Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design

要約

複雑な微細構造は、多相合金の組成/加工-構造-特性 (CPSP) の関係の基礎として機能します。
従来の合金設計方法では微細構造の詳細が見落とされることが多く、結果の信頼性と有効性が低下します。
この研究では、本物の微細構造情報を統合して正確な CPSP 関係を確立する、改良された合金設計アルゴリズムを導入します。
このアプローチでは、変分オートエンコーダーに基づく深層学習フレームワークを利用して実際の微細構造データを潜在空間にマッピングし、潜在空間ベクトルから組成、処理ステップ、および材料特性を予測できるようにします。
この深層学習モデルを潜在空間における特定のサンプリング戦略と統合することにより、多相合金設計のための新しい微細構造中心のアルゴリズムが開発されます。
このアルゴリズムは、統合二相鋼の設計を通じて実証され、結果は 3 つの性能レベルで評価されます。
さらに、モデルの潜在ベクトル空間を探索すると、そのシームレスな補間機能と豊富なマテリアル情報コンテンツが強調表示されます。
特に、現在の潜在空間の構成は合金設計に特に有利であり、多相合金に不可欠な微細構造、組成、加工、および特性の変化を網羅的に表現できます。

要約(オリジナル)

The intricate microstructure serves as the cornerstone for the composition/processing-structure-property (CPSP) connection in multiphase alloys. Traditional alloy design methods often overlook microstructural details, which diminishes the reliability and effectiveness of the outcomes. This study introduces an improved alloy design algorithm that integrates authentic microstructural information to establish precise CPSP relationships. The approach utilizes a deep-learning framework based on a variational autoencoder to map real microstructural data to a latent space, enabling the prediction of composition, processing steps, and material properties from the latent space vector. By integrating this deep learning model with a specific sampling strategy in the latent space, a novel, microstructure-centered algorithm for multiphase alloy design is developed. This algorithm is demonstrated through the design of a unified dual-phase steel, and the results are assessed at three performance levels. Moreover, an exploration into the latent vector space of the model highlights its seamless interpolation ability and its rich material information content. Notably, the current configuration of the latent space is particularly advantageous for alloy design, offering an exhaustive representation of microstructure, composition, processing, and property variations essential for multiphase alloys.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google