Neural Network Accelerated Process Design of Polycrystalline Microstructures

要約

タイトル：結晶粒マイクロ構造のニューラルネットワークによるプロセス設計の加速化

要約：
– 物質構造を最適化するために、計算実験を利用して適切に設計された加工経路を見つける。
– マクロスケール（加工パラメータ）、ミクロスケール（結晶学的テクスチャー）からミソスケール（均質化された特性）へと接続するマルチスケールアプローチを使用して、処理とマイクロ構造-特性の相互作用を理解する必要がある。
– この問題のマルチスケールモデリング設定の性質上、意思決定が深くなるにつれて、可能な処理経路の選択肢が指数関数的に増加し、従来のシミュレータの速度が計算的なしきい値に達するため、結晶粒進化を予測するための計算的な負荷を軽減するために、物理学的拘束条件をもたらすニューラルネットワーク（NN）ベースの手法を開発する。
– NNは、各基本プロセスの下でのマイクロ構造の進化を学ぶことを目的としています。
– この研究では、Copperマイクロ構造の均質化した剛性を最大化するために、NNベースのメソッドを適用し、10プロセスの実験で、伝統的な有限要素シミュレータに比べて、686倍速く、均質化した剛性の結果に対して0.053％の誤差を達成。

要約(オリジナル)

Computational experiments are exploited in finding a well-designed processing path to optimize material structures for desired properties. This requires understanding the interplay between the processing-(micro)structure-property linkages using a multi-scale approach that connects the macro-scale (process parameters) to meso (homogenized properties) and micro (crystallographic texture) scales. Due to the nature of the problem’s multi-scale modeling setup, possible processing path choices could grow exponentially as the decision tree becomes deeper, and the traditional simulators’ speed reaches a critical computational threshold. To lessen the computational burden for predicting microstructural evolution under given loading conditions, we develop a neural network (NN)-based method with physics-infused constraints. The NN aims to learn the evolution of microstructures under each elementary process. Our method is effective and robust in finding optimal processing paths. In this study, our NN-based method is applied to maximize the homogenized stiffness of a Copper microstructure, and it is found to be 686 times faster while achieving 0.053% error in the resulting homogenized stiffness compared to the traditional finite element simulator on a 10-process experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI