Generazione di microstrutture sintetiche contenenti difetti di fusione: un approccio di machine learning

Rapporti scientifici volume 13, numero articolo: 11852 (2023) Citare questo articolo

877 accessi

1 Altmetrico

Dettagli sulle metriche

Questo articolo presenta una nuova strategia per generare campioni sintetici contenenti difetti di fusione. Quattro campioni di Inconel 100 contenenti difetti di colata come ritiri e pori sono stati caratterizzati mediante tomografia a raggi X e vengono utilizzati come riferimento per questa applicazione. È noto che i ritiri hanno una forma tortuosa e sono più dannosi per le proprietà meccaniche dei materiali, in particolare per la fatica del metallo, mentre i pori possono essere di due tipi: pori da ritiro rotti con forma arbitraria e pori gassosi di forma sferica. Per la generazione di campioni sintetici vengono utilizzati un modulo integrato di analisi Spatial Point Pattern (SPP) e tecniche di deep learning come Generative Adversarial Networks (GAN) e Convolutional Neural Networks (CNN). L'analisi SPP descrive le distribuzioni spaziali dei difetti di fusione nello spazio materiale, mentre GAN e CNN generano un difetto di morfologia arbitraria molto vicino ai difetti reali. L'analisi SPP rivela l'esistenza di due diversi meccanismi di nucleazione dei vuoti durante la solidificazione del metallo associati a ritiri e pori. Il nostro modello di deep learning genera con successo difetti di fusione con dimensioni che vanno da 100 µm a 1,5 mm e con forme molto realistiche. L'intero processo di generazione della microstruttura sintetica rispetta le statistiche globali dei difetti dei campioni di riferimento e i campioni generati vengono convalidati mediante confronto statistico con campioni reali.

I materiali fusi spesso presentano difetti formatisi durante la solidificazione del metallo. Questi difetti possono avere un grave impatto sulle proprietà del materiale, la cui entità dipende da varie caratteristiche microstrutturali e dei difetti. Alcuni dei difetti che possono comparire nei materiali fusi sono ritiri, pori, pellicole di ossido, ecc.1,2,3. I ritiri sono grandi cavità tortuose formate a causa della contrazione del metallo fuso durante la solidificazione, mentre i pori e i microvuoti sono di dimensioni più piccole e generalmente si formano a causa dei gas intrappolati. Questi difetti di cavità possono degradare drasticamente le prestazioni del materiale favorendo l'innesco e la propagazione di cricche guidate dalla concentrazione dello stress4,5,6,7. L'intensità di questo degrado dipende da varie caratteristiche del difetto come dimensione, posizione e morfologia8: è noto che la vita a fatica varia inversamente rispetto alla dimensione del difetto, una relazione dimostrata dal diagramma Kitagawa-Takahashi9,10. È anche noto che la localizzazione dei difetti gioca un ruolo molto importante nella fatica ad alto numero di cicli (HCF)10,11. Le cricche che hanno origine da difetti più vicini alla superficie libera si propagano più velocemente rispetto a quelle che hanno origine da difetti interni data la differenza nei loro fattori di intensità di stress (SIF)1. Inoltre, una morfologia tortuosa dei difetti può aumentare drasticamente la concentrazione degli sforzi facilitando l’innesco di cricche. Alcune delle caratteristiche indipendenti che possono caratterizzare le morfologie dei difetti sono la sfericità, le proporzioni, ecc.8. Sebbene queste caratteristiche possano indurre una grande dispersione nella durata a fatica, il problema diventa ancora più complicato nei materiali contenenti elevati livelli di porosità che si traducono nella formazione di cluster di difetti12. Nei difetti raggruppati, oltre alle caratteristiche individuali dei difetti, questi sono influenzati anche dai gradienti di stress dei difetti vicini. Questi difetti possono talvolta essere riscontrati in parti di fonderia aeronautica come dischi e pale di turbine, e hanno ricevuto molta meno attenzione nel settore meccanico. L'analisi di tutte le caratteristiche che potrebbero influenzare la durata a fatica richiede il test di un gran numero di campioni, il che può essere estremamente costoso. Pertanto, un approccio plausibile è quello di generare microstrutture sintetiche molto vicine alla realtà che possono essere simulate numericamente per creare un ampio database di risposta meccanica alla presenza di difetti, alla loro morfologia e distribuzione spaziale.

K_{Poisson}(d)\), the pattern is said to be clustered and vice versa./p>K_{Poisson}(d)\), the points are said to be attracting or clustered and vice versa. From Fig. 2a, strong clustering effects are seen in short distance ranges (\(K(d)>K_{Poisson}(d)\)) and dispersion in large ranges (\(K(d) K_{Poisson}\)) due to the interaction between two processes. It is however important to note that the clustering effects at all \(\theta < 0.4\) mm for \(K_{11}\) and \(K_{12}\) functions are not caused by the same effect. In these functions, defects larger that \(\theta\) are included in the calculations i.e., for example, at a \(\theta\) of 0.1 mm, \(K_{11}\) function is measured for all defects larger than 0.1 mm. Therefore, in these functions the clustering effect for lower \(\theta\) values is induced by the larger defects. Finally, with the knowledge of existence of two processes and the interaction between them as described by bivariate K-functions, Neyman–Scott process can be used to generate such an in-homogenous point pattern. In this process, the parent events or defects are distributed homogeneously in the material space and children defects are distributed around the parent defects41. Shrinkages or defects larger than 0.4 mm typically found in the defect cluster are the parent defects whilst the pores are children defects./p> 0.4 mm) and the other for pores (defects\(< \theta =\)0.4 mm). \(\theta\) here is the threshold parameter as determined via SPP analysis. Since the number of shrinkages and pores were insufficient to train the network, a rigorous data augmentation step was carried out to increase the database size. The individual defect volumes were randomly rotated in 3D with angle bounds of \(-45\deg\) to \(+45\deg\), flipped and inverted in the data augmentation step. All defects were then resized to a fixed size of \(64\times 64\times 32\) voxels for shrinkages and \(32\times 32\times 32\) voxels for the pores before training the adversarial networks. The resizing of images is done by applying a zero order interpolation function \(Image_{resized}=D(Image)\) where D is the interpolation function. To maintain the balance between generator and discriminator networks, the generator is updated twice per each update of discriminator. Furthermore, adding a small noise to the labels of discriminator has shown to improve the training of the adversarial network. The adversarial and discriminator loss balance out after as less as 5 epochs and the model would be trained within 60 epochs./p> 0.4 mm) act as parent defects and pores (defects < 0.4 mm) as children events. Contrary to traditional method, a mixed Gaussian distribution defined on the axis of the sample is used to distribute shrinkages (parent defects) in material space. A mixed gaussian distribution is then applied, the number of clusters k being randomly selected from a normal distribution with mean \(\mu _{k}\) and variance \(\sigma _{k}\) computed from the reference samples whilst the weights \(\pi _{k}\) are randomly attributed to each Gaussian distribution such that their sum equals unity. Each Gaussian of this GMM acts as seeds for the nucleation of primary and subordinate clusters. Shrinkages are placed in the material where their planar co-ordinates (radial positions) are randomly chosen whilst their position along the axis is extracted randomly from the mixed Gaussian distribution. The process generates a random \(K_{11}\) function similar to those of reference samples./p>

Notizia

Generazione di microstrutture sintetiche contenenti difetti di fusione: un approccio di machine learning