnern und den bekannten Korngrenzeneffekt der Behinderung der Versetzungsbewegung32,33.

Beispielsweise zeigt \(\rho _{GND}/s\) eine sichtbare Abhängigkeit von der durchschnittlichen Fehlorientierung \(\langle \theta \rangle\) an der Korngrenze für Körner nach der Belastung in beiden Proben, wie in Abb. 4a–c dargestellt . Die Daten zeigen, dass der relative Anstieg von \(\rho _{GND}/s\) gegenüber \(\langle \theta \rangle\) in der legierten Probe steiler zu sein scheint, obwohl der oben erwähnte Unterschied im Bildgebungsprotokoll ( Schrittgröße) kann ebenfalls einen Effekt haben. Darüber hinaus zeigt Abb. 4d – f eine Analyse der \(\rho _{GND}\)-Korrelation über Korngrenzen hinweg.

wobei die Koordinate \((x', y')\) innerhalb des Korns i liegt und \((x'+x, y'+y)\) innerhalb des Korns j liegt, das ein Nachbar von i ist, in Körnern des Mg Legierung nach dem Laden. Die Daten werden für Kornpaare (bei denen Körner mit einer Größe von weniger als 64 Pixel weggelassen wurden) mit einem Fehlorientierungswinkel in einem bestimmten Bereich berechnet. Wie aus dem Vergleich der Kleinwinkelkornpaare mit \(0^\circ \le \theta <7,5^\circ\) in (d) und der Großwinkelkornpaare mit \(15^\circ \le \theta <22,5^\circ\) in ( e) verringern sich die Korrelationen, wenn der Fehlorientierungswinkel zunimmt. Allgemeiner dargestellt zeigt Abb. 4f den Abfall der Korrelation (entlang \(x=y\)) für drei aufeinanderfolgende Bereiche von \(\theta\). Der Gesamtzerfall folgt ungefähr \(corr_{\rho _{GND}}(x=y) \propto d^{-3 / 4}\), wobei d der Abstand vom Nachbarkorn ist. Und der Unterschied im Fehlorientierungswinkel zwischen den Körnern verschiebt die Korrelationskurve, dh die Korrelationen nehmen ab, wenn \(\theta\) zunimmt und umgekehrt

Versetzungskorrelationen, extrahiert aus EBSD-Bildern. (a,b) Boxplots, die die körnige Verteilung von \(\rho _{GND}/s\) nach der Verformung zeigen, gebündelt entsprechend der durchschnittlichen Fehlorientierung an der Grenze \(\theta _n / n_{nbr}\), d. h. der Gesamtmenge Fehlorientierung, summiert über benachbarte Körner, dividiert durch die Anzahl der Nachbarn, für reine bzw. Mg-Legierung. Die grünen Linien zeigen den Verteilungsdurchschnitt. (c) Der in den Boxplots dargestellte Durchschnitt als Funktion von \(\theta _n / n_{nbr}\), skaliert, um bei Eins zu beginnen. (d,e) Korrelation (Gl. 4) des Pixels \(\rho _{GND}\) in einer Mg-Legierungsprobe nach Verformung über Korngrenzen hinweg (x, y der Abstand von der Grenze) für benachbarte Körner mit Fehlorientierung \(0 ^\circ \le \theta <7,5^\circ\) bzw. \(15^\circ \le \theta <22,5^\circ\). (f) Die Korrelation entlang der Diagonale \(x=y\) für drei aufeinanderfolgende Fehlorientierungsbereiche. Die gestrichelte Linie zeigt \(d^{-3/4}\) als Orientierungshilfe für das Auge.

