High-fidelity Grain Growth Modeling: Leveraging Deep Learning for Fast Computations

要約

穀物成長シミュレーションは、アニーリングおよび結果として生じる最終的な機械的特性中の金属材料の微細構造の進化を予測するために重要ですが、従来の部分微分方程式ベースの方法は計算高価であり、材料の設計と製造にボトルネックを作成します。
この作業では、畳み込みの長い短期メモリネットワークと自動エンコーダーを組み合わせて、粒子成長の進化を効率的に予測する機械学習フレームワークを紹介します。
私たちのアプローチは、平均の複合誤差、構造類似性インデックス測定、および境界保存を組み合わせて、予測の粒境界トポロジーの構造的完全性を維持するために、高次元の粒子構造データをパターン学習のためのコンパクトな潜在空間にエンコードしながら、粒子進化の空間的および時間的側面の両方を捉えています。
結果は、当社の機械学習アプローチが粒子成長予測を\ si {89} {\ times}まで速く加速し、\ si {10} {\ minute}から高忠実度の予測を維持しながら、\ si {\ minute}から約\ si {10} {\ second}に縮小することを実証しました。
\ si {86.71} {\パーセント}の構造類似性スコアを達成する最良のモデル（S-30-30）およびJust \ Si {0.07} {\パーセント}の平均粒子サイズ誤差。
すべてのモデルは、粒界トポロジー、形態、およびサイズ分布を正確にキャプチャしました。
このアプローチにより、従来のシミュレーションが法外に時間がかかり、材料科学と製造の革新が潜在的に加速されるアプリケーションの迅速な微細構造予測が可能になります。

要約(オリジナル)

Grain growth simulation is crucial for predicting metallic material microstructure evolution during annealing and resulting final mechanical properties, but traditional partial differential equation-based methods are computationally expensive, creating bottlenecks in materials design and manufacturing. In this work, we introduce a machine learning framework that combines a Convolutional Long Short-Term Memory networks with an Autoencoder to efficiently predict grain growth evolution. Our approach captures both spatial and temporal aspects of grain evolution while encoding high-dimensional grain structure data into a compact latent space for pattern learning, enhanced by a novel composite loss function combining Mean Squared Error, Structural Similarity Index Measurement, and Boundary Preservation to maintain structural integrity of grain boundary topology of the prediction. Results demonstrated that our machine learning approach accelerates grain growth prediction by up to \SI{89}{\times} faster, reducing computation time from \SI{10}{\minute} to approximately \SI{10}{\second} while maintaining high-fidelity predictions. The best model (S-30-30) achieving a structural similarity score of \SI{86.71}{\percent} and mean grain size error of just \SI{0.07}{\percent}. All models accurately captured grain boundary topology, morphology, and size distributions. This approach enables rapid microstructural prediction for applications where conventional simulations are prohibitively time-consuming, potentially accelerating innovation in materials science and manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google