基于 3D 变分自编码器的微结构体积单元指纹

微结构量化是建立结构-性能关系的重要步骤。机器学习图像处理方法已显示优于传统图像处理技术，日益应用于微结构量化任务。本文提出一种用于编码由体素化晶体学取向数据构成的微结构体积单元（VE）的 3D 变分自编码器（VAE）。通过将晶体学取向映射到晶体学基本区作为预处理步骤，考虑了取向空间中的晶体对称性，这允许使用连续损失函数并提高训练收敛速度。VAE 用于对由等轴多晶结构和随机纹理组成的训练集进行编码。测试数据集上实现相对平均误差为 3×10⁻² 的精确重构，连续潜在空间维度为 256。我们展示了该模型对取向、晶粒尺寸和比例在训练分布之外的微结构具有良好泛化能力。通过将训练集的 VE 作为 various crystal plasticity (CP) 模拟的初始配置，我们探索了结构-性能关系。从 VAE 中提取的微结构指纹以低维潜在空间参数化 VE，与每个应变增量在单向拉伸变形下的体平均应力响应一起存储。随后训练的全连接神经网络将输入指纹映射到相应的应力响应，作为 CP 模拟的替代模型。该指纹基替代模型在未见测试数据上准确预测了微结构对 CP 应力响应的依赖，均方误差为 2.75 MPa。