Um den Korngrenzeneffekt in das Vorhersageproblem einzubeziehen, haben wir wie in Abb. 5a ein Diagramm der Kornstruktur erstellt und Merkmale \(E_{ij}\) gesammelt, die die Grenzen zwischen benachbarten Körnern charakterisieren (z. B. Fehlorientierung; siehe Ergänzungstabelle II). ) und angewandte Graphnetzwerke (GN), um \(\log \rho _{GND}/s\)34 vorherzusagen. Die GN-Architektur folgte dem Kodierungs-Prozess-Dekodierungs-Netzwerk, das beispielsweise auf Glassystemen mit einigem Erfolg verwendet wurde34,35 (Weitere Einzelheiten zum GN-Trainingsverfahren und den Ergebnissen finden Sie in der Ergänzenden Anmerkung 4). Abbildung 5b zeigt die wahre versus GN-Vorhersage \(\rho _{GND}\). Umgekehrt ist die Güte der Modellvorhersage etwas schlechter als mit SVM und ohne Korngrenzeneigenschaften, \(R^2=0,25\) und \(r_{S}=0,54\). Wie bereits erwähnt, hat der Datensatz jedoch seine Grenzen: Abb. 5c zeigt die Lernkurven für SVM und GN, die durch Anpassen der Modelle mit reduziertem Trainingssatz (d. h. Ausschließen eines Teils der Trainingskörner) und Messen des mittleren quadratischen Fehlers (MSE) erhalten wurden ) für den Testsatz. Die Abbildung verdeutlicht die Kleinheit des Trainingssatzes, da der Vorhersageerfolg nicht konvergiert hat. Durch Anpassen eines abnehmenden Potenzgesetzes, \(MSE \propto N_{grains}^{-\alpha }\), an die Lernkurven scheint es, dass der GN-Verlust mit steilerem Anstieg abnimmt und daher SVM mit geeigneten Daten übertreffen könnte Set, das mehrere Samples umfasst.

Vorhersage der Versetzungsdichten nach der Verformung mithilfe kornbasierter graphischer neuronaler Netze. (a) Schematische Darstellung der Kornstruktur, dargestellt als Diagramm. Jeder Graph bildet einen Knoten und Körner mit gemeinsamer Grenze haben eine Verbindungskante. Die Knotenmerkmale entsprechen dem für SVM verwendeten \(X_i\), während die Kantenmerkmale \(E_{ij}\) beispielsweise eine Fehlorientierung zwischen den Körnern umfassen. (b) Diagrammnetzwerkvorhersage im Vergleich zum wahren Wert von \(\log (\rho _{GND}/s)\) für Trainings- und Testsätze. (c) Der mittlere quadratische Fehler zwischen den wahren und vorhergesagten Werten des Testsatzes als Funktion der Anzahl der Körner \(N_{Körner}\), die zum Trainieren von SVM- und GN-Modellen verwendet werden.

Zusammenfassend haben wir Methoden des maschinellen Lernens angewendet, um die Entwicklung der Versetzungsdichte in Mg-Proben zu untersuchen und vorherzusagen. Indem wir nur die durch EBSD mit niedriger Auflösung erhaltene GND-Dichte beobachteten, konnten wir die Dehnungsverläufe einzelner Körner unterscheiden. Darüber hinaus haben wir SVM und GN trainiert, um die GND-Dichte nach der Belastung vorherzusagen, indem wir die Korninformationen der Mg-Legierungsprobe vor der Zugbelastung nutzten. Sowohl SVM als auch GN lieferten Vorhersagen mit ausreichendem Erfolg, und obwohl SVM das GN übertraf, das auch die Korngrenzeninformationen verwendete, zeigte das GN die Möglichkeit einer signifikanteren Verbesserung bei größeren Datensätzen, was eine natürliche Richtung für zukünftige Forschung vorgibt. Darüber hinaus könnte es für zukünftige Untersuchungen von GNDs (sowie statistisch gespeicherten Versetzungen) interessant sein, den Einsatz von Methoden zu untersuchen, die eine größere Tiefe des Materials untersuchen, wie beispielsweise die MicroLaue-Beugung36. Insgesamt sind die verwendeten Methoden des maschinellen Lernens vielversprechend bei der Untersuchung der plastischen Verformung auf Granulatebene, und auf lange Sicht kann maschinelles Lernen dabei helfen, die Granulateigenschaften zu optimieren, um die gewünschten Materialeigenschaften zu erreichen. Hier haben wir dies anhand zweier Fälle gezeigt und unsere Ergebnisse zeigen, wie diese Proben unterschiedliche Signaturen aufweisen. Einerseits ist der Dehnungsverlauf unabhängig vom Legierungsverfahren unterscheidbar. Andererseits sind jedoch einige Unterschiede im Korngrenzeneffekt zwischen dem reinen Mg- und dem Legierungsfall zu erkennen, da die Versetzungsdichte innerhalb eines Korns mit der durchschnittlichen Fehlorientierung an der Grenze in der legierten Probe schneller zunimmt.

