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.