IJP：機器學習預測晶界損傷
金屬材料的損傷通常起源於晶界處，在晶界處變形導致局部應變不相容和應力集中。晶界的特性影響着晶界的損傷傾向，但目前還缺乏定量的認識。來自上海交通大學的Sheng Zhang等人利用機器學習來預測易受損傷成核影響的晶界。爲此，合成了代表不同織構的單相鎂多晶的三維微結構。採用晶體塑性快速傅立葉變換(CPFFT)框架模擬了各微觀組織的單軸拉伸變形。從模擬結果中可以識別出存在應變不相容或應力集中的晶界。爲每個GB選擇了46個晶體學和幾何特徵，使用XGBoost算法構建分類模型。應變不相容晶界預測模型(SI-GBs)和應力集中晶界預測模型(SC-GBs)在所有織構中的ROC-AUC分別爲~87%和~82%。從分類模型中，確定了導致SI-GBs或SC-GBs的最重要特徵。這項工作表明，傳統模擬方法和機器學習的結合可以產生基本材料行爲的新知識。
圖1 (a)由DREAM.3D創建的典型微觀結構，其中每個顆粒都根據其ID着色。(b)晶界鑑定的示範。晶粒1和晶粒2之間的GB用藍色突出顯示。
圖2 CPFFT模擬中不同織構試樣的應力應變曲線。
圖3 (a)應變不相容(b)應變8%後4種織構組織中各GB的應力集中值。其分佈直方圖如圖(c)和(d)所示。
圖4 SI -GB和SC-GB相對於四個不同特徵的直方圖分佈:gbArea, m '， sin_alpha和取向差。
圖5 微觀結構的GB分類預測:(a)測量的SI -GB， (b)預測的SC-GB， (c)測量的SI -GB， (d)預測的SC-GB
在8%應變後，4種織構GB應變不相容的空間分佈基本一致;Rolling- 0織構的GB應力集中程度最高。採用全部46 GB特徵的XGBoost模型能夠預測應變不相容晶界(SI-GBs)和應力集中晶界(SC-GBs)的位置，AUC得分分別爲87%和82%。性能比使用單個特徵(如m′，晶界區域)的模型要好得多。晶界相對於拉伸方向的傾斜度和晶界區域是決定其成爲SI-GB還是SC-GB的兩個最重要的特徵。SC-GBs傾向於出現在相鄰晶粒的c軸均接近拉伸方向，且相鄰晶粒的基滑移施密德因子較小，拉伸孿晶施密德因子較高的地方。相關成果以“Predicting grain boundary damage by machine learning”爲題發表在International Journal of Plasticity上(Volume:150, 2022), 論文的第一作者和通訊作者是Sheng Zhang，通訊作者是Leyun Wang。論文鏈接：
https://doi.org/10.1016/j.ijplas.2021.103186