Die Daten, die die Ergebnisse dieser Arbeit stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Pérez-Prado, M.-T. et al. Neue aktuelle Themen und Forschungsfragen bei der Entwicklung von Magnesiumknetlegierungen. JOM 72(7), 2561–2567 (2020).

Artikel ADS Google Scholar

Bock, FE et al. Ein Überblick über die Anwendung von maschinellen Lern- und Data-Mining-Ansätzen in der Kontinuumsmaterialmechanik. Vorderseite. Mater. 6, 110 (2019).

Artikel ADS Google Scholar

Frydrych, K. et al. Materialinformatik für mechanische Verformung: Ein Überblick über Anwendungen und Herausforderungen. Materialien 14(19), 5764 (2021).

Artikel CAS PubMed PubMed Central ADS Google Scholar

Guo, K., Yang, Z., Yu, C.-H. & Buehler, MJ Künstliche Intelligenz und maschinelles Lernen beim Design mechanischer Materialien. Mater. Horizonte 8(4), 1153–1172 (2021).

Artikel CAS Google Scholar

Chen, Y. et al. Durch maschinelles Lernen unterstützte Mehrzieloptimierung für Materialverarbeitungsparameter: Eine Fallstudie in einer Mg-Legierung. J. Alloys Compds. 844, 156159 (2020).

Artikel CAS Google Scholar

Liu, Y. et al. Beschleunigte Entwicklung hochfester Magnesiumlegierungen durch maschinelles Lernen. Metall. Mater. Trans. A 52(3), 943–954 (2021).

Artikel CAS Google Scholar

Frankel, A., Tachida, K. & Jones, R. Vorhersage der Entwicklung des Spannungsfeldes von Polykristallen, die einer elastisch-plastischen Verformung unterliegen, mit einem hybriden neuronalen Netzwerkmodell. Mach. Lernen. Wissenschaft. Technol. 1(3), 035005 (2020).

Artikel Google Scholar

Foley, DL et al. Geometrisch notwendige Entwicklung der Versetzungsdichte als Funktion der Mikrostruktur und der Dehnungsrate. Mater. Wissenschaft. Ing. A 831, 142224 (2021).

Artikel Google Scholar

Mangal, A. & Holm, EA Angewandtes maschinelles Lernen zur Vorhersage von Stress-Hotspots II: Sechseckige, dicht gepackte Materialien. Int. J. Plast. 114, 1–14 (2019).

Artikel CAS Google Scholar

Saunders, R. et al. Vorhersage des mechanischen Verhaltens additiv gefertigter Mikrostrukturen unter Verwendung funktionaler Gaußscher Prozesssurrogate. npj-Berechnung. Mater. 7(1), 1–11 (2021).

Artikel Google Scholar

Pagan, DC, Pash, CR, Benson, AR & Kasemer, MP Graphische neuronale Netzwerkmodellierung des anisotropen elastischen Verhaltens im Kornmaßstab unter Verwendung simulierter und gemessener Daten im Mikromaßstab. arXiv:2205.06324 (2022).

Orme, AD, Fullwood, DT, Miles, MP & Giraud-Carrier, C. Entwicklung der Mg-AZ31-Zwillingsaktivierung mit Belastung: Eine Studie zum maschinellen Lernen. Mater. Entdeckung. 12, 20–29 (2018).

Artikel Google Scholar

Tong, Z., Wang, L., Zhu, G. & Zeng, X. Vorhersage der Zwillingskeimbildung in einer polykristallinen Mg-Legierung mithilfe von Methoden des maschinellen Lernens. Metall. Mater. Trans. A 50(12), 5543–5560 (2019).

Artikel CAS Google Scholar

Gui, Y., Li, Q., Zhu, K. & Xue, Y. Ein kombinierter maschineller Lern- und EBSD-Ansatz zur Vorhersage der \(\{\)10-12\(\}\)-Zwillingskeimbildung in einem Mg –Re-Legierung. Mater. Heute Komm. 27, 102282 (2021).

