Scientific Reports volume 13、記事番号: 11852 (2023) この記事を引用
877 アクセス
1 オルトメトリック
メトリクスの詳細
この論文では、鋳造欠陥を含む合成サンプルを生成するための新しい戦略を紹介します。 収縮や気孔などの鋳造欠陥を含むインコネル 100 の 4 つのサンプルは、X 線断層撮影法を使用して特性評価されており、この用途の参照として使用されます。 収縮は形状が曲がりくねっており、材料の機械的特性、特に金属疲労にとってより有害であることが知られていますが、細孔には 2 つのタイプがあります。任意の形状の壊れた収縮細孔と球形のガス状細孔です。 合成サンプルの生成には、空間ポイント パターン (SPP) 分析の統合モジュールと、敵対的生成ネットワーク (GAN) や畳み込みニューラル ネットワーク (CNN) などの深層学習技術が使用されます。 SPP 解析は材料空間内の鋳造欠陥の空間分布を記述しますが、GAN と CNN は実際の欠陥に非常に近い任意の形態の欠陥を生成します。 SPP 分析により、金属凝固中に収縮と細孔に関連する 2 つの異なるボイド核生成メカニズムが存在することが明らかになりました。 当社の深層学習モデルは、欠陥サイズが 100 µm ～ 1.5 mm の範囲で、非常に現実的な形状の鋳造欠陥を生成することに成功しました。 合成微細構造生成プロセス全体では、参照サンプルの全体的な欠陥統計が尊重され、生成されたサンプルは実際のサンプルと統計的に比較することによって検証されます。
鋳造材料には、金属凝固中に形成される欠陥が存在することがよくあります。 これらの欠陥は材料特性に重大な影響を与える可能性があり、その大きさはさまざまな微細構造や欠陥特性に依存します。 鋳造材料に発生する可能性のある欠陥には、収縮、気孔、酸化皮膜などがあります1、2、3。 収縮は凝固中の溶融金属の収縮によって形成される大きな曲がりくねった空洞ですが、細孔やミクロボイドはサイズが小さく、一般に閉じ込められたガスによって形成されます。 これらの空洞欠陥は、応力集中による亀裂の発生と伝播を促進することにより、材料の性能を大幅に低下させる可能性があります4、5、6、7。 この劣化の強さは、欠陥のサイズ、位置、形態などのさまざまな欠陥の特性に依存します8。疲労寿命は欠陥のサイズに反比例して変化することが知られており、その関係は北川-高橋図で示されています9、10。 また、欠陥の位置が高サイクル疲労 (HCF) において非常に重要な役割を果たすことも知られています 10,11。 応力拡大係数 (SIF) の違いを考慮すると、自由表面に近い欠陥から発生した亀裂は、内部欠陥から発生した亀裂に比べてより速く伝播します1。 さらに、欠陥の曲がりくねった形態により応力集中が大幅に増大し、亀裂の発生が促進される可能性があります。 欠陥の形態を特徴付けることができる独立した特徴には、球形度、アスペクト比などがあります。8 これらの特性により疲労寿命に大きなばらつきが生じる可能性がありますが、高気孔率レベルを含む材料では問題がさらに複雑になり、欠陥クラスターの形成が発生します12。 クラスター化した欠陥では、欠陥の個々の特徴とは別に、隣接する欠陥の応力勾配の影響も受けます。 これらの欠陥は、タービン ディスクやブレードなどの航空鋳造部品で見つかることがありますが、機械分野ではあまり注目されていません。 疲労寿命に影響を与える可能性のあるすべての特徴を分析するには、大量のサンプルをテストする必要があり、非常にコストがかかる可能性があります。 したがって、現実に非常に近い合成微細構造を生成し、数値的にシミュレーションして、欠陥の存在、その形態、空間分布に対する機械的応答の大規模なデータベースを作成することが考えられるアプローチです。
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>
日本語
English
Français
Deutsch
Español
Italiano
Português
한국어
Русский