Uczenie maszynowe zostało użyte do mapowania rozkładu dyslokacji w stopach magnezu i przewidywania ich właściwości mechanicznych. Grupa naukowców z Finlandii, Hiszpanii i z NCBJ przeprowadziła trening modelu uczenia maszynowego na zestawie danych obrazów EBSD (elektronowa dyfrakcja wsteczna) stopów magnezu o różnych gęstościach dyslokacji. Badania mogą doprowadzić do rozwoju nowych materiałów o zoptymalizowanych właściwościach mechanicznych. Ich artykuł ukazał się w lipcowym numerze czasopisma Nature Scientific Reports.

Stopy magnezu (Mg) są atrakcyjne dla zastosowań strukturalnych ze względu na ich niską gęstość i wysoki stosunek wytrzymałości do masy. Jednak stopy Mg są również podatne na szereg defektów, głównie dyslokacji, które zmieniają ich właściwości mechaniczne. Dyslokacje są masowymi defektami w strukturze krystalicznej materiału i mogą powodować jego odkształcenie poprzez przemieszczanie się w nim. Rozkład dyslokacji w materiale może mieć znaczny wpływ na jego właściwości mechaniczne, takie jak wytrzymałość, plastyczność i odporność na zmęczenie.

„Tradycyjne metody mapowania rozkładu dyslokacji w stopach Mg są czasochłonne i pracochłonne”, wyjaśnia prof. Stefanos Papanicolau z Centrum Doskonałości NOMATEN w Narodowym Centrum Badań Jądrowych w Polsce. „Metody te zazwyczaj polegają na zastosowaniu mikroskopii elektronowej do obrazowania dyslokacji w materiale. Jednak mikroskopia elektronowa nie jest metodą skalującą i może być trudne uzyskanie danych ilościowych na temat gęstości dyslokacji za pomocą tej metody”.

Rys. 1. Sekwencja uczenia maszynowego nadzorowanego łączącego obrazy EBSD skaningowego mikroskopu elektronowego stopów Mg z podejściem opartym na sieci neuronowej grafowej (GNN). Mapy gęstości dyslokacji uzyskane z testów mechanicznych deformacji służą jako dane docelowe dla modelu GNN. Mikrostruktura ziaren i związane z nimi atrybuty są wykorzystywane jako istotne predyktory. Połączony zbiór danych jest wykorzystywany do konstruowania GNN, w którym każde położenie środka ziarna jest węzłem grafu, który ma być trenowany w oparciu o architekturę „kodowanie-przetwarzanie-dekodowanie”. Model może uczyć się z ukrytych korelacji między mikrostrukturą ziaren a mechaniczną odpowiedzią materiału i dokonywać prognoz na temat rozkładu dyslokacji wyłącznie na podstawie tych informacji. (Credits: Stefanos Papanicolaou and Karman Karimi / NOMATEN CoE, NCBJ)

W badaniu naukowcy wykorzystali uczenie maszynowe do mapowania rozkładu dyslokacji w stopach Mg i przewidywania ich właściwości mechanicznych. Skorzystali z algorytmu głębokiego uczenia do trenowania modelu na zestawie danych obrazów stopów Mg o różnych gęstościach dyslokacji. Model był następnie w stanie precyzyjnie przewidzieć gęstość dyslokacji w nowych obrazach stopów Mg. Model był również użyty do przewidywania właściwości mechanicznych stopów Mg, takich jak wytrzymałość, plastyczność i odporność na zmęczenie.

Algorytm głębokiego uczenia, który został wykorzystany, to sieć neuronowa konwolucyjna (CNN). CNN to typ algorytmu głębokiego uczenia, który dobrze nadaje się do zadań przetwarzania obrazów. CNN są w stanie uczyć się zależności przestrzennych między pikselami w obrazie, co pozwala im identyfikować cechy w obrazie, które są istotne dla danego zadania.

W tym przypadku zadaniem była identyfikacja dyslokacji w obrazach stopów Mg. CNN był w stanie nauczyć się zależności przestrzennych między pikselami w obrazach, które wskazywały na obecność dyslokacji. Model był następnie w stanie wykorzystać tę wiedzę do przewidywania gęstości dyslokacji w nowych obrazach stopów Mg.

„Wyniki pokazują, że uczenie maszynowe można wykorzystać do precyzyjnego mapowania rozkładu dyslokacji w stopach Mg i przewidywania ich właściwości mechanicznych”, podkreśla prof. Papanicolau. „Byliśmy w stanie wytrenować model, który mógł precyzyjnie przewidzieć gęstość dyslokacji w nowych obrazach stopów Mg. Wykorzystaliśmy również model do przewidywania właściwości mechanicznych stopów Mg, takich jak wytrzymałość, plastyczność i odporność na zmęczenie”.

Wyniki mają szereg implikacji dla rozwoju nowych stopów Mg. Stopy Mg mają doskonałe właściwości mechaniczne, ale ich mikrostruktury są niezwykle złożone, z intensywnym wzajemnym oddziaływaniem szerokiego zakresu defektów, w tym dyslokacji, bliźniaków i granic ziaren. Rozwój kompletnych baz danych, które umożliwiają klasyfikację możliwych mikrostruktur, może prowadzić do nowych materiałów o zoptymalizowanych właściwościach mechanicznych. Obecny model pokazuje, że uczenie maszynowe można wykorzystać do precyzyjnego mapowania rozkładu dyslokacji w stopach Mg. To może doprowadzić do rozwoju nowych stopów Mg o poprawionych właściwościach mechanicznych poprzez optymalizację rozkładu dyslokacji w materiale.

W przyszłości autorzy planują wykorzystać uczenie maszynowe do mapowania rozkładu dyslokacji w stopach Mg o szerszym zakresie składów, warunków obciążenia i obróbki, a także ich wzajemnego oddziaływania z innymi typami defektów, takimi jak bliźniaki i granice ziaren.

Artykuł został opublikowany w Nature Scientific Reports w lipcu 2023 roku.