Artikel CAS Google Scholar

Xie, C., Pan, Z. & Shu, C. Wissensgraph zur Mikrostrukturdarstellung zur Erforschung der Zwillingsbildung. Kristalle 12(4), 466 (2022).

Artikel CAS Google Scholar

Shu, C., He, J., Xue, G. & Xie, C. Lernen der Darstellung von Kornwissensgraphen: Ein neues Paradigma für die Vorhersage von Mikrostruktureigenschaften. Kristalle 12(2), 280 (2022).

Artikel CAS Google Scholar

Shi, D., Pérez-Prado, M. & Cepeda-Jiménez, C. Einfluss gelöster Stoffe auf Festigkeit und Duktilität von Mg-Legierungen. Acta Mater. 180, 218–230 (2019).

Artikel CAS ADS Google Scholar

Yang, Z. et al. Lernen, Kristallplastizität im Nanomaßstab vorherzusagen: Tiefe Restnetzwerke und Größeneffekte in Simulationen diskreter Versetzungen mit einachsiger Kompression. Wissenschaft. Rep. 10(1), 1–14 (2020).

Google Scholar

Salmenjoki, H., Alava, MJ & Laurson, L. Maschinelles Lernen, plastische Verformung von Kristallen. Nat. Komm. 9(1), 1–7 (2018).

Artikel Google Scholar

Papanikolaou, S. Lernen lokaler, gelöschter Störungen bei Plastizität und anderen knisternden Geräuschphänomenen. npj-Berechnung. Mater. 4(1), 1–7 (2018).

Artikel Google Scholar

Papanikolaou, S., Tzimas, M., Reid, AC & Langer, SA Räumliche Spannungskorrelationen, maschinelles Lernen und Verformungsgeschichte in der Kristallplastizität. Physik. Rev. E 99(5), 053003 (2019).

Artikel CAS PubMed ADS Google Scholar

Papanikolaou, S. & Tzimas, M. Auswirkungen von Geschwindigkeit, Größe und vorheriger Verformung auf die Plastizität von Mikrokristallen. Mech. Physik. Solids Micro-Nano-Scale 9, 25–54 (2019).

Artikel Google Scholar

Bachmann, F., Hielscher, R. & Schaeben, H. Texturanalyse mit mtex – Kostenlose und Open-Source-Software-Toolbox. in Festkörperphänomenen. Bd. 160. 63–68. (Trans Tech Publications Ltd, 2010).

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Nye, JF Einige geometrische Beziehungen in dislozierten Kristallen. Acta Metall. 1(2), 153–162 (1953).

Artikel CAS Google Scholar

Arsenlis, A. & Parks, D. Kristallographische Aspekte der geometrisch notwendigen und statistisch gespeicherten Versetzungsdichte. Acta Mater. 47(5), 1597–1611 (1999).

Artikel CAS ADS Google Scholar

Leff, A., Weinberger, C. & Taheri, M. Schätzung der Versetzungsdichte aus Präzessionselektronenbeugungsdaten unter Verwendung des Nye-Tensors. Ultramicroscopy 153, 9–21 (2015).

Artikel CAS PubMed Google Scholar

Jiang, J., Britton, T. & Wilkinson, A. Messung der geometrisch notwendigen Versetzungsdichte mit hochauflösender Elektronenrückstreubeugung: Auswirkungen von Detektor-Binning und Schrittgröße. Ultramicroscopy 125, 1–9 (2013).

Artikel CAS PubMed Google Scholar

Van der Maaten, L. & Hinton, G. Visualisieren von Daten mit t-SNE. J. Mach. Lernen. Res. 9(11), 2579 (2008).

MATH Google Scholar

Rand, WM Objektive Kriterien für die Bewertung von Clustering-Methoden. Marmelade. Stat. Assoc. 66(336), 846–850 (1971).

Artikel Google Scholar

Hubert, L. & Allemand, P. Vergleich von Partitionen. J. Classif. 2(1), 193–218 (1985).

Artikel MATH Google Scholar

Hirth, JP & Lothe, J. The Theory of Dislocations (Krieger, 1983).

MATH Google Scholar

Hansen, N. Hall-Petch-Beziehung und Grenzstärkung. Scr. Mater. 51(8), 801–806 (2004).

Artikel CAS Google Scholar

Battaglia, PW, Hamrick, JB, Bapst, V, Sanchez-Gonzalez, A, Zambaldi, V, Malinowski, M, Tacchetti, A, Raposo, D, Santoro, A & Faulkner, R et al. Relationale induktive Verzerrungen, Deep Learning und Graphnetzwerke. arXiv-Vorabdruck arXiv:1806.01261 (2018).

Bapst, V. et al. Enthüllung der Vorhersagekraft der statischen Struktur in Glassystemen. Nat. Physik. 16(4), 448–454 (2020).

Artikel CAS Google Scholar

Ice, GE & Pang, JW Tutorial zur Röntgenmikro-Laue-Beugung. Mater. Charakter. 60(11), 1191–1201 (2009).

Artikel CAS Google Scholar

Referenzen herunterladen

HS dankt der finnischen Stiftung für Technologieförderung für die Unterstützung. MA und SP danken für die Unterstützung durch das Forschungs- und Innovationsprogramm „Horizont 2020“ der Europäischen Union im Rahmen der Finanzhilfevereinbarung Nr. 857470 und durch den Europäischen Fonds für regionale Entwicklung über den Programmzuschuss Nr. MAB PLUS/2018/8 der Foundation for Polish Science International Research Agenda PLUS. LL dankt der Akademie von Finnland für die Unterstützung durch das Akademieprojekt COPLAST (Projekt-Nr. 322405). DT dankt dem spanischen Wissenschaftsministerium für die Unterstützung durch ein Ramon y Cajal-Stipendium (Ref. RYC2019-028233-I). CMCJ dankt dem spanischen Ministerium für Wissenschaft, Innovation und Universitäten für die finanzielle Unterstützung im Rahmen des Projekts PID2020-118626RB-I00. Die zu diesen Ergebnissen führende Forschung wurde vom spanischen Ministerium für Wissenschaft, Innovation und Universitäten im Rahmen des Projekts PID2019-111285RB-I00 gefördert. Die Autoren würdigen die vom Projekt „Science-IT“ der Aalto University School of Science bereitgestellten Rechenressourcen.

MJ Alava

Aktuelle Adresse: NOMATEN Center of Excellence, Nationales Zentrum für Kernforschung, A. Soltana 7, 05-400, Otwock-Swierk, Polen

Abteilung für Angewandte Physik, Aalto-Universität, Postfach 11000, 00076, Aalto, Finnland

H. Salmenjoki & MJ Alava

NOMATEN Center of Excellence, Nationales Zentrum für Kernforschung, A. Soltana 7, 05-400, Otwock-Swierk, Polen

S. Papanikolaou

IMDEA Materials Institute, C/ Eric Kandel, 2, Getafe, 28906, Madrid, Spanien

D. Shi, D. Tourret & MT Pérez-Prado

Abteilung für physikalische Metallurgie, CENIM-CSIC, Avda. Gregorio del Amo 8, 28040, Madrid, Spanien

CM Cepeda-Jiménez

Computational Physics Laboratory, Universität Tampere, Postfach 692, 33014, Tampere, Finnland

L. Laurson

Sie können diesen Autor auch in PubMed Google Scholar suchen

HS führte die Datenanalyse durch und verfasste die erste Version des Manuskripts. HS, SP, LL, MTPP und MA trugen zur Projektkonzeption bei. DS, DT, CC-J. und MP-P. steuerte die in dieser Studie analysierten experimentellen Daten bei. Alle Autoren beteiligten sich an den Diskussionen während des Projekts und beim Verfassen der endgültigen Fassung des Manuskripts.

Korrespondenz mit MJ Alava.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Salmenjoki, H., Papanikolaou, S., Shi, D. et al. Korrelationen der Versetzungsdichte durch maschinelles Lernen und Effekte gelöster Stoffe in Legierungen auf Mg-Basis. Sci Rep 13, 11114 (2023). https://doi.org/10.1038/s41598-023-37633-9

Zitat herunterladen

Eingegangen: 22. Januar 2023

Angenommen: 24. Juni 2023

Veröffentlicht: 10. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-37633-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.